SSRepL-ADHD：面向视觉注意任务的自适应复杂表征学习框架用于 ADHD 检测
机器学习
2025-02-04 v1 人机交互
信号处理
摘要
自监督表征学习（Self Supervised Representation Learning, SSRepL）能够捕获注意力缺陷多动障碍（ADHD）数据中有意义且鲁棒的表征，并有望提升模型在下游不同类型神经发育障碍（NDD）检测中的性能。本文提出了一种新颖的、基于 SSRepL 和迁移学习（Transfer Learning, TL）的框架，该框架融合了长短期记忆网络（LSTM）和门控循环单元（GRU）模型，用于检测具有潜在 ADHD 症状的儿童。该模型利用视觉注意力任务中提取的脑电图（EEG）信号，通过归一化、滤波和数据平衡预处理 EEG 信号质量，以准确检测 ADHD。在实验分析中，我们使用了三种不同的模型：1) 基于 SSRepL 和 TL 的 LSTM-GRU 模型，命名为 SSRepL-ADHD，该模型整合了 LSTM 和 GRU 层以捕获数据中的时间依赖性；2) 基于 SSRepL 的轻量级 DNN 模型（LSSRepL-DNN）；3) 随机森林（RF）。研究中，使用众所周知的性能指标（即准确率、精确率、召回率和 F1 分数）对这些模型进行了全面评估。结果表明，所提出的 SSRepL-ADHD 模型在承认数据集不平衡和特征选择相关困难的同时，达到了 81.11% 的最高准确率。
引用
@article{arxiv.2502.00376,
title = {SSRepL-ADHD: Adaptive Complex Representation Learning Framework for ADHD Detection from Visual Attention Tasks},
author = {Abdul Rehman and Ilona Heldal and Jerry Chun-Wei Lin},
journal= {arXiv preprint arXiv:2502.00376},
year = {2025}
}