در این مطالعه‌ی نوآورانه که در سال 2024 منتشر شده، روشی جدید برای تشخیص اختلال نقص توجه/بیش‌فعالی (ADHD) در بزرگسالان ارائه شده است که از ترکیب تحلیل سیگنال EEG و تکنیک‌های deep learning (DL) بهره می‌برد. این رویکرد تلاش می‌کند بر محدودیت‌های روش‌های تشخیصی رایج مبتنی بر ارزیابی رفتاری غلبه کند؛ محدودیت‌هایی که اغلب منجر به تشخیص نادرست و سوگیری جنسیتی می‌شوند.

در این تحقیق، از یک دیتاست عمومی EEG استفاده شده است. داده‌های EEG در وضعیت استراحت از سه کانال کلیدی Fp1(frontopolar)، P3(parietal) و O2(occipital) استخراج شدند و با استفاده از spectrogram  به فضای زمان–فرکانس تبدیل گردیدند. سپس این  spectrogramها به یک ساختار ResNet-18 convolutional neural network (CNN)  داده شدند تا ویژگی‌های مغزی مؤثر در تشخیص ADHD به‌طور خودکار شناسایی شوند.

نتایج

مدل پیشنهادی توانست به دقت (precision) و بازخوانی (recall) بالا و نمره F1 برابر با 0.90 دست پیدا کند.

تحلیل ویژگی‌ها نشان داد که نواحی frontopolar، parietal و occipital مغز بیشترین اهمیت را در افتراق بیماران ADHD از افراد سالم دارند.

این یافته‌ها منجر به طراحی یک سیستم دیجیتال سه‌مرحله‌ای برای غربالگری ADHD شد که از نظر هزینه مقرون‌به‌صرفه بوده و قابلیت اجرای آسان در محیط‌هایی مانند مدارس را دارد.

کاربرد بالینی

سیستم می‌تواند ابزار مفیدی برای شناسایی سریع‌تر و دقیق‌تر دانش‌آموزان در معرض ADHD باشد و امکان ارائه حمایت‌های آموزشی و درمانی به‌موقع را فراهم کند. برخلاف روش‌های سنتی، این مدل تنها با استفاده از چند کانال EEG و بدون نیاز به ارزیابی رفتاری گسترده، عملکرد بالینی مناسبی ارائه می‌دهد.

این مطالعه نشان می‌دهد که ترکیب تحلیل EEG و الگوریتم‌های یادگیری عمیق می‌تواند مسیر جدیدی برای تشخیص دقیق، سریع و مقیاس‌پذیر ADHD در بزرگسالان و کودکان باز کند و جایگزینی قوی برای روش‌های سنتی فراهم آورد.

منبع

Pappula, M. et al. (2024). An ADHD Diagnostic Interface Based on EEG Spectrograms and Deep Learning Techniques. arXiv:2404.09493