注意力缺陷/多动障碍（ADHD）是一种常见的儿童期神经发育障碍，症状主要为注意力不集中、多动和冲动行为，可能对学习和社交产生长期负面影响。目前，ADHD 的诊断主要依赖于行为观察和主观评分，这种方法存在诊断延迟和误诊率高的问题。因此，开发一种客观、高效的早期诊断方法显得尤为重要。本文的核心内容是探索如何通过融合多任务神经生理数据来提高ADHD的检测准确率。研究招募了49名ADHD儿童和32名典型发育儿童，年龄在6至12岁之间。实验中使用虚拟现实（VR）技术，开发了一个模拟虚拟教室的环境，并设计了三种不同难度的任务（视觉CPT、听觉CPT和视觉+听觉CPT），以评估儿童在任务执行过程中的注意力表现。在任务执行过程中，同时采集了脑电图（EEG）、眼动（EM）、头部旋转（HR）以及任务表现（TP）数据。通过这些多任务设计，研究旨在更全面地评估儿童在不同条件下的大脑资源调动情况。研究使用了t检验对各个特征进行统计分析，以确定其在区分ADHD儿童和典型发育儿童中的重要性。然后，采用深度神经网络（DNN）方法对数据进行分类，并比较了单模态数据和多模态数据融合的分类效果。结果显示，多任务神经生理数据的融合显著提高了ADHD的检测准确率，表明通过结合多种神经生理数据，可以更全面地捕捉ADHD的特征，从而提高诊断的准确性。此外，研究还发现，在视觉CPT中，典型发育儿童在有无干扰的情况下任务表现相似，而ADHD儿童在有干扰时表现更差。这表明ADHD儿童在复杂任务中更容易超出其大脑资源的限制，不同任务类型对儿童注意力的影响存在差异。综上所述，本研究结果表明，多任务神经生理数据的融合可以为 ADHD 的早期诊断提供重要支持。
早期诊断和治疗对于减轻 ADHD 症状、改善患者的生活质量具有关键作用。近年来，随着神经生理学和人工智能技术的发展，研究者开始探索利用多模态数据来辅助 ADHD 的诊断。这些方法通过分析儿童在特定任务中的神经生理反应，为诊断提供了更客观的依据。本研究旨在通过融合多任务神经生理数据，设计不同难度的任务，利用深度神经网络（DNN）模型，更全面地评估儿童在任务执行过程中的大脑资源调动情况，进一步提高 ADHD 的检测准确率，从而为 ADHD 的早期诊断提供更有力的支持。
共有 81 名 6 至 12 岁的儿童参与了本研究。其中，49名被诊断为 ADHD患者（平均年龄 = 7.4 ± 1.6；22 名男孩），32名为正常发育儿童（平均年龄 = 8.0 ± 1.5；16 名男孩）。
本研究通过虚拟现实连续性能测试（CPT）任务，探究受试者的注意力表现。参与者佩戴HTC 头盔，在实验过程中持续注视前方黑板上出现的数字。这些数字范围从0到9，并以2秒的刺激间隔随机出现。参与者被指示在看到数字顺序出现时（即‘0’之后出现‘1’时）做出反应（GO条件），否则需要抑制反应（NOGO 条件）。GO 和 NOGO 刺激随机出现。此外，25 次试验（12次GO刺激和13次 NOGO 刺激）包括各种与任务无关的听觉和视觉干扰。出现干扰事件的实验被标记为D试验，而没有任何干扰的试验则被标记为ND试验。在本研究中，根据干扰类型的不同，主要包括了视觉CPT、听觉CPT和视觉+听觉CPT三种任务形式。
受试者使用 HTC Vive TM 控制器完成任务。除了测试任务外，HTC Vive TM 头盔还提供有关受试者头部旋转（HR）和眼动（EM）的信息。此外，六个 EEG 通道（Af3、Af4、Af7、Af8、Fp1 和 Fp2）与 HTC Vive 集成，并以 512Hz 的采样率记录任务期间的脑电活动。
（1）特征提取
任务表现（TP）：在TP数据中，将主动准确率、被动准确率和反应时间作为特征。实验中存在有三种 CPT 任务和三种条件（干扰、无干扰和整体平均）。
脑电图（EEG）：首先对 EEG 数据进行带通滤波（2-56 Hz），以去除电源线干扰和头部运动伪迹。将处理后的 EEG 数据通过快速傅里叶变换转换到频域，然后将每个通道的频谱密度按预定义的五个频率带（δ（1-3 Hz）、θ（4-7 Hz）、α（8-14 Hz）、β（15-24 Hz）和 γ（25-48 Hz））进行平均。对每个频率带，计算每个通道在相应条件下的最大值、最小值、平均值和方差。
眼动（EM）：使用 HTC Vive TM 内置的眼动追踪设备收集眼动数据。该系统对数据进行预处理，并报告诸如注视点坐标、瞳孔位置、瞳孔直径以及左眼和右眼的开合信息等数据。这些数据作为眼动（EM）特征。
头部旋转（HR）：头部旋转幅度被认为是评估受试者注意力的一个重要特征。任务期间的 HR 由 HTC Vive TM 计算。
（2）统计分析
对提取的 TP、EEG、EM 和 HR 特征数据使用 t 检验，分析各个特征在区分 ADHD 儿童和典型发育儿童中的显著性，筛选出在统计上显著的特征，减少特征维度，提高后续分类模型的效率和准确性。提取的剩余特征数量分别为 TP 27 个、EEG 180 个、EM 99 个和 HR 9 个（总共 315 个特征）。
（3）深度神经网络模型
采用深度神经网络（DNN）方法进行 ADHD 评估分类。DNN 模型的基本结构包括三个连接层：输入层、隐藏层和输出层（见图 1）。为了适应不同数据集的复杂性，作者系统地调整了模态特定 DNN 模型的超参数，以实现最佳分类准确率，包括隐藏层的数量和神经元的数量。设计递减的节点旨在减少特征抽象和复杂性，同时保留关键特征。所有隐藏层均使用ReLU激活函数。对于所有输出层，由于其适用于二分类问题，因此使用了 Sigmoid 激活函数。具体来说，TP 数据集使用了 2 个隐藏层，神经元数量分别为 128 和 32。HR数据集有 3 个隐藏层，神经元数量分别为 64、32 和 8。EM数据集使用了7层神经网络结构，神经元数量分别为 1024、512、256、128、32、16 和 4。对于 EEG 数据集，首先，通过处理一个包含 8 个隐藏层的 DNN 模型（神经元数量分别为 512、512、256、128、128、32、16 和 4）来测试每个通道的重要性。然后，所有 6 个通道的EEG数据作为一个整体输入到一个包含 6 个隐藏层的 DNN 模型（神经元数量分别为 1024、1024、512、512、256 和 128）。
图1. DNN模型的架构
（4）融合模型架构
在获得了不同模态的特征后，实现了两种融合模型：早期融合和晚期融合（见图 2）。在早期融合中，EEG、EM 和 HR 被合并为一个特征集，用于训练预测模型。由于数据集值的范围不同，使用了 min-max 归一化方法对特征进行重新缩放（见图 2 左侧）。在晚期融合中，所有不同的特征分别使用 DNN 模型进行处理，以获得重要的 DNN 模型参数。最后隐藏层的数据特定加权因子被提取作为特征表示。这些提取的特征被合并为融合模型的输入，用于训练（见图 2 右侧）。
图2. 基于DNN的早期（左）和晚期（右）融合模型的架构
（1）任务表现
表 1 总结了两组的基于任务的表现。首先，检查了干扰对组内影响，并将显著值用灰色突出显示。对于视觉 CPT，在典型发育儿童中，D 试验和 ND 试验的任务表现没有差异，但在 ADHD 儿童中，D 试验的遗漏错误显著高于 ND 试验。对于听觉 CPT，当存在干扰时，两组的正确检测率显著降低，遗漏错误显著增加。关于视觉和听觉 CPT，干扰仅在典型发育儿童中降低了任务表现（正确检测率、反应时间和遗漏错误），而在 ADHD 儿童中，D 试验和 ND 试验的任务表现相似。在视觉和听觉 CPT 中，ADHD 儿童的反应时间在两组之间存在显著差异。此外，在无干扰试验和有干扰试验中，所有三种 CPT 的正确检测率、遗漏错误和错误反应在两组之间均存在显著差异。
表1. 行为结果任务表现
（2）个体特征的统计检验
使用 t 检验对每个个体特征的组间差异进行统计检验，表 2 总结了结果。可以看到，在经过多重比较校正后，TP、EM、HR 和 EEG 中分别有 22、39、8 和 34 个特征被统计识别为重要特征。TP、EM、HR 和 EEG 中重要特征与总特征的比例分别为 61%、40%、89% 和 3.1%。
表2. 模态特异性显著特征
（3）单模态数据集的分类结果
表 3 列出了使用不同分类器的模态特定的分类结果。通过 DNN 使用 TP 或 HR 数据可以获得最佳性能，其次是使用 HR 的 LGB。当使用 XGB 时，使用 FP1 EEG 数据可以获得最佳准确率 76%。使用 HR 数据时，SVM 的最佳性能为 74%。此外，与其他 EEG 通道相比，FP1 在 4 个分类器中的 3 个中表现优于其他通道。因此，选择 FP1 作为进一步研究的代表性通道。
表3. 每个数据集的分类结果
（4）融合模型的分类结果
为了验证多任务神经生理数据的融合是否可以提高分离率，使用 DNN 测试了不同模型的组合。表 4 列出了融合结果。当使用 2 个、3 个和 4 个神经生理数据集进行融合时，融合模型的准确率分别为 83%、84% 和 89%。为了检验更多特征是否总是导致更高的准确率，作者测试了融合所有可能特征（即所有通道的 EEG 特征）的情况，准确率下降到了 75%（见表 4）。
表4. 融合模型的分类结果
本文开发了一个基于 DNN架构， 使用多任务神经生理数据（EEG、EM、HR 和 TP）的融合模型，以增强对健ADHD患者的检测。在本研究中，设计了三种不同难度（视觉干扰、听觉干扰、视觉+听觉干扰）的任务，以操纵受试者在任务表现期间所调动的大脑资源水平。分析结果证实，多任务神经生理数据的融合，可以将 ADHD 检测准确率提高到 89%，而单一数据集的最高准确率仅为 81%。研究结果表明，来自多种任务的不同神经生理模型可以提供有助于 ADHD 筛查的重要信息，提高识别ADHD 患者的准确率。总之，基于 DNN 的多任务融合模型，为 ADHD 患者的早期临床诊断和管理提供了一种更高效、更准确的替代方法。
扫码添加微信
