近日，挪威科技大学的研究团队在《2025年IEEE医学与生物学工程学会年会》上发布了一项重要研究成果：通过脑电图（EEG）分析大脑注意力相关神经特征，并结合机器学习技术，成功实现对注意力缺陷多动障碍（ADHD）的高准确率诊断。这一突破有望改变当前ADHD诊断依赖主观评估的现状，为ADHD、焦虑症等注意力相关疾病提供客观、精准的诊断工具，同时为脑机接口（BCI）在该领域的临床应用奠定基础。
注意力是人类认知功能的核心，而注意力调节异常是ADHD的典型特征。长期以来，ADHD的诊断主要依赖临床访谈、行为观察和患者自我报告，主观性强、结果一致性差，导致许多患者面临诊断延迟或误判，进而影响治疗时机。
数据显示，ADHD确诊患者从首次就医到最终确诊平均耗时13个月，部分患者确诊后还需等待4周才能启动药物治疗，诊断与治疗的滞后性成为困扰患者的重要问题。此外，还有大量存在注意力困难、冲动等症状的人群因缺乏客观诊断依据，未能获得正式确诊和有效干预。
为解决这一痛点，挪威科技大学脑控制论实验室的研究团队开展了针对性研究。研究共招募31名大学生志愿者，包括8名确诊ADHD患者和23名无ADHD症状的对照者，另有部分自我怀疑ADHD但未确诊的参与者。团队采用32通道EEG设备采集参与者的脑电信号，同时让参与者完成一项名为“Go/No-Go”的注意力测试任务——需对屏幕上出现的字母快速做出反应，忽略特定目标字母“X”，以此评估持续注意力和冲动控制能力。
实验流程包含3分钟睁眼静息态、5分钟任务态和3分钟闭眼静息态三个阶段，全程同步记录脑电数据、反应时间及错误类型等信息。数据分析聚焦于大脑theta（4-7.5Hz）、alpha（8-12Hz）和beta（13-25Hz）三个关键频率波段，重点计算theta波与beta波的比值（TBR）这一核心指标。
Go/No-Go任务期间θ波、β波和α波的相对波段功率及组间差异的地形图。©IEEE
研究发现，ADHD患者在额叶、颞叶、枕叶等脑区表现出显著更高的theta波功率和持续升高的TBR值，且脑电活动的变异性远大于健康对照组，这一特征与ADHD患者注意力不稳定的临床表现高度吻合。
另外，团队采用K近邻（KNN）、支持向量机（SVM）等多种机器学习算法对ADHD患者和健康人群分类。结果显示，KNN模型表现最为出色，尤其是利用顶叶与枕叶脑区的TBR数据时，分类准确率高达100%；即使采用额叶与顶叶的脑电特征，也实现了94%的准确率、100%的精确率和94%的F1分数，所有ADHD患者均被正确识别。平均反应时间、错误响应等行为数据进一步验证了这一发现。
值得关注的是，研究团队还将训练好的模型应用于未确诊参与者，发现部分参与者的TBR特征与确诊ADHD患者高度相似，被模型稳定归类为ADHD潜在人群。这意味着该技术有望成为识别未确诊患者的有效工具，帮助更多有需求的人实现早期发现和干预。
研究人员表示，当前ADHD诊断的主观性是制约治疗效果的关键瓶颈，而EEG捕捉到的脑电特征具有客观性和稳定性，结合机器学习后，能够精准识别ADHD患者的神经特异性标记。TBR作为核心诊断指标，不仅能有效区分ADHD患者与健康人群，还为后续治疗提供了明确的靶点。
该研究的另一重要价值在于为脑机接口的临床应用开辟了新路径。研究团队表示，未来将基于这一发现，开发针对ADHD患者的脑机接口-神经反馈系统，通过定制化的视听反馈、注意力训练游戏、冥想引导等干预手段，帮助患者主动调节异常脑区的活动，改善注意力和情绪调节能力。
这项研究将EEG的生理测量优势与机器学习的数据分析能力有机结合，突破了传统诊断方法的局限，为注意力相关疾病的诊断带来了范式革新。随着技术的不断完善，有望在临床实践中广泛应用，为全球数千万ADHD患者带来更精准、更及时的诊断与治疗方案，推动神经精神疾病诊断向客观化、智能化方向发展。
https://doi.org/10.1109/EMBC58623.2025.11252840
1.本文资讯内容、图片来自网络，详情可参考文末链接，如有侵权请告知删除。2.本公众号分享的医疗资讯仅供参考，不应被视为医疗建议。在做出任何与健康相关的决定或治疗计划之前，务必咨询合格的医疗专业人员。本文所呈现的信息基于当前的研究和专家观点，随着新证据的出现，这些信息可能会有所变化。
