该研究使用机器学习和神经科学方法，基于 ADHD200 数据集进行多分类和二分类诊断生物标记，使用基于 MRI 数据的功能连接和表型数据的两个分类器通过集成技术实现了二分类的准确诊断，准确率达到 92.5%。

Feb, 2023

本文提出了一种基于骨骼动作识别的注意力缺陷多动障碍诊断系统，利用真实的多模式 ADHD 数据集和先进的检测算法。与传统方法相比，该方法在成本效益和性能方面均表现出色，适用于广泛的初步 ADHD 诊断和大规模筛查。

Apr, 2023

设计了一款安卓应用程序，结合小游戏和聊天记录的机器人，对 3,783 名中学生进行了综合式多模态筛查。通过引入新的注意机制，开发了名为 GAME 的模型，能够以高准确度（73.34%-92.77%）和 F1 值（71.32%-91.06%）评估青少年的精神状态。研究发现每种模态对于精神疾病筛查和共病症的贡献不同，表明可解释模型具有潜在的可行性。该研究提供了一套能够获取多模态信息并构建综合式多模态集成算法的系统，用于对青少年精神疾病进行早期筛查。

Sep, 2023

本研究利用静息状态功能性磁共振成像序列研究了 ADHD 受试者的自动分类，计算脑部体素活动的配对相关性，使用网络特征训练 PCA-LDA 分类器，应用图形模式特征和脑部区域做脑图像，在分类性能，尤其是使用网络长度 3 的循环图提高诊断和了解该疾病的效力。

Jun, 2023

自闭症谱系障碍 (ASD) 对儿童的生活常常造成困难，因此早期诊断对于正确的治疗和关怀是必要的。为了帮助医疗专业人员早期发现，我们提出了一种分析儿童对感官刺激反应的深度学习模型，旨在捕捉 ASD 和非 ASD 患者之间反应和行为的关键差异。与许多 ASD 分类中的研究不同，我们的数据是由 MRI 数据组成，这需要昂贵的专用 MRI 设备，而我们的方法仅依赖于一台相对较便宜的 GPU、一套不错的计算机配置和一个用于推断的视频摄像机。我们的数据结果表明，我们的模型能够很好地进行泛化并理解患者不同运动之间的关键差异，尽管对于深度学习问题的数据量有限，模型输入上有限的时间信息和因运动而产生的噪音。

Feb, 2024

通过分析和比较使用数字平板收集的速度曲线所得到的结果与 NEPSY-II 评估中标准任务的结果，本文提出了一种基于速度曲线的观察量表，用于区分临床实践中难以区分的自闭症谱系障碍和注意缺陷多动障碍的挑战性病例。

Jan, 2024

通过机器学习和深度学习方法，提出了一种新的流程模型来检测自我刺激行为，从而帮助诊断孤独症谱系障碍（ASD）。通过扩充自我刺激行为数据集（SSBD）并使用新的标签，结合深度学习模型，实现了针对实时、免提自动诊断的模型，准确率达到约 81%。

Nov, 2023

使用机器学习方法基于计算机视觉从临床诊断面谈视频中提取行为代码和概念，并将其与人类专家测评进行比较，较差的凝视和言语概念的表现指出需要提高数据质量或使用其他数据模态。

Jul, 2022

提出了一个基于模糊推理系统的新框架，旨在通过音频和视频数据分析来识别儿童计算机游戏中的情绪，以提升儿童用户体验，并提供对情绪的跟踪结果，有助于儿童导向式游戏开发的进展。

Aug, 2023

本研究使用 YoloV8 模型对 Kaggle 数据集中的面部图像进行分析，通过深度学习技术帮助自闭症儿童的诊断和分类，以提高早期干预和治疗效果。

Jun, 2023