Projekt ADHS-ML

Intelligente Methoden zur Erkennung von Hyperaktivität bei Kindern

Johnson et al. (2012) untersuchten Hyperaktivität bei Kindern anhand von Magnetresonanztomographien (MRI). Die aufgenommenen Bilder werden zum Lernen eines Klassifikators benutzt, welcher dann eine einmalige Diagnose tätigt. Obwohl die Klassifikationsraten sehr vielversprechend sind, hat das beschriebene Vorgehen Nachteile in Bezug auf zeitliche und finanzielle Kosten und erlaubt beispielsweise keine Erfassung von Hyperaktivität in alltagsnahen Settings. Im Gegensatz zu teuren und ressourcenintensiven MRI-Experimenten gibt es viele herkömmliche und preiswerte Sensoren, wie zum Beispiel Beschleunigungssensoren. Insbesondere für die Klassifikation physischer Aktivität von Personen spielen Beschleunigungssensoren eine große Rolle, da sie beispielsweise in der Gesundheitsforschung die Beobachtung von Patienten zu einem großen Teil automatisieren können.

In diesem Projekt untersuchten wir die Erkennung von Hyperaktivität bei Kindern. Als Datengrundlage dienten Messungen der Kinder mit Beschleunigungssensoren in verschiedenen Szenarien (z.B. Karten spielen). Wir setzten intelligente Verfahren des maschinellen Lernens, insbesondere Support-Vector-Machines, ein. Im Gegensatz zu Johnson et al. (2012) bietet der Einsatz von Bewegungsmessern eine preiswerte und unkomplizierte Möglichkeit zur Erkennung von Hyperaktivität, die die Freiheitsgrade eines Kindes nicht einschränken.

Ausgewählte Publikationen

Brefeld, U., & Scheffer, T. (2006). Semi-supervised Learning for Structured Output Variables. Proceedings of the International Conference on Machine Learning.

Fernandes, E. R., & Brefeld, U. (2011). Learning from Partially Annotated Sequences. Proceedings of the European Conference on Machine Learning.

Gawrilow, C., Kühnhausen, J., Schmid, J., & Stadler, G. (2014). Hyperactivity and motoric activity in ADHD: Characterization, assessment, and intervention. Frontiers in Psychiatry, 5. doi:10.3389/fpsyt.2014.00171