3D ADHD-Net 与 DeepTrace：结合神经生理学洞见从 EEG 解码 ADHD

基于摘要分析。该研究面向儿童注意缺陷多动障碍（ADHD）的 EEG 辅助评估，针对数据泄漏与缺乏生理依据的可解释性问题，提出拓扑感知时空模型 3D ADHD-Net 和解释框架 DeepTrace。其贡献是将保留头皮空间几何的建模、被试独立评估与电极空间归因结合起来，而非验证 BCI 控制任务。 机制方面，3D ADHD-Net 将原始 EEG 投影到网格，以保留头皮电极几何关系并建模时空信息；摘要将其与既有 1D、2D 方法对照，但未提供具体网络结构或网格构造细节。DeepTrace 使用 balanced sign-aligned ensemble Spearman correlation，将潜在表征中的诊断信息追溯至输入电极空间。该相关性计算的具体定义、集成方式及归因稳定性尚未验证。 评估方面，作者报告在一个公开儿童 EEG 数据集上进行严格的被试独立（Cross-subject）5 折交叉验证，数据包括 61 名 ADHD 儿童和 60 名对照。作者报告平均 Accuracy 为 84.23%，按折平均的 ROC–AUC 为 91.20%，并在相同评估条件下显著优于复现基线（p<0.05）。作者还报告，复现基线在该严格协议下出现明显性能下降，且其流程明确防范 epoch 层级、预处理及优化过程中的泄漏；具体划分、预处理拟合范围、调参流程、基线配置与统计检验方法仍需全文核对。 解释方面，作者报告 DeepTrace 识别出一致的额—中央区低激活特征，并通过表型诱导与恢复扰动实验进行因果验证，将其解释为模型依赖已有神经生理标志物、而非梯度归因伪影的证据。摘要不足以判断扰动的生理合理性，以及这种模型层面的验证能否支持临床因果结论。数据集名称、消融、完整统计信息及复现资源尚未验证；现有材料也不能将数据集内的被试独立结果扩展为 Cross-dataset 或临床部署有效性的证据。