基于脑电信号的可解释EEGNet模型用于注意力缺陷多动障碍的自动检测

《Psychiatry Research: Neuroimaging》：Automated attention-deficit hyperactivity disorder detection using an explainable EEGNet model based on electroencephalogram signals

　　

• 开发一种新的可解释诊断框架，用于注意力缺陷/多动障碍（ADHD）检测。• 使用EEGNet模型从原始EEG信号中提取时空模式。• 整合显著性图和SHAP值，解码模型的决策逻辑。• 识别Fp1、Fp2、C3、T5和A2通道中的关键电生理生物标志物。

引言

注意力缺陷/多动障碍（ADHD）是一种异质性的神经发育障碍，以严重的注意力不集中、多动和冲动水平为特征（?ztoprak等，2017，Garcia-Argibay等，2023）。全球范围内，估计约有5–10%的儿童和2–5%的成人受影响（Khare和Acharya，2023），更具特异性的荟萃分析将患病率估计为儿童约2.2%，成人约2.8%（Maniruzzaman等，2023）。该障碍在男性中更为常见（Maniruzzaman等，2023），表现为注意力和冲动控制方面的核心缺陷（Garcia-Argibay等，2023，Yeh等，2020）。根据有影响力的模型，行为抑制的核心弱点是ADHD的驱动力（Mueller等，2011），破坏了参与、工作记忆和监控等心理操作（Mueller等，2011，Yasumura等，2020）。长期来看，约60%的患儿面临终身的学业或职业挑战，该状况还与哮喘、抑郁和焦虑等健康问题密切相关（Altun等，2022，Tistarelli等，2020，Maniruzzaman等，2022）。ADHD的发展由非典型神经系统功能和产前环境风险驱动（Attallah，2024），这使得早期检测对于预防共病障碍和学业失败至关重要（Alsharif等，2024，Altinkaynak等，2020，Maniruzzaman等，2022）。现代临床评估依赖于《精神障碍诊断与统计手册》第5版（DSM-5）和《国际疾病分类》第11版（ICD-11）指南，通过专家临床访谈和行为量表进行评估（Yeh等，2020，Esas和Latifo?lu，2023，Parashar等，2021，Ortu?o-Miró等，2023）。然而，尽管这些方法是金标准，但它们面临主观偏见和缺乏客观生物标志物的障碍（Alkahtani等，2023，Abibullaev和An，2012），导致高误诊率（Abibullaev和An，2012）。其他障碍包括标准的弱时间稳定性（Bledsoe等，2020）以及对定性观察而非直接神经连接的依赖（Vahid等，2019，Das和Khanna，2021）。最终，ADHD的高度异质性以及其与自闭症等障碍的重叠往往导致漏诊或假阳性（Garcia-Argibay等，2023，Parashar等，2021，Ortu?o-Miró等，2023），促使研究人员越来越依赖脑成像中的自动化特征来提供客观分类（Ghasemi等，2022）。为了了解ADHD等神经发育障碍如何与神经系统相互作用，科学家依赖各种工具，包括脑磁图（MEG）、正电子发射断层扫描（PET）、磁共振成像（MRI）、功能性磁共振成像（fMRI）和脑电图（EEG）（Hoseini等，2025）。

尽管准确的ADHD诊断始终具有挑战性，但机器学习现在能够促进自动化特征的提取和脑图像的自动特征处理（Kim等，2023，Zou等，2017）。EEG对于通过记录神经元电压波动来映射大脑功能动力学尤为宝贵（Dubreuil-Vall等，2020，Chauhan和Choi，2023）。鉴于这些信号提供了认知技能的窗口，基于EEG的ADHD识别具有重大潜力（Alchalabi等，2018）。与MEG、MRI或PET相比，EEG具有显著优势，因为它更具成本效益、便携且对运动具有耐受性（Sanchis等，2024，TaghiBeyglou等，2022）。这使得研究人员即使在多动儿童日常活动中也能捕获无伪影数据（TaghiBeyglou等，2022），为神经科学和脑机接口提供关键数据（Esas和Latifo?lu，2023）。该研究领域起源于Jasper等（1938）的研究，他们注意到低频脑波增加（Goldman和Rosenberg，1962）。后来，Lubar（1973）证明ADHD涉及慢theta波增加和快beta波减少（Lubar，1991），这一模式目前被量化为theta-to-beta比值（TBR）（Chen等，2019，Alim和Imtiaz，2023）。除了基本节律外，通过相干性和加权相位滞后指数追踪功能连接是识别ADHD与健康组之间差异的流行方法（Mafi和Radfar，2022，Chen等，2020）。尽管有这些标志物，原始EEG的复杂性排除了视觉临床诊断（Atila等，2023）。这些信号中海量的信息密度需要机器学习进行有效处理（Alchalabi等，2018）。由于ADHD的表现各异，迫切需要个性化、多变量EEG特征档案（Chen等，2019）。开放数据共享现在提供了广泛数据集的访问权限（Itani等，2018），为高级数据挖掘和诊断竞赛铺平了道路（Itani等，2019）。因此，本研究利用Two-Decades Brainclinics数据库（TDBRAIN）临床生命跨度数据库（van Dijk等，2022），探索信号到图像的转换以适配视觉架构，并通过EEGNet进行直接原始处理。然而，该领域仍面临挑战，因为传统非线性特征提取往往缺乏处理复杂现实世界EEG数据的灵活性（Khare等，2022）。

自动化诊断框架随着高级计算智能的集成已显著发展。例如，深度学习方法能够处理整个数据集并自动提取最佳特征，从而消除了对复杂手动特征筛选过程的需要（Wang等，2022）。利用多样化的实验条件，研究人员实现了可变但令人鼓舞的分类率。近期文献还强调了专门为自动化儿科诊断设计的高度专业化架构网络。在一项专注于相位空间重构脑信号在区分ADHD和对照组成人中的实用性的研究中，实验结果表明在睁眼条件下测试准确率峰值为93.3%，在闭眼条件下为90%，在CPT条件下达到了完美的100%（Kaur等，2020）。此外，在通过分心和无分心试验检查儿童分心相关性时，XGBoost分类器以85.45%的最高分离准确率领先，紧随其后的是AdaBoost的83.64%；这些关于神经元异常的洞察对于设计注意力相关障碍的治疗策略至关重要（Chen等，2023）。使用公开数据集开发的LSGP-USFNet方法在检测ADHD方面获得了97.46%的杰出准确率，展示了在更大数据库上进行验证和适应其他儿科神经障碍的强大准备（Khare等，2022）。同样，使用sigmoid核优化的极限学习机（ELM）分类器在提出的VHERS框架中取得了近乎完美的指标，产生了99.95%的准确率、100%的灵敏度、99.89%的特异性、99.9%的Cohen's Kappa、99.91%的精确度、0.999的F1分数、99.9%的MCC和99.95%的曲线下面积（AUC）（Altinkaynak等，2020）。方法学改进，如集成投票和严格的交叉验证，进一步提高了分类性能。比较分析表明，通过投票机制结合实验条件比单独分析个别条件显著提高了分类效果。具体而言，分类不同的临床亚组结果高达100%，而将更广泛的ADHD队列与健康对照区分开来的准确率为82.3%（Tenev等，2014）。在另一个通过5折交叉验证评估的已验证框架中，分段样本分析达到了99.06%的平均训练准确率、97.81%的评估准确率和97.47%的测试准确率，同时基于受试者的测试准确率达到98.48%，在精确度、召回率和F1分数方面均优于历史诊断基准（Moghaddari等，2020）。最后，结合交互技术的替代诊断范式也已出现；严肃游戏架构的初步测试成功以96%的准确率对健康个体的游戏操作类型进行了分类，而扩展的患者测试则以高达98%的准确率（标准不确定度为0.16%）隔离了ADHD个体，在游戏化神经诊断中确立了新的基准（Alchalabi等，2018）。

鉴于传统ADHD评估的内在复杂性和潜在误差，大量研究集中于开发辅助诊断工具，旨在减少评估时间并提高精度（Moghaddari等，2020）。评估大脑功能的定量方法对ADHD的鉴别诊断和新治疗干预的客观评估均具有重要前景（Yasumura等，2020）。尽管现有自动化系统的高准确率，但许多系统作为黑箱运作，缺乏临床采用所需的透明度。在医学诊断中，精确度必须与可解释性相结合；因此，迫切需要可解释人工智能（XAI）技术，如显著性图和Shapley加性解释（SHAP），来阐明模型决策背后的逻辑并识别医生可信赖的特定电生理生物标志物。与这些进展保持一致，本研究的目标是开发一个自动化辅助框架，帮助临床医生有效地区分ADHD个体与健康对照，利用EEG数据。此外，可解释机器学习的效用已从自动化诊断扩展到干预结果的预测评估，其中可解释模型成功识别了适用于ADHD全生命跨度个性化神经反馈治疗反应的临床相关特征（Hoseini和Shalbaf，2025）。近期医疗数据处理方面的进展突出了定制特征选择和专门预处理在多样化诊断领域中的关键作用。关于医疗特征选择的综合综述（Karimi等，2025）和高级元启发式优化，如混沌响群算法（Aliyu等，2025），展示了消除高维属性冗余的必要性。此外，专门预处理范式包括地形边界映射用于伪影抑制（Mughal等，2018）和深度残差网络中的通道聚类策略（Abdzaid等，2026），强调了精细的特征表示如何显著提高复杂医疗数据集上的深度学习分类准确率。

本研究的主要创新在于一种专为直接处理原始时空EEG片段而设计的专用轻量级EEGNet模型，同时高度关注跨生命跨度的ADHD诊断临床可解释性。与以往通常限于儿科队列的研究不同，本研究利用TDBRAIN数据集确保模型在多样化年龄组中的鲁棒性。所提出的方法通过EEGNet直接处理原始EEG信号以捕获复杂的时空模式，其性能与几种最先进的迁移学习模型（包括Swin-T、ConvNeXt和ResNet50）进行比较，这些模型依赖于信号到图像的转换。本研究的一个关键贡献是从黑箱深度学习向XAI的转变；通过采用显著性图和SHAP值，我们解码了模型的决策过程以识别关键电生理生物标志物，特别突出了Fp1、Fp2、C3、T5和A2通道的意义。此外，严格的受试者间评估的实施确保我们的发现反映了向新患者的真正泛化能力，弥合了高性能计算建模与可信赖临床辅助工具之间的差距。

数据部分

本研究使用的数据集是TDBRAIN数据库（van Dijk等，2022）。我们从TDBRAIN数据库中提取并利用了ADHD个体在闭眼静息状态下的EEG数据。该临床生命跨度数据库（5至89岁）包含原始静息状态EEG数据，并辅以从2001年至2021年间收集的来自1274名异质性精神科患者的相关临床和人口统计数据。主要适应症

结果

在本节中，展示了所提出的EEGNet模型获得的结果，并与几种使用EEG信号到图像转换得出的三维图像训练的最先进迁移学习架构（基于卷积和视觉Transformer的模型）进行了比较。所有模型均在94名受试者（47名患者和47名健康个体）上进行了评估。EEGNet模型的结果及其通过可解释AI进行的可解释性

讨论

本研究的主要目标是从传统的主观评估转向客观准确的工具，这通过利用深度神经网络从原始EEG信号中提取复杂时空模式的能力得以实现。以下，对从不同迁移学习架构和专用EEGNet网络中获得的区分患者与健康个体的结果进行回顾和讨论，以提供深入的洞察

结论

本研究通过利用专用轻量级EEGNet模型和TDBRAIN临床生命跨度数据库，成功开发了一个用于ADHD诊断的稳健客观框架。所提出的模型取得了优异结果，通过直接从原始EEG片段学习时空特征，无需手动特征工程或信号到图像转换，达到了89.48%的平均准确率和0.96的AUC。与迁移学习模型（如Swin-T）的比较分析

声明与声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些关系可能已经影响或被视为影响了本文报告的工作。

作者贡献

Ahmad Shalbaf和Reza Hoseini对本研究的所有阶段均做出了同等贡献，从最初的概念化到最终执行。

Shalbaf 博士在研究过程中提供了主要指导和战略方向，而 Reza Hoseini 负责技术数据分析和解释性建模。所有作者均参与了手稿的撰写及学术内容的关键修订。最终版本已经过两位作者的审阅和批准，他们承担了以下职责。

CRediT 作者贡献声明

Reza Hoseini：撰写——审阅与编辑，撰写——初稿，可视化，验证，软件，项目管理，方法论，形式化分析，概念化。

Ahmad Shalbaf：撰写——审阅与编辑，撰写——初稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，形式化分析，数据管理，概念化。

利益冲突声明

作者声明，他们不存在已知的竞争性财务利益或个人关系，这些利益或关系可能被认为会影响本文所述的工作。作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Reza Hoseini，Ahmad Shalbaf（通讯作者）。

致谢

作者感谢德黑兰 Shahid Beheshti 医科大学医学院研究部提供开展本研究所需的财务支持和资源。

Reza Hoseini | Ahmad Shalbaf