Automated ADHD Detection Using Machine Learning, Deep Learning, and Transformer-Based Attention

dc.contributor.authorIZOUNTAR , Mohammed Said
dc.contributor.authorZIET , Salah-eddine
dc.contributor.authorSEMCHEDINE , Moussa Supervisor
dc.contributor.authorBOUHAFS , Amira Co-Supervisor
dc.date.accessioned2026-11-17T08:47:23Z
dc.date.issued2026
dc.description.abstractAutomated diagnosis and subtyping of Attention Deficit Hyperactivity Dis-order (ADHD) face critical computational challenges: multi-site heterogeneity, severe class imbalances, and temporal data leakage. This thesis addresses these limitations by developing and evaluating deep learning, multimodal fusion, and decentralized frameworks using two distinct modalities: 3D structural MRI (3D sMRI) and Electroencephalography (EEG). For 3D sMRI (ADHD-200), a Multimodal Late-Fusion Attention Autoen-coder integrates volumetric scans with 74 tabular phenotypic features to achieve a 62.60% multi-class validation accuracy. Additionally, a hierarchical diag-nostic cascade decouples binary presence screening (62.00% accuracy) from granular subtyping (46.00% accuracy), effectively isolating the complex ADHD-Combined phenotype (0.33 F1-score). To preserve institutional data privacy, a decentralized Federated Learning framework (FedAvg) deployed across 9 clini-cal sites handles non-IID data distribution to yield a robust 58.59% global test accuracy. For EEG functional streams (Shahed University), a patient-strict validation strategy partitioned by unique Subject IDs eliminates row-wise data leakage, ensuring a valid 80.00% patient-level accuracy. Concurrently, a hybrid 1D-CNN-LSTM network effectively models cross-channel topologies and long-range macro-temporal dependencies, reaching a 79.70% frame-level accuracy across 433,277 streaming segments. Ultimately, synthesizing spatial-temporal deep architectures, multimodal phe-notypic late-fusion, and privacy-preserving decentralized networks provides a statistically rigorous, highly generalizable foundation for computer-aided neu-rodevelopmental diagnostics.
dc.description.sponsorshipLe diagnostic automatisé et le sous-typage du trouble déficitaire de l'attention avec hyperactivité (TDAH) se heurtent à des difficultés informatiques majeures : hétérogénéité multisite, déséquilibres importants entre les classes et fuites de données temporelles. Cette thèse s'attaque à ces limites en élaborant et en évaluant des cadres d'apprentissage profond, de fusion multimodale et décentralisés, à l'aide de deux modalités distinctes : l'IRM structurelle 3D (IRM-3D) et l'électroencéphalographie (EEG). Pour l'IRM-3D (TDAH-200), un auto-encodeur d'attention à fusion tardive multimodale intègre des acquisitions volumétriques à 74 caractéristiques phénotypiques tabulaires, atteignant une précision de validation multiclasse de 62,60 %. De plus, une cascade diagnostique hiérarchique dissocie le dépistage binaire de présence (précision de 62,00 %) du sous-typage granulaire (précision de 46,00 %), isolant efficacement le phénotype complexe du TDAH combiné (score F1 de 0,33). Afin de préserver la confidentialité des données institutionnelles, un cadre d'apprentissage fédéré décentralisé (FedAvg), déployé sur 9 sites cliniques, gère la distribution des données non-IID et atteint une précision globale robuste de 58,59 % lors des tests. Pour les flux fonctionnels EEG (Université Shahed), une stratégie de validation stricte par patient, partitionnée par identifiants de sujet uniques, élimine les fuites de données ligne par ligne, garantissant une précision de 80,00 % au niveau du patient. Parallèlement, un réseau hybride 1D-CNN-LSTM modélise efficacement les topologies intercanaux et les dépendances macro-temporelles à long terme, atteignant une précision de 79,70 % au niveau de la trame sur 433 277 segments de flux. En définitive, la synthèse d'architectures profondes spatio-temporelles, d'une fusion tardive phénotypique multimodale et de réseaux décentralisés préservant la confidentialité fournit une base statistiquement rigoureuse et hautement généralisable pour le diagnostic neurodéveloppemental assisté par ordinateur.
dc.identifier.otherMAI/1171
dc.identifier.urihttps://repository.univ-setif.dz/handle/123456789/4324
dc.language.isoen
dc.publisherUnuversity Setif 1 Ferhat Abbas . Faculty of Sciences
dc.subjectAttention Deficit Hyperactivity Disorder (ADHD)
dc.subjectDeep Learning
dc.subjectFederated Learning
dc.subjectMultimodal Data Fusion
dc.subjectElectroencephalography (EEG)
dc.subjectStructural MRI (sMRI)
dc.subjectPrivacy Preservation
dc.titleAutomated ADHD Detection Using Machine Learning, Deep Learning, and Transformer-Based Attention
dc.typeThesis

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
MAI1171.pdf
Size:
389.83 KB
Format:
Adobe Portable Document Format

License bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description: