ADHDeepNet：基于原始 EEG 信号检测 ADHD 的可解释框架

基于摘要分析。该研究针对注意缺陷多动障碍（ADHD）的 EEG 辅助检测，提出从原始信号进行分类的 ADHDeepNet，将时空特征表征、注意力模块与可解释性分析结合，用于区分 ADHD 与健康对照（HC）。其主要研究对象是 ADHD 检测，而非 BCI 控制或域适应算法。 方法方面，ADHDeepNet 整合特征提取与特征细化过程。摘要描述了嵌套交叉验证：外层采用 10 折跨被试验证，每次迭代以内部 2 折交叉验证优化超参数；随后使用不同标准差和增强倍数的 Additive Gaussian Noise（AGN，加性高斯噪声）进行数据增强。具体网络结构、注意力实现、噪声参数，以及增强与数据划分的操作顺序尚未验证。 作者报告，在包含 121 名参与者（61 名 ADHD、60 名健康对照）的数据集上，按上述验证框架获得 100% sensitivity 和 99.17% Accuracy。摘要未明确指标按信号片段还是按被试汇总，需结合全文核对；对照基线、各折波动、置信区间、消融及独立外部验证信息尚未验证，不能仅凭这组结果判断其泛化能力或临床可用性。 可解释性方面，作者分析主要层的学习权重与激活模式，以识别与 ADHD 检测相关的脑区和频段，并使用 t-SNE 展示高维数据。此类分析可帮助观察模型表征，但不应直接等同于疾病机制证据或经临床验证的生物标志物。复现时还需核对 EEG 采集与预处理、通道及频段设置、被试划分、超参数选择、被试级预测汇总规则和代码可用性。