성인 주의력결핍 과잉행동장애(ADHD)는 흔한 정신질환으로서 사회적, 학업적, 직업적 기능에 중대한 영향을 미친다. 그러나 아동기 ADHD에 비해서는 상대적으로 우선순위가 낮게 다루어져 왔다. 본 연구는 언어 유창성 과제에서 기능적 근적외선 분광법(fNIRS)을 수행하고, 기계학습(ML) 기법을 함께 적용하여 건강 대조군(N=75)과 ADHD 환자(N=120)를 구별하였다. 고차원 fNIRS 데이터셋에서 효율적인 특성 선택은 정확도를 향상시키는 데 핵심적이다. 이를 해결하기 위해, 래퍼 기반 접근과 내재형 접근을 결합한 하이브리드 특성 선택 방법인 Bayesian-Tuned Ridge RFECV (BTR-RFECV)를 제안한다. 제안된 방법은 고차원 데이터에서 특성 선택과 하이퍼파라미터 튜닝을 간소화함으로써, 특성의 수를 줄이면서 정확도를 향상시켰다. 전두 및 측두 영역을 결합한 HbO 특성이 핵심이었으며, 모델은 정밀도(89.89%), 재현율(89.74%), F-1 점수(89.66%), 정확도(89.74%), MCC(78.36%), GDR(88.45%)를 달성하였다. 본 연구의 결과는 임상 환경에서 진단 도구로서 fNIRS와 ML의 결합 가능성이 유망함을 시사하며, 수작업 개입을 유의미하게 줄일 수 있는 경로를 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.