ADHD-200 Classification Based on Social Network Method

Deep Transformation Method for Discriminant Analysis of Multi-Channel Resting State fMRI

“…First, we compare the performance of the proposed DTM with previous studies on the automatic diagnosis of ADHD in Table 1. Studies (Ghiassian et al 2013;Guo et al 2014) on the diagnosis of ADHD using BOLD fMRI data from the ADHD200 consortium dataset utilizing various feature extraction algorithms and a linear classifier like SVM have achieved a maximum accuracy of 63.75%. However, (Mahanand, Savitha, and Suresh 2013) used a metacognitive classifier to achieve the best performance of 65%.…”

“…(Ghiassian et al 2013) used a histogram based feature reduction technique along with an Support Vector Machine (SVM) classifier and achieved a classification accuracy of 62.81%. (Guo et al 2014) studied the regional connectivity between the regions of the brain and reported an accuracy of 63.75%. The existing approaches is not able to handle high homogeneity, large intra-class variability, limited samples and difference in acquisition technologies/techniques.…”

Diagnóstico de doenças mentais baseado em mineração de dados e redes complexas

“…Foi utilizada a mesma metodologia da base relacionada ao autismo (capítulo anterior), uma vez que também se trata de uma base de dados extraída do repositório de base de dados USC Multimodal Connectivity Database, sendo as matrizes de conectividade com peso. Assim, com o programa python, as matrizes de conectividade com peso foram transformadas em binárias como em outros estudos utilizando a base de dados em questão (CAO et al, 2014;GUO et al, 2014;DEY;RAO;SHAH, 2012;BOHLAND et al, 2012;CHENG et al, 2012), para isso foi realizado a normalização z-score e utilizado o processo de thresholding e binarização com os valores de 0.3, 0.4, 0.5 e 0.6 (em (CAO et al, 2014) utilizou esse valor); como mencionado em (CAO et al, 2014), os valores de escolha para transformar os grafos em binários é muito subjetivo, assim essa faixa de valores foi escolhida para avaliar quais deles contribuem para melhor a performance desses classificadores.…”

“…Em (DEY; RAO; SHAH, 2014), o classificador SVM teve como desempenho: 64.48% de acurácia, 84.71% de especificidade e 30.66% de sensitividade; assim a acurácia e especificidade de alguns classificadores no presente trabalho foi superior a obtida neste artigo. Em (GUO et al, 2014), obteve-se uma acurácia média de 63.75%, valor inferior a acurácia obtidas por alguns classificadores no presente trabalho. Por fim, ainda, o valor de acurácia máxima alcançada na competição ADHD-200 foi de 61.04% cujo valor também é inferior aos valores obtidos aqui.…”

“…Assim a acurácia de alguns classificadores no presente trabalho foi superior a obtida considerando os dois gêneros e inferior àquela obtida ao se separar os gêneros, com isso a separação dos gêneros em trabalho futuro deve ser considerado. A especificidade, ainda, do presente trabalho foi superior à do artigo em questão.Em(GUO et al, 2014), utilizando segundo o artigo as medidas de redes tradicionais e características novas: assortative mixing e sincronização, obteve-se uma acurácia média de 63.75%, valor inferior a acurácia obtidas por alguns classificadores no presente trabalho. Por fim, ainda, o valor de acurácia máxima alcançada na competição ADHD-200 foi de 61.04% cujo valor também é inferior aos valores obtidos no presente trabalho.Tabela 32 -Tabela contendo os processos de seleção por ordem de importância e RFE, destacados em azul e laranja, respectivamente e o desempenho obtido ao se utilizar esses processos.…”