基于实时活动与心率变异性特征挖掘的注意缺陷多动障碍智能诊断模型研究

来自多机构的研究团队针对注意缺陷多动障碍（ADHD）诊断中实时运动活动与心率变异性（HRV）多模态数据融合的难题，开发了基于直方图梯度提升（Histogram-based Gradient Boosting）的智能诊断模型。该研究通过十折交叉验证达到99.12%的准确率与0.9995的AUC值，为ADHD的精准筛查提供了自动化解决方案，显著提升诊断效能与临床转化潜力。

　　

通过智能健康监测技术诊断注意缺陷多动障碍（Attention-Deficit Hyperactivity Disorder, ADHD）的研究，提出了一种基于实时活动数据和心率变异性（Heart Rate Variability, HRV）分析的梯度提升模型解决方案。ADHD作为一种常见的慢性心理健康疾病，持续影响着数百万青少年的心理与生理健康。实现早期识别和精准诊断对有效治疗及降低疾病负面影响具有关键意义。

研究方法采用直方图梯度提升分类器（Histogram-based Gradient Boosting Classifier），通过处理实时活动与HRV数据实现ADHD的自动诊断。具体流程包括从原始数据中提取12个关键特征，并借助极端随机树模型（Extra Tree Model）进行特征重要性筛选。评估过程中对比了多种提升算法，包括轻量梯度提升机（Light Gradient Boosting Machine, LGBM）、极端梯度提升（eXtreme Gradient Boosting, XGBoost）、梯度提升（Gradient Boosting）以及自适应提升（Adaptive Boosting, AdaBoost）。

实验结果显示，基于直方图梯度提升的模型在十折交叉验证中综合表现最优，准确率达99.12%，F1分数为99.12%，灵敏度达99.13%。此外，该模型特异性为99.1%，曲线下面积（AUC）为0.9995，错误发现率（FDR）低至0.88%，表明其在ADHD自动诊断任务中具备极高的判别效能与可靠性。

本研究结论指出，将实时活动监测与HRV分析整合于诊断流程，可大幅提升ADHD评估的准确性与效率，有助于实现更早、更可靠的诊断决策，从而改善患者预后并推动个性化治疗策略的发展。

关键词：ADHD、实时活动（real-time activity）、心率变异性（heart rate variability）、机器学习（machine learning）、直方图梯度提升（histogram-based gradient boosting）、智能医疗（smart healthcare）。