Studie zur Klassifikation von Aufmerksamkeitsdefizit-Hyperaktivitätsstörung basierend auf einem Dual-Channel-Autoencoder

Die Magnetresonanztomographie (MRT) wird umfassend in der Diagnose psychiatrischer Störungen eingesetzt. Die hochdimensionale Natur der Daten stellt jedoch Herausforderungen beim Training von Netzwerken dar. Wir schlagen einen Klassifikationsansatz vor, der Autoencoder- und mehrschichtige Perzeptron-Techniken nutzt. Zunächst wird ein konvolutionaler Autoencoder entwickelt, um die Dimensionalität zu reduzieren und Merkmale aus der Eingabefeature-Karte mithilfe seiner Encoder-Komponente zu extrahieren. Anschließend werden die extrahierten Merkmale in das entwickelte mehrschichtige Perzeptron zum Training und Testen eingegeben, was eine gemeinsame Klassifikation basierend auf dualen Merkmalen ermöglicht. Schließlich wenden wir diese Methode an, um die Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS) zu klassifizieren, und die experimentellen Ergebnisse demonstrieren die Wirksamkeit unseres Ansatzes zur signifikanten Verbesserung der Genauigkeit der ADHS-Klassifikation.