《BMC Biomedical Engineering》：ADHD classification using spherical phase space partitioning and symbolic time series analysis of multi-channel EEG signals
编辑推荐：
注意缺陷多动障碍（Attention Deficit Hyperactivity Disorder, ADHD）是儿童中最常见的神经发育障碍之一，因此早期检测与干预至关重要。在本研究中，研究人员提出了一种新型基于脑电图（Electroencephalogram
注意缺陷多动障碍（Attention Deficit Hyperactivity Disorder, ADHD）是儿童中最常见的神经发育障碍之一，因此早期检测与干预至关重要。在本研究中，研究人员提出了一种新型基于脑电图（Electroencephalogram, EEG）的ADHD分类框架，该框架将先进的非线性信号分析与深度学习方法相整合。EEG记录采集自61名确诊ADHD儿童和60名年龄匹配的健康对照者，受试者在执行视觉注意任务期间，采用依照国际10–20系统放置的19个电极进行记录。预处理流程包括伪迹剔除、独立成分分析（Independent Component Analysis, ICA）和带通滤波。该方法的一项关键创新在于将球面相空间分割与熵优化的符号时间序列分析（Spherical Phase Space Partitioning-based Symbolic Time Series Analysis, SPSP-STSA）相整合，从而能够在多EEG通道上实现可靠且抗噪的特征提取。提取的符号序列随后通过余弦相似度和双向长短期记忆（Bidirectional Long Short-Term Memory, BiLSTM）网络进行分类，该网络可有效建模时间模式以提升诊断准确性。所提出的方法在基于20秒EEG段的窗口分析中取得了高达98%的分类准确率。研究结果凸显了SPSP-STSA与深度学习在推进基于EEG的ADHD诊断方面的潜力，与传统方法相比，该方法具有更强的稳健性和可解释性。
**基于球面相空间分割与符号时间序列分析的多通道脑电信号ADHD分类研究**
**一、研究背景与现存问题**
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，流行病学数据显示约12.1%的男童和3.9%的女童受其影响。由于ADHD通常起病于儿童期，早期识别与干预具有重要临床意义。脑电图（Electroencephalogram, EEG）凭借高时间分辨率、低成本以及可分析广泛脑波频段等优势，成为探究ADHD相关脑功能差异的重要工具。既往研究已发现，与健康对照相比，ADHD患者额区常呈现delta和theta频段绝对或相对功率增高、beta和gamma频段功率降低，theta/beta比值（theta/beta ratio, TBR）异常是其常用评估指标。此外，基于EEG信号的非线性本质，多项研究采用混沌和非线性特征对ADHD进行判别。
然而，既往基于EEG的ADHD分类方法存在若干重要局限。其一，传统线性和频谱分析方法对噪声敏感，难以充分捕捉大脑活动复杂、非线性、高维的本质特征。其二，虽有研究探索非线性与混沌特征，但多数局限于单通道或成对分析，对残余噪声仍较敏感，未能充分利用多通道EEG的多元空间结构。其三，符号时间序列分析（Symbolic Time Series Analysis, STSA）虽可通过将连续信号转化为离散符号序列提升稳健性，但其性能严重依赖相空间分割方案和符号字母表大小的选择；传统分割策略（基于均值、中位数或阈值）往往产生不平衡或信息贫乏的符号分布，削弱了特征的判别能力。其四，多数既有符号或非线性EEG研究依赖静态相似性度量或浅层分类器，无法建模符号序列中丰富的时间依赖关系——而这类关系对刻画ADHD的注意力动态尤为关键。
针对上述问题，本研究提出一种新颖的框架，将基于球面相空间分割的符号时间序列分析（Spherical Phase Space Partitioning-based Symbolic Time Series Analysis, SPSP-STSA）与熵驱动的符号集优化及双向长短期记忆（Bidirectional Long Short-Term Memory, BiLSTM）网络相整合。通过从全部19个EEG通道重建高维相空间、应用最大熵球形分割并将所得符号序列输入BiLSTM，该方法同时应对了噪声敏感性、次优分割、空间覆盖有限以及缺乏时间建模等既往方法存在的缺陷。
**二、研究队列与方法概述**
该研究使用公开EEG数据集，包含61名ADHD儿童（48男13女，平均年龄9.62±1.75岁）和60名健康对照（50男10女，平均年龄9.85±1.77岁）。ADHD由儿童精神科医生依据DSM-IV标准在德黑兰Roozbeh医院确诊，对照组为当地小学招募、确认无精神疾病的儿童。EEG数据在视觉注意任务中采集，受试者需计数20张图片中的人物数量，使用依据国际10–20系统放置的19个电极（Fz、Cz、Pz、C3、T3、C4、T4、Fp1、Fp2、F3、F4、F7、F8、P3、P4、T5、T6、O1、O2）记录，采样率128 Hz，16位分辨率，电极阻抗保持在5 kΩ以下。
**三、关键技术方法**
研究人员采用的主要技术方法包括：（1）预处理流程：人工视觉检查剔除眼动和肌电伪迹、故障通道删除及邻近通道重建、0.5–48 Hz带通FIR滤波、CleanLine插件去除线路噪声、独立成分分析（Independent Component Analysis, ICA）识别并剔除眨眼和肌电成分，随后将信号滤波至delta（0.5–4 Hz）、theta（4–8 Hz）、alpha（8–13 Hz）、beta（13–30 Hz）和低频gamma（30–45 Hz）频段；（2）SPSP方法：将19通道EEG重建为19维相空间状态向量，计算各轨迹点到超球体中心的欧氏距离，依据最大熵分割准则将相空间划分为符号区域，采用熵准则自动确定最优符号数量；（3）分类策略：第一种为基于余弦相似度的静态分类，第二种为BiLSTM网络（两层双向LSTM，分别含128和64个单元，后接dropout正则化、32单元全连接层和sigmoid输出层），使用随机梯度下降优化器、批大小32、最多100轮训练并采用早停策略；（4）验证方案：分层10折交叉验证和留一受试者-out（Leave-One-Subject-Out, LOSO）验证，数据增强包括抖动和时间扭曲，仅应用于训练数据。
**四、研究结果**
**（一）基于余弦相似度的STSA分类性能有限**
研究人员将EEG信号经SPSP方法符号化后，将每个受试者的符号向量与组内其他受试者平均生成的类参考向量进行余弦相似度比较，以最高相似度判定类别。采用全长度数据时平均分类准确率约为42%（数据清理后含47名ADHD受试者和46名对照）；应用于40秒和20秒连续EEG段时，准确率进一步降至31%和18%。结果表明，静态相似性度量本身不足以捕捉EEG信号中固有的时间和非线性动态，尤其在区分ADHD等神经发育障碍时存在明显不足。
**（二）基于BiLSTM的分类性能显著优越**
研究人员将20秒连续EEG段（覆盖全部19个通道）的符号序列输入BiLSTM模型进行训练和分层10折交叉验证。模型在10折交叉验证中取得96%±3%的平均分类准确率（95%置信区间：94–98%），相应的灵敏度、特异性、精确率、F1分数和AUC分别为95%、93%、95%、94%和94%。该结果表明，所提出的BiLSTM模型在区分ADHD儿童与健康对照方面具备高且一致的判别性能。
**（三）输入时长对模型性能的影响**
为探究输入时长的影响，研究人员评估了不同信号长度下BiLSTM模型的性能。当使用未分割的整段EEG记录时，模型性能降至53%；使用40秒连续段时，准确率为71%；相比之下，20秒连续段获得最高总体交叉验证性能，平均准确率为96%±3%。结果提示，20秒EEG段可能在时间信息量和信号稳定性之间提供适当平衡。该准确率反映窗口级分类设定，并非直接等同于受试者级别的临床诊断。
**（四）LOSO验证结果**
为评估受试者级别的泛化能力，研究人员进一步实施了LOSO验证。模型取得93%的准确率，灵敏度92%，特异性92%，F1分数91%，AUC 92%。与10折交叉验证结果相比性能仅有较小下降，支持模型在评估未见受试者时的稳健性。
**五、讨论与结论**
讨论部分指出，研究结果明确支持基于LSTM的方法显著优于静态相似度方法，凸显了深度学习模型显式建模EEG信号时间依赖关系的优势。双向架构使模型能够整合过去和未来时间点的信息，这对捕捉与注意过程相关的EEG时间复杂性至关重要，可揭示传统分析方法常无法检测的ADHD相关细微时间特征。该研究结果与既有利用符号动力学和熵度量区分ADHD的文献一致，但既往研究多限于单通道或成对分析且对噪声敏感；相比之下，SPSP-STSA方法利用全部19个通道重建相空间，能够捕捉可能与ADHD相关神经动力学密切相关的高维空间交互。与使用球面相空间分割和STSA进行ADHD分类的早期研究相比，本研究的进展在于集成双向LSTM深度学习模型以学习符号序列中的时间依赖，从而可能获得更高准确率和泛化能力。讨论同时指出若干局限性：样本量虽与许多既往研究相当或更大但仍有限；所有受试者均为右利手、来自单一地区的学龄儿童，可能限制对更广泛人群的适用性；人工伪迹剔除和通道插值引入一定主观性；研究聚焦二元分类而ADHD本身具有异质性。此外，研究缺乏系统的逐组件消融分析，尚不能独立量化SPSP表征、最大熵分割、符号分辨率、循环架构和数据增强各自的贡献。研究人员明确强调，96%±3%的窗口级分类性能不应被解读为临床诊断或筛查就绪的证据，临床转化需在更大规模、多中心、多样化队列中进行受试者级验证及前瞻性临床测试。
研究结论可概括为：该研究证明，基于SPSP的符号动力学与余弦相似度及LSTM分类相结合，为基于EEG的ADHD诊断提供了一个强大、抗噪且可解释的框架。通过直接应对噪声、非线性与高维性挑战，该方法推进了神经发育障碍研究的方法论和临床前沿，为临床医生在ADHD早期筛查和监测中提供了一种非侵入性、客观的EEG工具，可补充传统行为评估手段。
