融合社会经济背景与多模态 EEG 数据以改进 ADHD 风险筛查

基于摘要分析。研究针对注意缺陷多动障碍（ADHD）风险筛查，将 EEG 的时间动态、时频模式与社会经济背景共同建模，探索环境信息能否补充神经生理信号。其目标是风险筛查概念验证，而非临床诊断，也不是 BCI 控制任务。 方法包含三路处理：一维卷积与循环网络提取 EEG 时间动态，带空间及通道注意力的二维卷积网络处理时频模式，前馈网络处理社会经济信息，再通过注意力机制融合。研究使用 Cognitive Electrophysiology in Socioeconomic Context 数据集，在四项认知任务中开展五折分层交叉验证、消融及与先进 EEG 分类模型的基准比较；具体特征构造、训练细节及对照配置尚未验证。 作者报告，在片段级交叉验证下，多模态模型相对 EEG-only 基线在四项任务中的 Accuracy 改善为 2.1–5.9%，Sensitivity 增益最高为 12.2%，正类 F1 为 96.4–99.8%；摘要未明确前两类增益是相对百分比还是百分点。片段级结果不能直接视为对新被试的泛化表现。 在跨被试 Leave-One-Subject-Out Cross-Validation 中，作者报告四项任务的 EEG-only Accuracy 为 0.86–0.91，多模态模型为 0.92–0.96；多模态模型的 Sensitivity 为 0.71–0.96、Specificity 为 0.95–1.00。不过，各任务配对预测的 McNemar 检验均未达显著，因而数值优势仍需进一步验证。作者还报告，未经修改的 EEG 主干在独立儿童数据集上取得 80.4% 的被试独立 Accuracy，并优于既有基准；该结果仅涉及 EEG 主干，不能作为完整多模态模型的跨数据集验证。 标签来自经验证的自报告筛查量表，而非临床诊断。社会经济变量的编码、被试规模与人群构成、片段级划分的被试隔离方式、预处理及调参边界、消融结果和统计细节均需查阅全文核对；目前不足以推导临床适用性或社会经济因素的因果作用。