基于智能座椅负载细胞运动分析的ADHD客观诊断新方法：性别与年龄因素的影响研究

本研究针对注意力缺陷多动障碍(ADHD)诊断依赖主观评估的临床痛点，开发了一种基于智能座椅负载细胞(load cell)的运动轨迹量化技术。研究人员通过模拟课堂环境，采集30名ADHD患儿与30名对照组的平均轨迹长度(ATL)数据，结合SNAP-IV量表验证，构建出准确率达90.67%的决策树分类模型。该研究首次实现ADHD的客观量化诊断，为临床评估提供了创新性工具。

　　

在儿童神经发育障碍领域，注意力缺陷多动障碍(ADHD)的诊断长期面临主观评估的困境。当前临床主要依赖《精神障碍诊断与统计手册》第五版(DSM-5)标准和家长教师问卷，但Swanson、Nolan和Pelham(SNAP)量表等工具存在观察者偏差风险。尤其令人担忧的是，不同环境下的行为评估差异可能导致误诊率高达20%，而性别差异（男女比例3:1）和亚型分布（ADHD-C/ADHD-I）更增加了诊断复杂性。

国立高雄科技大学信息管理系联合义守大学的研究团队在《Journal of Neurodevelopmental Disorders》发表突破性成果。该团队创新性地将工程技术与临床需求结合，开发出基于四维负载细胞的智能座椅系统，通过量化坐姿运动轨迹实现ADHD客观诊断。研究构建模拟课堂环境，采集60名8岁儿童（含30名ADHD患者）观看数学教育视频时的重心移动数据，结合机器学习算法建立诊断模型。

关键技术包括：1）DECENT DS-928DS负载细胞构建的智能座椅系统（采样率5样本/秒）；2）重心轨迹算法计算平均轨迹长度(ATL)；3）10折交叉验证的决策树分类器；4）SNAP-IV量表临床验证。样本来自高雄医科大学医院伦理审查批准的8±1.8岁队列（含14男16女ADHD患者）。

【研究结果】

患者特征：ADHD组ATL值(0.0378±0.0191)显著高于对照组(0.0157±0.0119)(p<0.0001)，且ADHD-C亚型ATL(0.0445)显著高于ADHD-I(0.0215)(p=0.0008)。

性别差异：男性ADHD患者ATL(0.0443±0.0100)显著高于女性(0.0303±0.0228)(p=0.0432)，印证临床男性高发病率现象。

模型效能：引入性别变量后，决策树模型准确率提升至90.67%（AUC 91.06%），特异性达89%，显著优于传统量表评估。

【结论与意义】

该研究首次证实负载细胞技术可客观区分ADHD亚型，其ATL指标与SNAP-IV量表呈显著相关性（父母评分33.14±13.75，教师评分30.95±14.32）。智能座椅系统通过捕捉重心移动轨迹（如图2所示），解决了视频分析中的隐私问题，为ADHD诊断提供可量化、可重复的工程学方案。特别值得注意的是，该系统对ADHD-C（混合型）识别灵敏度达92.33%，填补了现有诊断工具对多动症状量化不足的空白。

研究同时揭示性别与亚型对运动特征的影响机制：男性ADHD-C患者呈现典型"高ATL模式"(0.0451±0.0321)，而女性ADHD-I患者则接近正常阈值(0.0215±0.0079)。这一发现为理解ADHD神经发育差异提供了新视角，也为个性化诊疗方案制定奠定技术基础。未来研究需扩大样本量并引入真实课堂干扰因素，以进一步提升模型的临床适用性。