使用EEG信号对儿童ADHD的神经生理学表征：一种面向执行功能网络的机器学习方法

《Sensors》：Neurophysiological Characterization of ADHD in Children Using EEG Signals: A Machine Learning Approach to Executive Function Networks

　　

注意缺陷多动障碍（Attention Deficit Hyperactivity Disorder, ADHD）是一种普遍的神经发育障碍，其临床评估主要依赖于行为学和神经心理学评价。本研究评估了一种基于受试者级（subject-wise）的机器学习框架，利用多通道EEG衍生特征区分ADHD儿童与健康对照者。公共数据集包含121名参与者（61名ADHD患者和60名对照者），采用19通道EEG记录，采样频率为128 Hz。信号被分割为4秒窗口，重叠率为50%，并提取统计和频谱特征，包括均值、标准差以及θ、α和β频带功率。研究人员使用严格的受试者级分离评估了支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）、梯度提升（Gradient Boosting, GB）和逻辑回归（Logistic Regression, LR）。RF取得了最高的准确率（Accuracy, 0.8099）、F₁-score（0.8160）、平衡准确率（Balanced Accuracy, 0.8097）和马修斯相关系数（Matthews Correlation Coefficient, MCC, 0.6204），而SVM获得了最高的灵敏度（Sensitivity, 0.8525）和ROC-AUC（0.8527）。研究人员基于个体α频率（Individual Alpha Frequency, IAF）进行了额外的受试者特异性分析，以考虑个体间频谱变异性；ADHD组的平均IAF值为8.8320 Hz，对照组为8.8833 Hz，个体化频带分析并未改善分类性能。Bootstrap置信区间和非参数检验表明RF、SVM和GB之间的性能相当。额叶和额中央通道，尤其是Fz，显示出最大的模型衍生贡献。总体而言，该框架提供了一种可复现的受试者级EEG分类方法，但在临床应用于独立队列之前仍需进行外部验证。

**研究背景：**注意缺陷多动障碍（Attention Deficit Hyperactivity Disorder, ADHD）是儿童期最常见的神经发育障碍之一，全球患病率约5–7%，其临床评估主要依赖行为评定量表和临床访谈。然而，这种评估方式受临床医生经验和照护者报告影响，存在主观性。脑电图（Electroencephalography, EEG）具有高时间分辨率、低成本和非侵入性等优势，已有研究报道ADHD儿童在θ、α和β频带功率上与健康对照存在差异。然而，现有基于EEG的机器学习研究存在两个主要问题：一是连续EEG分割产生的相关窗口被随机分配到训练与测试集导致信息泄漏，造成性能高估；二是过度关注预测指标而忽视模型输出的生理学解释。此外，固定频带边界无法充分考虑儿童EEG的发育和个体间变异性。为此，研究人员开发并评估了一个在严格受试者级分离条件下、结合通道重要性解释的可复现机器学习框架，旨在探究一组简洁可解释的EEG描述符在泄漏受控方案下能否保留有意义的判别信息。该研究论文发表于《Sensors》。

**关键技术方法（不超过250字）：**研究人员采用的主要技术方法包括：信号预处理（1–45 Hz带通滤波、50 Hz陷波滤波、逐通道Z-score归一化）；4秒滑窗分割（50%重叠）；特征提取（每通道均值、标准差及基于Welch功率谱密度估计的θ/α/β频带功率，共计95维特征向量）；四种分类器（支持向量机SVM-RBF、随机森林RF、梯度提升GB、逻辑回归LR）；采用严格受试者级分离的Stratified Group K-Fold（5折）交叉验证作为主要评估策略，留一受试者法（LOSO）用于生成混淆矩阵；Bootstrap（5000次重采样）置信区间、Friedman检验及Wilcoxon符号秩事后检验；基于随机森林平均杂质减少（MDI）的通道重要性估计；基于个体α频率（IAF）的个体化频带分析。数据源自公开的Kaggle ADHD EEG数据集（121名受试者，61名ADHD和60名对照，DSM-IV诊断标准，19通道国际10–20系统，128 Hz采样率）。

**研究结果：**
**4.1 EEG信号表示与可视化：**通过时域波形、时频图（spectrogram）和基于Pearson相关的功能连接矩阵展示了代表性ADHD受试者的多域EEG特征，作为描述性示例而非定量证据。

**4.2 混淆矩阵分析：**采用LOSO验证，模型正确分类47名对照和51名ADHD受试者，13名对照被误分类为ADHD，10名ADHD被误分类为对照；ADHD组灵敏度为83.61%，对照组特异度为78.33%，表明分类器对两组保持了较为均衡的性能。

**4.3 ROC分析：**SVM获得最高判别能力（ROC-AUC=0.8527），RF性能接近，GB居中，LR最低；所有曲线均高于随机分类对角线，表明各模型均从EEG特征空间中提取了有意义的信息。

**4.4 分类模型比较分析：**RF、SVM和GB的中位准确率介于0.77–0.81之间且四分位距较紧凑，LR中位准确率最低且分布更宽，提示线性分类器难以充分刻画EEG特征空间的非线性结构。

**4.5 空间通道重要性分析：**基于RF-MDI的通道重要性地形图显示，最高贡献集中于额中央头皮区域，Fz贡献最大，其次为F3、Fp1、Fp2和F4。

**4.6 额叶通道重要性定量分析：**额叶通道定量排序显示Fz相对重要性最高，依次为F3、Fp1、F7，而Fp2、F4和F8相对较低。

**4.7 特征空间可视化（t-SNE与UMAP）：**两种非线性降维投影均显示ADHD与对照样本呈部分分离趋势但存在重叠区域，仅作为探索性定性可视化，不构成类别可分性的统计证据。

**4.8 分类模型比较性能：**RF取得最高准确率（0.8099）、F₁-score（0.8160）、平衡准确率（0.8097）和MCC（0.6204）；SVM取得最高灵敏度（0.8525）和ROC-AUC（0.8527）。Bootstrap 95%置信区间显示RF、SVM和GB之间大幅重叠；Friedman检验显示整体差异显著（χ2=12.60，p=0.0056），Wilcoxon事后检验表明RF与LR（p=0.0431）、SVM与LR（p=0.0431）之间差异显著，而RF、SVM、GB两两之间无统计学显著差异。

**4.9 个体化频带分析：**ADHD组平均IAF为8.8320 Hz，对照组为8.8833 Hz；采用个体化IAF定义θ/α/β频带后，各模型分类性能均未改善（SVM准确率从0.7769降至0.7438，RF从0.8099降至0.7273，GB下降0.0661，LR下降0.0165），表明个体化频带虽改变了频谱表征但未带来分类优势。

**4.10 计算成本分析：**GB平均训练时间最高（31.5860 s），LR最低（0.2738 s）；推断时间方面GB最低（2.6547 ms/受试者），RF最高（162.4704 ms/受试者）；所有模型均可在亚秒级内完成受试者级预测，表明分类阶段的计算需求适合离线EEG分析。

**讨论与结论：**讨论指出，非线性分类器在统计上性能相当且优于线性LR模型；额叶/额中央电极的贡献优势与既往文献中这些区域参与注意和执行功能调控的观点一致，但通道重要性不等同于皮层激活的直接证据。受试者级验证有效防止了信息泄漏，但仍属内部验证，需在独立多中心队列中进行外部验证。研究局限包括特征集相对简单、单一数据集、未采用ICA等高级伪迹去除方法。研究结论表明：基于EEG的统计与频谱特征包含可区分ADHD与健康对照的判别信息；RF、SVM和GB在受试者级验证下性能统计相当，LR性能显著较低；额叶/额中央通道（尤其Fz）贡献最大；个体化IAF频带未带来分类性能提升；该框架目前应视为研究导向方法而非临床验证的诊断系统，外部验证、跨采集场景的可复现性评估和前瞻性临床研究仍是未来转化的必要条件。