The electroencephalogram (EEG) is an informative neuroimaging tool for studying attention-deficit/hyperactivity disorder (ADHD); one main goal is to characterize the EEG of children with ADHD. In this study, we employed the power spectrum, complexity and bicoherence, biomarker candidates for identifying ADHD children in a machine learning approach, to characterize resting-state EEG (rsEEG). We built support vector machine classifiers using a single type of feature, all features from a method (relative spectral power, spectral power ratio, complexity or bicoherence), or all features from all four methods. We evaluated effectiveness and performance of the classifiers using the permutation test and the area under the receiver operating characteristic curve (AUC). We analyzed the rsEEG from 50 ADHD children and 58 age-matched controls. The results show that though spectral features can be used to build a convincing model, the prediction accuracy of the model was unfortunately unstable. Bicoherence features had significant between-group differences, but classifier performance was sensitive to brain region used. rsEEG complexity of ADHD children was significantly lower than controls and may be a suitable biomarker candidate. Through a machine learning approach, 14 features from various brain regions using different methods were selected; the classifier based on these features had an AUC of 0.9158 and an accuracy of 84.59%. These findings strongly suggest that the combination of rsEEG characteristics obtained by various methods may be a tool for identifying ADHD.

Το ηλεκτροεγκεφαλογράφημα (EEG) είναι ένα πληροφοριακό εργαλείο νευροαπεικόνισης για τη μελέτη της διαταραχής ελλειμματικής προσοχής/υπερκινητικότητας (ADHD). ένας βασικός στόχος είναι ο χαρακτηρισμός του ΗΕΓ παιδιών με ΔΕΠΥ. Σε αυτή τη μελέτη, χρησιμοποιήσαμε το φάσμα ισχύος, την πολυπλοκότητα και τη διπλή συνοχή, υποψηφίους βιοδείκτες για την αναγνώριση παιδιών με ΔΕΠΥ σε μια προσέγγιση μηχανικής μάθησης, για να χαρακτηρίσουμε το ΗΕΓ σε κατάσταση ηρεμίας (rsEEG). Κατασκευάσαμε ταξινομητές μηχανών διανυσμάτων υποστήριξης χρησιμοποιώντας έναν μόνο τύπο χαρακτηριστικών, όλα τα χαρακτηριστικά από μια μέθοδο (σχετική φασματική ισχύς, λόγος φασματικής ισχύος, πολυπλοκότητα ή δισυνοχή) ή όλα τα χαρακτηριστικά και από τις τέσσερις μεθόδους. Αξιολογήσαμε την αποτελεσματικότητα και την απόδοση των ταξινομητών χρησιμοποιώντας τη δοκιμή μετάθεσης και την περιοχή κάτω από τη χαρακτηριστική καμπύλη λειτουργίας του δέκτη (AUC). Αναλύσαμε το rsEEG από 50 παιδιά με ΔΕΠΥ και 58 μάρτυρες που ταιριάζουν με την ηλικία. Τα αποτελέσματα δείχνουν ότι αν και τα φασματικά χαρακτηριστικά μπορούν να χρησιμοποιηθούν για τη δημιουργία ενός πειστικού μοντέλου, η ακρίβεια πρόβλεψης του μοντέλου ήταν δυστυχώς ασταθής. Τα χαρακτηριστικά διπλής συνοχής είχαν σημαντικές διαφορές μεταξύ των ομάδων, αλλά η απόδοση του ταξινομητή ήταν ευαίσθητη στην περιοχή του εγκεφάλου που χρησιμοποιήθηκε. Η πολυπλοκότητα του rsEEG των παιδιών με ΔΕΠΥ ήταν σημαντικά χαμηλότερη από τους ελέγχους και μπορεί να είναι κατάλληλος υποψήφιος βιοδείκτης. Μέσω μιας προσέγγισης μηχανικής μάθησης, επιλέχθηκαν 14 χαρακτηριστικά από διάφορες περιοχές του εγκεφάλου χρησιμοποιώντας διαφορετικές μεθόδους. ο ταξινομητής με βάση αυτά τα χαρακτηριστικά είχε AUC 0,9158 και ακρίβεια 84,59%.Αυτά τα ευρήματα υποδηλώνουν έντονα ότι ο συνδυασμός χαρακτηριστικών rsEEG που λαμβάνεται με διάφορες μεθόδους μπορεί να είναι ένα εργαλείο για τον εντοπισμό της ΔΕΠΥ.