Kan bevegelser avdekke ADHD?

Hensikten med denne oppgaven er å undersøke om det er mulig å skille testpersoner med og uten ADHD ved hjelp av metoder fra kybernetikken, basert på et sett med data samlet inn fra et dataspill. En rekke egenskaper blir trukket ut av datasettet og benyttet til klassifisering. Klassifisering blir foretatt ved hjelp av en lineær diskriminantmetode, flerlags perceptronnettverk og en Parzen-Window metode. Det beste klassifiseringsresultatet ble oppnådd mellom klassene ADHD-PI og Kontroll av flerlags perceptronnettverk. Resultatet som ble oppnådd var en spesifisitet for ADHD-PI på 0,78 og en sensitivitet for Kontrollgruppen på 0,67. For lineær diskriminantanalyse var resultatet for denne klassekombinasjonen en spesifisitet for ADHD-PI på 0,71 og en sensitivitet for Kontrollgruppen på 0,7. Egenskapen middelverdi, tid mellom klikk var representert i egenskapskombinasjonen som ga dette resultatet. Egenskapen middelverdi, tid mellom klikk utgjør det optimale subsettet av egenskaper. For klassekombinasjonen ADHD-C og Kontroll ble det beste resultatet oppnåd ved lineær diskriminantanalyse med egenskapene 3,6,8,9 og 15. Spesifisieten for ADHD-C er 0,77 og sensitiviteten for Kontrollgruppen er på 0,62. Klassekombinasjonen ADHD-C og ADHD-PI hadde de laveste klassifiseringsresultatene. Det beste resultatet for denne klassekombinasjonen ble oppnådd med Parzen-Window-teknikken, som ga en spesifisitet for ADHD-C på 0,47 og en spesifisitet for ADHD-PI på 0,76. Ved bruk av lineær diskriminantanalyse lykkes det til en viss grad å skille mellom de to ADHD-variantene og Kontrollgruppen