融合频谱、功能连接与拓扑特征的被试级ADHD脑电分类框架

medRxiv · 2026-10-11 · 预印本

• 一句话结论：研究提出一种被试级脑电分类框架，融合频谱特征、基于加权相位滞后指数（wPLI）的功能连接与持续同调拓扑描述符，用于注意缺陷多动障碍（ADHD）分类；在121例受试者中，支持向量机（SVM）取得最高分类性能，消融分析提示三类特征具有互补性；该结果为预印本，证据档位为C。
• 研究设计与做法：研究为方法学开发与验证性分析，纳入121例受试者的脑电记录，经预处理后分割为重叠时间窗提取特征，并将窗级特征聚合为被试级表征；从初始1043个描述符中经递归特征消除（RFE）选出110个最具信息量的特征；采用分层五折交叉验证评估SVM、随机森林、XGBoost、CatBoost与多层感知机五种分类器，并进行消融研究。
• 主要结果：SVM分类性能最高：准确率80.17%、F1分数80.95%、平衡准确率80.14%、ROC-AUC 86.72%、PR-AUC 87.34%；消融研究显示三类特征联合使用持续优于单一特征域；可解释性分析（SHAP与LIME）提示功能连接特征对分类贡献最大。摘要未报告置信区间与p值。
• 机制或解释：作者解释频谱、功能连接与拓扑特征从不同层面刻画脑功能组织，具有互补性，因此联合建模优于单域特征；可解释性分析进一步将功能连接特征识别为主要贡献者。该解释属方法学层面的推断。
• 局限与边界：研究为预印本，未经同行评议；摘要未报告受试者来源、ADHD诊断标准与分组比例、是否单中心、外部验证队列、随访及利益冲突，均标注为材料未报告。分类性能基于交叉验证，尚缺乏独立外部验证，向临床辅助诊断外推需谨慎。
• 可否落地：对科研而言，该框架提示多域脑电特征融合可能提升ADHD被试级分类性能，属“提示”档位，尚不足以作为临床诊断工具；后续需在独立多中心队列中验证，并评估其相对于现有行为学评估的增量价值与泛化能力。

🔗 打开原文

Rohani F, Mostafavi S, Ebrahimifakhar P 等

本文摘自《每日前沿研究简报 · 2026-10-13》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。