基于核层次极限学习机的ADHD患者分类
机器学习
2022-06-29 v1
摘要
近年来,利用深度学习模型从脑成像数据诊断神经精神疾病受到越来越多关注。然而在实践中,基于功能磁共振成像数据探索脑功能连接中的交互作用对研究精神疾病至关重要。由于注意缺陷与多动障碍(ADHD)是一种极难在早期诊断的慢性疾病,有必要在病情危重前利用机器学习模型提升此类疾病的诊断准确率。本研究中,我们利用脑功能连接的动态特性从医学影像数据建模特征,以提取正常对照(NC)与ADHD之间脑功能交互的差异。为满足该需求,我们采用贝叶斯连接变点模型通过局部二值编码方法检测脑动态,并使用核层次极限学习机对特征进行分类。为验证模型,我们在多个真实儿童数据集上实验,结果相较SOTA模型取得了更优的分类率。
引用
@article{arxiv.2206.13761,
title = {Classification of ADHD Patients Using Kernel Hierarchical Extreme Learning Machine},
author = {Sartaj Ahmed Salman and Zhichao Lian and Milad Taleby Ahvanooey and Hiroki Takahashi and Yuduo Zhang},
journal= {arXiv preprint arXiv:2206.13761},
year = {2022}
}
备注
8 pages, 6 figures. arXiv admin note: substantial text overlap with arXiv:2202.08953