Aplicación del algoritmo del árbol de decisión en los datos gamificados de la prueba de rendimiento continuo para la detección del trastorno por déficit de atención / hiperactividad.

Hadi Haedar; Ali Khalegh

doi:10.46377/dilemas.v32i1.2011

Hadi Haedar
Ali Khalegh

DOI: https://doi.org/10.46377/dilemas.v32i1.2011

Palabras clave: aprendizaje automático, árbol de decisión, gamificación, prueba de rendimiento continuo

Resumen

Los tres objetivos principales de este estudio son la evaluación del algoritmo del Árbol de decisión para detectar el trastorno de TDAH, la reducción del número de características requeridas y la predicción aceptable a pesar de la falta de varias características. Los sujetos en este estudio fueron 100 personas entre las edades de 8 y 64 años, 69 de los cuales tenían menos de 18 años y 31 tenían más de 18. De estos, 43 tienen TDAH, 35 son saludables y 22 son sospechosos. Los datos fueron recogidos por la Clínica del Cerebro y Cognición en Teherán usando el juego AIV-2. Los resultados indican que la aplicación de métodos de aprendizaje automático sigue siendo efectivos incluso con la participación de la menor cantidad de características en el proceso de implementación de algoritmos.

Citas

J. Anuradha, N. Jayasri, and K. V Arulalan, “Classification Rules for Attention Deficit Hyperactive Disorder using Decision tree,” J Anurardha al, Int. J. Comput. Sci. Commun. Networks, vol. 2, no. 2, pp. 295–303, 2014.

G. Barata, S. Gama, J. Jorge, and D. Goncalves, “Early Prediction of Student Profiles Based on Performance and Gaming Preferences,” IEEE Trans. Learn. Technol., vol. 9, no. 3, pp. 272–284, 2016.

J. C. Bledsoe et al., “Diagnostic Classification of ADHD Versus Control,” J. Atten. Disord., p. 108705471664966, 2016.

BrainTrain, “IVA-2 Research Studies,” pp. 1–24, 2015.

K. C. M. Bul, L. L. Doove, I. H. A. Franken, S. Van Der Oord, P. M. Kato, and A. Maras, “A serious game for children with Attention Deficit Hyperactivity Disorder: Who benefits the most?,” PLoS One, vol. 13, no. 3, pp. 1–12, 2018.

C.-W. Chang, C.-C. Ho, and J.-H. Chen, “ADHD classification by a texture analysis of anatomical brain MRI data,” Front. Syst. Neurosci., vol. 6, no. September, pp. 1–13, 2012.

K. C. Chu, H. J. Huang, and Y. S. Huang, “Machine learning approach for distinction of ADHD and OSA,” Proc. 2016 IEEE/ACM Int. Conf. Adv. Soc. Networks Anal. Mining, ASONAM 2016, pp. 1044–1049, 2016.

J. B. Goulardins, J. C. B. Marques, E. B. Casella, R. O. Nascimento, and J. A. Oliveira, “Motor profile of children with attention deficit hyperactivity disorder, combined type,” Res. Dev. Disabil., vol. 34, no. 1, pp. 40–45, 2013.

G. I. Guidelines, “IVA-2 Comprehensive Report,” pp. 1–14.

B. Kamiński, M. Jakubczyk, and P. Szufel, “A framework for sensitivity analysis of decision trees,” Cent. Eur. J. Oper. Res., vol. 26, no. 1, pp. 135–159, 2018.

C. Lopez and C. Tucker, “Towards Personalized Adaptive Gamification: A Machine Learning Model for Predicting Performance,” IEEE Trans. Games, vol. PP, no. c, pp. 1–1, 2018.

J. Lumsden, E. A. Edwards, N. S. Lawrence, D. Coyle, and M. R. Munafò, “Gamification of Cognitive Assessment and Cognitive Training: A Systematic Review of Applications and Efficacy,” JMIR Serious Games, vol. 4, no. 2, p. e11, 2016.

R. McCarney, J. Warner, S. Iliffe, R. Van Haselen, M. Griffin, and P. Fisher, “The Hawthorne Effect: A randomised, controlled trial,” BMC Med. Res. Methodol., vol. 7, pp. 1–8, 2007.

A. Riaz, E. Alonso, and G. Slabaugh, “Phenotypic Integrated Framework for Classification of ADHD using fMRI,” vol. 3212, no. September 2017, 2016.

E. W. Skogli, M. H. Teicher, P. N. Andersen, K. T. Hovik, and M. Øie, “ADHD in girls and boys - gender differences in co-existing symptoms and executive function measures,” BMC Psychiatry, vol. 13, no. 1, p. 1, 2013.

T. P. Tinius, “The Integrated Visual and Auditory Continuous Performance Test as a neuropsychological measure,” Arch. Clin. Neuropsychol., vol. 18, no. 5, pp. 439–454, 2003.

S. V Faraone, J. Sergeant, C. Gillberg, and J. Biederman, “The worldwide prevalence of ADHD: is it an American condition?,” World Psychiatry, vol. 2, no. 2, pp. 104–113, 2003.

S. Valladares-Rodriguez, R. Pérez-Rodriguez, J. M. Fernandez-Iglesias, L. Anido-Rifón, D. Facal, and C. Rivas-Costa, “Learning to Detect Cognitive Impairment through Digital Games and Machine Learning Techniques,” Methods Inf. Med., vol. 57, no. 04, pp. 197–207, 2018.

S. D. Østergaard et al., “Predicting ADHD by assessment of Rutter’s indicators of adversity in infancy,” PLoS One, vol. 11, no. 6, pp. 1–10, 2016.