Koch, M.T. Koch (2022) The Potential of Diagnosing ADHD and Depressed Patients on Basis of Actigraphy Data Using Extreme Gradient Boosting. Master thesis, Psychology.
![[img]](https://gmwpublic.studenttheses.ub.rug.nl/style/images/fileicons/text.png) |
Text
Thesis Michiel Koch - KNP_RUG.pdf Restricted to Repository staff only Download (4MB) |
Abstract
In dit onderzoek is onderzocht in hoeverre ADHD- en depressiediagnoses kunnen worden gesteld door algoritmen op basis van actigrafie data. Dit is onderzocht met behulp van een geoptimaliseerde (baseline) Support Vector Machine (SVM) en een standaard eXtreme Gradient Boosting (XGBoost) model. De resultaten toonden aan dat beide modellen hoge classificatieprestaties konden bereiken bij het onderscheiden van depressieve condities van mentaal gezonde controles, waarbij het SVM-model hogere classificatieprestaties behaalde dan enig ander algoritme dat is ontwikkeld in de direct vergelijkbare onderzoeken door Garcia-Ceja et al. (2018) en Frogner et al. (2019). Deze hoge classificatieprestaties van beide modellen waren niet aanwezig bij het onderscheiden van ADHD condities van gezonde controles. Algehele lage prestaties werden ook gevonden in de multiclassificatietaak tussen alle drie de condities. De depressiecondities werden echter nog steeds aanzienlijk beter onderscheiden van controles dan ADHD en controle. In deze studie was het ook duidelijk dat de classificatieprestaties afhankelijk zijn van de actigrafische segmentlengte waarop de algoritmen worden getraind. Gezien de soms tegenstrijdige maar ook inzichtelijke resultaten van dit onderzoek en het werk van Munoz et al. (2018), Mahony et al. (2014), Amado-Caballero et al. (2020), Garcia-Ceja et al. (2018), en Frogner et al. (2019), blijft het moeilijk om te bepalen hoe lang deze segmenten zouden moeten zijn, omdat ze waarschijnlijk afhankelijk zijn van het type psychopathologie, sociale, persoonlijke en levensomstandigheden. Omdat in dit onderzoek een kleine, nauwelijks geïsoleerde steekproef is gebruikt, is het moeilijk om conclusies te trekken over representativiteit. Voor toekomstig onderzoek wordt daarom geadviseerd om een grotere dataset te gebruiken die ook de mogelijkheid biedt om samples te isoleren en specifieker te maken, zodat dezelfde maar ook verschillende omstandigheden tegen elkaar kunnen worden getest. Het is ook nuttig om zowel langere als kortere tijdsperioden te proberen dan die in dit onderzoek zijn onderzocht, aangezien zowel zeer lange als korte segmenten hun voordelen kunnen hebben, afhankelijk van de meetomstandigheden. Een laatste en meer algemene aanbeveling is om te zoeken naar andere mogelijke soorten gegevens die kunnen worden gebruikt om een diagnose te stellen, om zo een breder en robuuster diagnostisch hulpmiddel te creëren en daarmee de geestelijke gezondheidszorg vooruit te helpen.
| Item Type: | Thesis (Master) |
|---|---|
| Supervisor name: | Gaastra, G.F. |
| Degree programme: | Psychology |
| Differentiation route: | Clinical Neuropsychology (CN) [Master Psychology] |
| Date Deposited: | 11 Jul 2022 07:54 |
| Last Modified: | 11 Jul 2022 07:54 |
| URI: | http://gmwpublic.studenttheses.ub.rug.nl/id/eprint/824 |
Actions (login required)
 |
View Item |