Logo: Deutsches Institut für Internationale Pädagogische Forschung

ADHS-ML – Intelligente Methoden zur Erkennung von Hyperaktivität bei Kindern

ADHS-ML – Intelligente Methoden zur Erkennung von Hyperaktivität bei Kindern

In diesem Projekt werden maschinelle Lernverfahren zur Vorhersage von Hyperaktivität bei Kindern aufgrund von Beschleunigungssensordaten untersucht.

Projektbeschreibung

Bisher ist es gängig, Hyperaktivität von Kindern mittels Magnetresonanztomographien (MRI) zu untersuchen. 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. Um diese zu erfassen gibt es im Gegensatz zu teuren und ressourcenintensiven MRI-Experimenten viele herkömmliche und preiswerte Alternativen, 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.

Ziele

  1. Erkennung von Hyperaktivität bei Kindern
  2. Erfassung von Hyperaktivität in alltagsnahen Settings
  3. Einsatz intelligenter Verfahren des Maschinellen Lernens

Methodisches Vorgehen

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

Finanzierung

LOEWE-Logo

Ausgewählte Publikationen

Brefeld, U., & Scheffer, T. (2206). Semi-supervised Learning for Structured Output Variables. Proceedings of the International Conference on Machine Learning.

Brefeld, U., Büscher, C., & Scheffer, T. (2005). Multi-view Discriminative Sequential Learning. Proceedings of the European Conference on Machine Learning.

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

Weitere Informationen

Website: IDeA-Zentrum

Projektleitung

Projektdaten

Status:
Abgeschlossene Projekte
Projektart: Abteilungsübergreifende Projekte
Laufzeit:
2013 - 2014
Finanzierung:
Drittmittelprojekt
Abteilungen:
zuletzt verändert: 29.06.2016