본문 바로가기
KERD
논문KCI 등재

ADHD와 CD 자동식별과 자동진단을 위한 생체신호의 인공지능분석

Artificial Intelligence Analysis of Bio-signals for Automated Detection and Automated Diagnosis of ADHD and CD

황영섭|류창현
아시아교정포럼 (Asian Forum for Corrections)|2021.12|교정담론 (Korean Journal of Correctional Discourse)|제15권 제3호|pp. 87-118

0

조회

0

다운로드

7

인용

0

참고문헌

키워드

ADHD품행장애Machine Learning Techniques신경발달장애Cloud Systems기계학습기법자동진단시스템클라우드시스템ADHD (Attention Deficit/Hyperactivity Disorder)Conduct Disorder (CD)Automated Diagnosis SystemNeurodevelopmental Disorder

초록

본 연구의 목적은 ADHD와 CD(품행장애) 자동식별과 자동진단을 위한 생체신호의 인공지능분석방법을 소개하고 리뷰하는 데 있다. ADHD는 흔히 CD와 공존한다. ADHD와 CD는 특히 충동적 행동장애를 보이며, 동료를 괴롭히며, 이는 성인이 될 때까지 동반하는 복합적이고 다면적인 뇌장애(brain disorders)이다. 현재 ADHD와 CD를 구별하기 위한 객관적인 실험검증이나 진단방법은 없으며, ADHD는 흔히 다른 동반질환과 함께 나타나는 일반적인 신경발달장애이기에 진단이 더욱 어렵다. 특히 CD와 관련된 높은 수준의 행동장애에 대한 진단에 어려움이 있다(Tor et al., 2021). 본 연구에서는 ADHD와 CD 자동식별을 위한 분류모델로 서포트벡터머신(SVM), 다층퍼셉트론(Multilayer perceptron) 등과 같은 기계학습기법(machine learning techniques)을 제시했다. 향후 본 연구설계대로 ADHD, ADHD+CD, CD 생체신호에 기반한 자동식별과 진단분류를 위한 인공지능 자동진단시스템(Automated Diagnosis System)이 개발된다면, 청소년 재범예방, 재범예측, 재범억제에 대한 지침을 제공할 것이다. 아울러 클라우드시스템과 더불어 웹 기반 응용 프로그램을 실용화하기 위해서는 먼저 청소년과 성인 ADHD와 CD 자동진단시스템(ADS)을 위한 생체신호의 인공지능분석에서 뇌파(EEG)와 정량뇌파(QEEG) 사용에 대한 높은 수준의 타당도와 신뢰도를 검증하기 위해 계속적이고 체계적인 대규모의 연구와 메타분석이 선행되어야만 할 것이다.

Abstract

The purpose of this study is to introduce and review “Artificial Intelligence Analysis of Bio-signals for Automated Detection and Automated Diagnosis of ADHD (Attention Deficit/Hyperactivity Disorder) and CD (Conduct Disorder).” ADHD is often comorbid with CD. ADHD and CD especially show impulsive behavioral disorders, harassing colleagues, which are complex and multifaceted brain disorders that accompany adulthood. Currently, there is no objective experimental verification or diagnostic method to differentiate between ADHD and CD, and diagnosis is more difficult because ADHD is a common neurodevelopmental disorder that often occurs together with other comorbidities. In particular, it is difficult to diagnose high-level behavioral disorders related to CD (Tor et al., 2021). In this study, as classification models of automated detection for ADHD and CD, Support Vector Machine (SVM), Multilayer Perceptron, such as machine learning techniques were presented. In the future, if an artificial intelligence automated diagnosis system (ADS) for automated detection and diagnostic classification based on the bio-signals of ADHD, ADHD+CD, and CD is developed according to the design of this study, it will provide guidelines for the prevention, prediction and suppression of adolescent recidivism. In addition, in order to commercialize web-based applications along with cloud systems, continuous and systematic large-scale research and meta-analysis must first be preceded to verify the high level of the validity and reliability of the use of EEG and QEEG in artificial intelligence analysis of bio-signals for adolescents and adults with ADHD and CD.

참고문헌 (54)

  1. 류창현, "범죄소년을 위한 분노조절 가상현실 인지행동치료(VR-CBT) 프로그램 개발과 함의", 교정담론, 9(3), pp.191~228 (2015), 아시아교정포럼
  2. 류창현, "알코올의존 보호관찰대상자의 충동분노조절 가상현실 인지행동치료프로그램(IAM-VR-CBTP)에 관한 효과 검증 연구", 법무부 범죄예방정책국, ~ (2016)
  3. 류창현, "범죄예방정책과 가상현실치료(VRT):알코올의존 보호관찰대상자의 가상현실 인지행동치료(VR-CBT) 중심으로", 한국중독범죄학회보, 7(1), pp.65~92 (2017), 한국중독범죄학회
  4. 류창현, "청소년 및 성인 ADHD 생체신호분석 기반 분노조절가상현실치료(VRT) 개발의 함의: 묻지마범죄 예방 및 억제기술 중심으로", 한국중독범죄학회보, 8(2), pp.43~73 (2018), 한국중독범죄학회[DOI]
  5. 류창현, "피면담자의 VR-HMD 생체신호와 키니식(행동)진술분석 기반 자동 수사면담 및 신문 시스템 플랫폼 개발의 함의", 한국범죄심리연구, 15(1), pp.31~44 (2019), 한국범죄심리학회
  6. 류창현, "조현병 대상자에 대한 경찰관의 초기 대응 가상현실(VR-HMD) 면담교육 매뉴얼 시스템 개발의 함의: 묻지마범죄 예방과 억제 중심으로", 한국경찰학회보, 22(1), pp.1~38 (2020), 한국경찰학회
  7. 류창현, "교정보호대상 청소년 ADHD 생체신호분석 기반 통합적 분노조절 가상현실치료(IAM-VRT) 개발의 함의", 한국중독범죄학회보, 10(3), pp.1~21 (2020), 한국중독범죄학회[DOI]
  8. 류창현, "코로나-19 유행병의 새로운 대안: 긍정기술로서의 가상현실치료", 한국중독범죄학회보, 11(1), pp.25~44 (2021), 한국중독범죄학회[DOI]
  9. 류창현, "ADHD 진단기준을 위한 뇌파(EEG)와 정량뇌파(QEEG) 측정의 임상적 유용성 연구", 한국중독범죄학회보, 11(3), pp.23~45 (2021), 한국중독범죄학회
  10. Acharya, U. R., "Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals", Comput. Biol. Med, 100, pp.270~278 (2018)
  11. Ahmadi, A., "Computer aided diagnosis system suing deep convolutional neural networks for ADHD subtypes", Biomedical Signal Processing and Control, 63, pp.1~10 (2021)
  12. Altınkaynak, M., "Diagnosis of attention deficit hyperactivity disorder with combined time and frequency features", Biocybernetics and Biomedical Engineering, 40(3), pp.927~937 (2020)
  13. Alper, K. R., "Persistent QEEG abnormality in crack cocaine users at 6 months of drug abstinence", Neuropsychopharmacolog, 19, pp.1~9 (1998)
  14. American Psychiatric Association, "Diagnostic and Statistical Manual of Mental Disorders" (2013)
  15. Amit, Y., "Shape quantization and recognition with randomized trees", Neural Computation, 9(7), pp.1545~1588 (1997)
  16. Barry, R. J., "Spontaneous EEG oscillations in children, adolescents, and adults : typical development, and pathological aspects in relation to AD", HD, 2009, pp.23, 157~173
  17. Biederman, J., "Comorbidity of attention deficit hyperactivity disorder with conduct, depressive, anxiety, and other disorders", Am. J. Psychiatry, 148(5), pp.564~577 (1991)
  18. Byeon, J., "A novel quantitative electroencephalography subtype with high alpha power in ADHD : ADHD or misdiagnosed ADHD?", PLoS ONE, 15(11), pp.e0242566~ (2020)[DOI]
  19. Chen, H., "A deep learning framework for identifying children with ADHD using an EEG-based brain network", Neurocomputing, 356, pp.83~96 (2019)
  20. Cheong K. H., "Practical Automated Video Analytics for Crowd Monitoring and Counting", IEEE Access, 7, pp.183252~183261 (2019)[DOI]
  21. Einizade, A., "Detecting ADHD children based on EEG signals using graph signal processing techniques", Proc. of the Int. Conf. on Biomedical Engineering, 264(270), pp.264~270 (2020)
  22. Farone, S. V., "Attention deficit disorder and conduct disorder : longitudinal evidence for a familial subtype", Psychol. Med, 27(2), pp.291~300 (1997)
  25. Goodfellow, I., "Deep Learning", pp.180~184 (2016), MIT Press
  26. Hunter, A. M., "Antidepressant response trajectories and quantitative electroencephalography(QEEG)biomarkers in major depressive disorder", J Psychiatr Re, 44, pp.90~98 (2010)
  27. Jokić-Begić, N., "Quantitative electroencephalogram (qEEG) in combat veterans with post-traumatic stress disorder (PTSD)", Nord J Psychiatry, 57, pp.351~355 (2003)
  28. Khaleghi, A., "Applicable features of electroencephalogram for ADHD diagnosis", Research on Biomedical Engineering, 36(1), pp.1~11 (2020)
  29. Khoshnoud, S., "Functional brain dynamic analysis of ADHD and control children using nonlinear dynamical features of EEG signals", Journal of Integrative Neuroscience, 17(1), pp.17~30 (2018)
  30. Kim, J. W., "Diagnostic utility of quantitative EEG in un-medicated schizophrenia", Neurosci Lett, 589, pp.126~131 (2015)
  31. Kuhne, M., "Impact of Comorbid Oppositional or Conduct Problems on Attention-Deficit Hyperactivity Disorder", J. Am. Acad. Child Adolesc. Psychiatry, 36(12), pp.1715~1725 (1997)
  32. 이문수, "주의력결핍 과잉행동장애 한국형 치료 권고안 개정안(II) - 진단 및 평가 -", Journal of the Korean Academy of Child and Adolescent Psychiatry, 28(2), pp.58~69 (2017), 대한소아청소년 정신의학회[DOI]
  33. Lih, O. S., "Comprehensive electrocardiographic diagnosis based on deep learning", Artificial Intelligence in Medicine, 103, pp.101789~ (2020)[DOI]
  34. Lubar, J. F., "Discourse on the development of EEG diagnostics and biofeedback for attention-deficit", hyperactivity disorders, 1991, pp.16, 201~225
  35. Magee, C. A., "Examining the diagnostic utility of EEG power measures in children with attention deficit", hyperactivity disorder, 2005, pp.116(5), 1033~1040
  36. Mann, C. A., "Quantitative analysis of EEG in boys with attention-deficit-hyperactivity disorder : controlled study with clinical implications", Pediatr Neurol, 8, pp.30~36 (1992)
  37. Mohammad Reza Mohammadi, "EEG Classification of ADHD and Normal Children Using Non-linear Features and Neural Network", Biomedical Engineering Letters (BMEL), 6(2), pp.66~73 (2016), 대한의용생체공학회[DOI]
  38. Mohan, L., "Conduct Disorder" (2019), StatPearls Publishing
  39. Monastra, V. J., "Assessing attention deficit hyperactivity disorder via quantitative electroencephalography : an initial validation study", Neuropsychology, 13, pp.424~433 (1993)
  40. Ozturk, T., "Automated detection of COVID-19 cases using deep neural networks with X-ray images", Comput. Biol. Med, 121 (2020)[DOI]
  41. Parashar, A., "Machine Learning Based Framework for Classification of Children with ADHD and Healthy Controls", Intelligent Automation & Soft Computing, 28(3), pp.669~682 (2021)
  42. Pereda, E., "The blessing of dimensionality : Feature selection outperforms functional connectivitybased feature transformation to classify ADHD subjects from EEG patterns of phase synchronization", PLoS ONE, 13(8), pp.1~24 (2018)
  43. Poil, S. S., "Age dependent electroencephalographic changes in attention-deficit", hyperactivity disorder(ADHD), 2014, pp.125(8), 1626~1638
  44. Polanczyk, G., "The worldwide prevalence of ADHD : A systematic review and meta regression analysis", American Journal of Psychiatry, 164(6), pp.942~948 (2007)
  45. Shu Lih Oh, M. K., "Classification of heart sound signals using a novel deep WaveNet model" (2020)[DOI]
  46. Simon, V., "Prevalence and correlates of adult attention-deficit hyperactivity disorder : meta-analysis", British Journal of Psychiatry, 194(3), pp.204~211 (2009)
  47. Snyder, S. M., "A meta-analysis of quantitative EEG power associated with attention-deficit hyperactivity disorder", J Clin Neurophysiol, 23, pp.440~455 (2006)
  48. Snyder, S. M., "Blinded, multi-center validation of EEG and rating scales in identifying ADHD within a clinical sample", Psychiatry Res, 159, pp.346~358 (2008)
  49. Stone, M., "An Asymptotic Equivalence of Choice of Model by Cross-Validation and Akaike's Criterion", Journal of the Royal Statistical Society: Series B (Methodological), 39(1), pp.44~47 (1977)
  50. Thapar, A., "Attention deficit hyperactivity disorder", The Lancet, 387, pp.1240~1250 (2016)
  51. Tor, H. T., "Automated Detection of Conduct Disorder and Attention Deficit Hyperactivity Disorder using Decomposition and Nonlinear Techniques with EEG Signals", Computer Methods and Programs in Biomedicine, 200(6), pp.1~25 (2021)
  52. Tot, S., "Association of QEEG findings with clinical characteristics of OCD : evidence of left frontotemporal dysfunction", Can J Psychiatry, 47, pp.538~545 (2002)
  53. Vapnik, V., "Section 5.6. Support Vector Machines. The nature of statistical learning theory" (2000), Springer-Verlag New York
  54. Vaswani, Ashish, "Attention is All you Need", NIPS, ~ (2017)

관련 논문AI추천

Automatic Diagnosis of Attention Deficit Hyperactivity Disorder with Continuous Wavelet Transform and Convolutional Neural NetworkAhmet Alkan, Hatice Altun, Sinan Altun대한정신약물학회 · Clinical Psychopharmacology and Neuroscience2022 · 제20권 제4호동공 크기 변화와 결측 정보를 반영한 ADHD 예측 딥러닝 모델: 어텐션 가중치 시각화를 통한 설명 가능성최승윤한국정보교육학회 · 정보교육학회논문지2025 · 제29권 제6호Classifying Children with ADHD Based on Prefrontal Functional Near-infrared Spectroscopy Using Machine LearningBung-Nyun Kim, Chan-Mo Yang, Jaeyoung Shin, Johanna Inhyang Kim, So Hyun Park, You Bin Lim대한정신약물학회 · Clinical Psychopharmacology and Neuroscience2023 · 제21권 제4호아동․청소년 주의력결핍 과잉행동장애 평가에서 (전산화)신경심리검사의 기여도배대석, 이해영한국정서행동장애학회 · 정서·행동장애연구2012 · 제28권 제4호ADHD 아동의 주의력 결함 판별을 위한 웹-기반 신경심리 연구박경, 곽호완, 이수경한국임상심리학회 · Korean Journal of Clinical Psychology2012 · 제31권 제1호정서행동질환의 진단과 치료에서 인공지능의 활용김희진, 노권찬, 배대석, 백민지, 서완석대한생물치료정신의학회 · 생물치료정신의학2024 · 제30권 제1호

이 간행물의 다른 논문 (10건)

자기통제력이 성폭력 피해에 미치는 영향:교도소 남성 수형자를 대상으로임하늘pp. 1-30약물 중독자의 회복과 치유를 위한 민간서비스 비교:한국과 일본의 중독대처를 중심으로차명희pp. 31-55사이코패시 성격특성에 따른 한국 청소년 잠재 프로파일 분석 및 영향요인 탐색:3단계 접근법(3-step)을 통해서종한, 최재란pp. 57-86한국가족의 변화와 가정폭력- 부모와 비독립 성인자녀 간 갈등을 중심으로 -신연희pp. 119-148북유럽국가의 사회내처우 제도에 관한 연구현문정, 권준성, 공정식pp. 149-174
원문 보기