Análisis de mapas de oclusión en una red convolucional para la obtención de patrones interpretables en pacientes de TDAH

Abstract

El Trastorno por Déficit de Atención e Hiperactividad es un trastorno psiquiátrico muy frecuente en la etapa infantil con una prevalencia del 10%. Este trastorno presenta diferentes síntomas dependiendo de si se trata del tipo inatento, hiperactivo o combinado. El tipo combinado es más frecuente en hombres mientras que el inatento lo es en mujeres. Muchas de las pruebas utilizadas para diagnosticar este trastorno son subjetivas lo cual, junto con la atenuación de los síntomas con el paso del tiempo, dificulta el diagnóstico en la etapa adulta. En este trabajo se pretende utilizar registros de actigrafía, redes convolucionales y técnicas de aprendizaje para obtener patrones que nos permitan establecer diferencias entre el tipo inatento y combinado. Se han utilizado grupos basados en la edad y sexo de los pacientes y se han clasificado mediante una red convolucional. También se ha realizado un análisis cualitativo mediante mapas de oclusión y un análisis cuantitativo basado en el modelo de ajuste por gaussianas. De esta forma se ha podido determinar qué parámetros de las gaussianas son estadísticamente relevantes para un diagnóstico preciso.

Attention Deficit Hyperactivity Disorder (ADHD) is a very common psychiatric disorder in children with a prevalence of 10%. This disorder presents different symptoms depending on whether it is the inattentive, hyperactive or combined type. The combined type is more common in males while the inattentive type is more common in females. Many of the tests used to diagnose this disorder are subjective and this, together with the attenuation of symptoms over time, makes diagnosis difficult in adulthood. In this paper we aim to use actigraphy recordings, convolutional networks and learning techniques to obtain patterns that allow us to establish differences between the inattentive and combined types. We have used groups based on the age and sex of the patients and classified them by means of a convolutional network. A qualitative analysis was also carried out using occlusion maps and a quantitative analysis based on the Gaussian adjustment model. In this way it has been possible to determine which parameters of the Gaussians are statistically relevant for a correct diagnosis.