Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/63072
Título
Interpretación de redes neuronales profundas como herramienta para diferenciar subtipos de TDAH a partir de patrones de actividad
Autor
Director o Tutor
Año del Documento
2023
Titulación
Grado en Ingeniería de Tecnologías de Telecomunicación
Résumé
El Trastorno por Déficit de Atención e Hiperactividad (TDAH) es un trastorno neuropsiquiátrico
que afecta a niños y a adultos. El TDAH se divide en tres subtipos: predominantemente inatento,
predominantemente hiperactivo y combinado. Tradicionalmente, el diagnóstico tanto del TDAH
como de su subtipo se han basado en evaluaciones médicas con un importante componente
subjetivo. El correcto diagnóstico del subtipo de TDAH es fundamental para el desarrollo de
un tratamiento adecuado y adaptado al paciente. Estudios recientes han revelado que el uso
de métodos basados actimetría junto aprendizaje profundo son buenas opciones a la hora de
identificar el TDAH, así como diferenciar sus subtipos. Sin embargo, en el caso del TDAH
predominantemente hiperactivo, no se ha llevado a cabo ningún estudio de esta índole al
tratarse del tipo menos diagnosticado y del que menos información se tiene. Por ello, en el
presente trabajo se propone la elaboración de un sistema capaz de caracterizar el TDAH de tipo
hiperactivo mediante el análisis de patrones de actividad y técnicas de interpretabilidad. Para
ello, a partir de las señales actigráficas de los pacientes, se han creado espectrogramas divididos
por el subtipo y se han entrenado redes neuronales convolucionales. Tras ello, se analizan las
salidas de dichas redes mediante técnicas como los mapas de oclusión y modelos de mezcla
gaussiana. Attention Deficit Hyperactivity Disorder (ADHD) is a neuropsychiatric disorder that affects children and adults. ADHD is divided into three subtypes: predominantly inattentive, predominantly
hyperactive, and combined. Traditionally, the diagnosis of both ADHD and its
subtype have been based on medical evaluations with an important subjective component. The
correct diagnosis of the ADHD subtype is essential for the development of an suitable treatment
adapted to the patient. Recent studies have revealed that the use of actimetry-based methods
together with deep learning are good options when it comes to identifying ADHD, as well
as differentiating its subtypes. However, in the case of predominantly hyperactive ADHD, no
study of this nature has been carried out as it is the least diagnosed type and about which
the least information is available. Therefore, in this work we propose the development of a
system capable of characterizing hyperactive ADHD through the analysis of activity patterns
and interpretability techniques. For this purpose, based on the actigraphic signals of the patients,
spectrograms divided by subtype have been created and convolutional neural networks have
been trained. After that, the outputs of these networks are analyzed using techniques such as
occlusion maps and gaussian mixture models.
Palabras Clave
TDAH
Actigrafía
Aprendizaje profundo
Departamento
Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
Idioma
spa
Derechos
openAccess
Aparece en las colecciones
- Trabajos Fin de Grado UVa [29363]
Fichier(s) constituant ce document
Excepté là où spécifié autrement, la license de ce document est décrite en tant que Attribution-NonCommercial-NoDerivatives 4.0 Internacional