Redes recurrentes profundas para el diagnóstico del TDAH en la infancia

Abstract

El trastorno por déficit de atención e hiperactividad es un trastorno crónico y genético que se da principalmente en la infancia. Las técnicas actuales de diagnóstico de este trastorno se basan en pruebas incapaces de detectar la presencia del TDAH de forma objetiva. Debido a esto surge la necesidad de crear un sistema de diagnóstico imparcial y fiable. En este trabajo se describe un sistema que combina el uso de la actigrafía para obtener datos de un niño, junto con técnicas de Deep Learning para detectar la presencia de TDAH. Para poder llevar a cabo este modelo se han utilizado unidades de procesamiento gráfico o GPU. Los datos obtenidos del actígrafo se han clasificado en distintos periodos y divididos en actividades de diferente duración. Estos datos se transforman en imágenes mediante la técnica del espectrograma y se utilizan como la entrada de una red convolucional preentrenda. Esta red extrae las características espaciales, las cuales se emplean para entrenar una red recurrente que utiliza secuencias de las imágenes de un paciente para clasificar los datos. Estas redes analizan las dependencias temporales y pueden llevar a cabo el diagnostico.

Attention Deficit Hyperactivity Disorder (ADHD) is a chronic, genetic disorder that occurs primarily in childhood. Current diagnostic techniques for this disorder are based on tests that are unable to detect the presence of ADHD objectively. Because of this, the need to create an impartial and reliable diagnostic system arises. This paper describes a system that combines the use of actigraphy to obtain data from a child, along with Deep Learning techniques to detect the presence of ADHD. In order to develop this model, graphic processing units or GPUs have been used. The data obtained from the actigraph have been classified into different periods and divided into activities of different duration. Activity windows are transformed into time-frequency images using spectrograms and are used as the input to a pre-trained convolutional network. This network extracts spatial features, which are used to train a recurrent network that uses sequences of a patient's images to classify the data. This network analyses time dependencies and can carry out diagnosis.