编辑推荐：
注意缺陷多动障碍（ADHD）诊断面临难题，研究人员提出加权色散熵（WDE）分析脑电图（EEG）。利用公开数据库数据，构建 GRU 分类器。结果显示 GRU 模型诊断 ADHD 准确率达 93.20%，WDE 可确定关键脑区，为 ADHD 诊断提供新方向。
在神经发育领域，注意缺陷多动障碍（Attention Deficit Hyperactivity Disorder，ADHD）就像一颗棘手的 “顽石”，困扰着无数家庭和研究人员。ADHD 是一种常见的神经发育疾病，影响着孩子们的工作记忆、认知灵活性、情绪控制等多个方面。据美国疾病控制与预防中心报告，有超过 610 万 4 到 17 岁的儿童被诊断患有 ADHD ，其日益增长的患病率让人们急切地想要找到更有效的诊断方法。
脑电图（Electroencephalogram，EEG）作为一种研究大脑功能的有力工具，因其具有良好的时间分辨率、成本低、操作简便等优点，成为了揭示 ADHD 患者大脑异常的热门选择。研究发现，ADHD 患者在额叶、顶叶和扣带回皮层等多个脑区的 EEG 特征存在改变，这些脑区与注意力、冲动控制和情绪调节密切相关。然而，想要仅通过少数 EEG 通道实现 ADHD 的区分，确定哪些通道对 ADHD 的识别更敏感，却并非易事，这个问题一直没有得到足够的关注。
传统的 EEG 特征提取方法，如功率谱密度（Power Spectrum Density，PSD）分析不同脑区各种频率的能量分布、研究双侧脑功能不对称性以及观察颞叶相关功能紊乱等，虽然提供了一些有价值的信息，但结果却参差不齐。不同研究关于 PSD 在 ADHD 患者中的变化结论不一，有的认为在某些频段增强，有的则得出相反结论。而且，这些传统方法还存在技术缺陷，比如依赖标准 EEG 特征，无法确定对 ADHD 诊断至关重要的特定脑区；忽视复杂多样的 EEG 模式；未利用深度学习（Deep Learning，DL）模型验证所提出指标在识别关键脑区方面的有效性。
信息论的出现为研究 EEG 信号带来了新的思路，熵作为信息论的核心概念，用于衡量系统的无序或随机性，在量化 EEG 信号复杂性方面发挥了重要作用。近年来，样本熵（Sample Entropy，SampEn）、色散熵（Dispersion Entropy，DispEn）和多尺度样本熵（Multiscale Sample Entropy，MSE）等多种熵算法被用于研究 EEG 的潜在动态。其中，DispEn 相较于其他熵算法有一定优势，它能检查数据分布的离散度，同时考虑离散模式间的顺序关系和值的大小关系，在一定程度上解决了数据记录长度受限的问题。但它也有不足之处，无法辨别每个 EEG 通道对 ADHD 诊断的个体贡献。
为了攻克这些难题，来自多个机构的研究人员展开了深入研究（具体单位未明确提及）。他们提出了一种新的熵矩阵 —— 加权色散熵（Weighted Dispersion Entropy，WDE）。WDE 的独特之处在于，它可以根据 EEG 通道在区分 ADHD 和正常发育（Typically Developing，TD）儿童群体中的重要性，为不同通道赋予不同权重，从而提高分析的准确性和可靠性。研究人员使用了一个公开的数据库，该数据库包含了 61 名 7 - 12 岁 ADHD 儿童和 60 名同年龄段 TD 儿童在认知任务期间收集的 EEG 数据。他们将 WDE 的性能与传统 EEG 特征提取方法（如 PSD 和全局场功率 Global Field Power，GFP）以及现有的熵算法（如 SampEn、DispEn 和 MSE）进行比较，并利用基于门控循环单元（Gated Recurrent Unit，GRU）的分类器，以 WDE 值作为特征参数对 ADHD 进行分类。
在研究方法上，主要包括数据收集和分析两大部分。数据来源于公开的 EEG 数据库，收集自伊朗德黑兰 Roozbeh 医院的心理学和精神病学中心，使用数字设备（SD - C24）采集。分析方法方面，通过计算不同的熵值（WDE、DispEn、MSE、SampEn）和传统 EEG 特征（PSD、GFP），利用 p 值和错误发现率（False Discovery Rate，FDR）分析筛选出有差异的通道，进而构建 GRU 分类器进行 ADHD 分类。
研究结果令人惊喜。首先，WDE 能够确定哪些通道和脑叶在区分 ADHD 和 TD 群体时具有更高的贡献率（权重）。通过比较不同熵算法和传统 EEG 特征在不同通道上的差异，发现 WDE 在这方面具有独特优势。其次，基于 GRU 的分类器在 ADHD 分类上表现出色，准确率达到了 93.20%，受试者工作特征曲线（Receiver Operating Characteristic Curve，ROC）的最高值达到 98%，这表明 WDE 作为特征参数能够有效区分 ADHD 和 TD 儿童。
研究结论表明，WDE 可以用于确定对区分 ADHD 和 TD 儿童群体差异贡献最大的脑通道，并通过 GRU 模型对 ADHD 进行有效分类。这一研究成果意义重大，它为 ADHD 的诊断提供了一种新的潜在生物标志物 ——WDE，有助于更准确地捕捉 EEG 信号的复杂特征，识别出对 ADHD 诊断至关重要的特定脑区，提高了 ADHD 诊断的可信度和实用性，为未来 ADHD 的临床诊断和治疗提供了新的方向和依据。同时，该研究也为神经发育疾病领域的研究提供了新的思路和方法，推动了相关领域的发展。这项研究发表在《Biomedical Signal Processing and Control》杂志上，为该领域的学术研究和临床实践贡献了重要的力量。
