earticle

영어

Attention-Deficit/Hyperactivity Disorder (ADHD) is one of the most common neurodevelopmental disorders diagnosed in children and adolescents. While previous studies have explored using devices such as EEG or MRI to enhance diagnostic objectivity, such methods are limited in accessibility. To address this, this study proposes a deep learning model that predicts ADHD using pupil size dynamics obtained through eye tracking. Since pupil size time series frequently contain missing values, the proposed model is based on LSTM and Transformer encoders, explicitly incorporating missing-value information while capturing both local and global temporal patterns. Furthermore, attention pooling weights are visualized to provide interpretability by identifying the time segments most relevant to ADHD classification. Experimental results demonstrated that the proposed model achieved superior performance (AUC = 0.846), highlighting its potential as an auxiliary diagnostic tool.

한국어

주의력결핍 과잉행동장애(Attention-Deficit/Hyperactivity Disorder, ADHD)는 아동 및 청소년기에 가장 흔히 진단되는 신경발달장애로, 보건의료뿐만 아니라 교육 분야에서도 조기 진단과 치료의 중요성이 커지고 있다. 보다 객관적인 ADHD 진단을 위하여 EEG나 MRI 등을 이용한 연구가 선행되었지만, 이러한 장비는 접근성 측면에서 한계가 있다. 이에 본 연구에서는 접근성이 상대적으로 높은 안구 추적을 통해 측정되는 동공 크기 변화 데이터를 기반으로 ADHD를 예측하는 딥러닝 모델을 제안하였다. 동공 크기 데이터는 눈 깜빡임 등으로 결측치가 포함될 수 있는데 이는 모델의 예측 성능이 저하되는 원인이 되기도 한다. 이에 본 연구는 LSTM과 트랜스포머 인코더 기반으로 결측치 정보를 학습에 반영하고, 지역적·전역적 패턴을 함께 학습하도록 모델을 설계하였다. 또한 어텐션 가중치 시각화를 통해 ADHD 분류에 기여한 주요 시점을 확인함으로써 모델의 해석 가능성을 확보하였다. 모델 검증 결과, 제안된 모델은 우수한 예측 성능을 보여 (AUC 0.846), 학교 및 상담 현장에서 보조 진단 도구로의 활 용 가능성을 확인하였다.