ADHD诊断数据集-103名儿童多动症患者活动与心率变异性特征数据含788维特征提取与CPT持续注意力测试标签支持机器学习辅助诊断与分类研究

# ADHD诊断数据集-103名儿童多动症患者活动与心率变异性特征数据含788维特征提取与CPT持续注意力测试标签支持机器学习辅助诊断与分类研究

## 引言与背景

注意力缺陷多动障碍（ADHD）是一种常见的儿童神经发育障碍，主要表现为注意力不集中、多动和冲动行为。早期准确诊断对于制定有效的干预方案至关重要。本数据集收集了103名儿童患者的综合评估数据，包括活动监测数据、心率变异性（HRV）分析以及持续注意力测试（CPT-II）结果，旨在为ADHD的客观诊断提供多模态数据支持。数据集包含788个自动提取的特征维度，涵盖时域、频域和非线性HRV指标，以及丰富的活动行为特征，可支持机器学习模型训练和儿童精神疾病辅助诊断研究。

## 数据基本信息

### 数据字段说明表

| 字段名称 | 字段类型 | 字段含义 | 数据示例 | 完整性 |
|---------|---------|---------|---------|--------|
| ID | 整数 | 患者唯一标识符 | 1, 2, 3... | 100% |
| SEX | 整数 | 性别（0=女，1=男） | 0, 1 | 100% |
| AGE | 整数 | 年龄等级（1=1-2岁，2=3-4岁，3=5-6岁，4=7岁以上） | 1, 2, 3, 4 | 100% |
| ADHD | 整数 | ADHD诊断标签（0=阴性，1=阳性） | 0, 1 | 100% |
| ADD | 整数 | ADD诊断标签（注意力缺陷障碍） | 0, 1 | 100% |
| ACC | 整数 | 活动数据可用性（0=不可用，1=可用） | 0, 1 | 100% |
| HRV | 整数 | 心率变异数据可用性 | 0, 1 | 100% |
| CPT_II | 整数 | CPT测试完成状态 | 0, 1 | 100% |
| BIPOLAR | 整数 | 双相情感障碍诊断 | 0, 1 | 100% |
| ANXIETY | 整数 | 焦虑症诊断 | 0, 1 | 100% |
| SUBSTANCE | 整数 | 物质使用障碍诊断 | 0, 1 | 100% |
| 特征字段（788个） | 浮点数 | 从活动数据和HRV提取的特征 | 多样 | 部分缺失 |

### ADHD诊断分布表

| 诊断类型 | 记录数量 | 占比 | 累计占比 |
|---------|---------|------|---------|
| ADHD阳性 | 51 | 49.5% | 49.5% |
| ADHD阴性 | 52 | 50.5% | 100.0% |

### 性别分布表

| 性别 | 记录数量 | 占比 | 累计占比 |
|------|---------|------|---------|
| 男性 | 53 | 51.5% | 51.5% |
| 女性 | 50 | 48.5% | 100.0% |

### 年龄分布表

| 年龄等级 | 年龄范围 | 记录数量 | 占比 | 累计占比 |
|---------|---------|---------|------|---------|
| 1级 | 1-2岁 | 28 | 27.2% | 27.2% |
| 2级 | 3-4岁 | 29 | 28.2% | 55.4% |
| 3级 | 5-6岁 | 30 | 29.1% | 84.5% |
| 4级 | 7岁以上 | 16 | 15.5% | 100.0% |

### 伴随诊断分布表

| 诊断类型 | 记录数量 | 占比 |
|---------|---------|------|
| ADD阳性 | 23 | 22.3% |
| 双相情感障碍 | - | - |
| 焦虑症 | - | - |
| 物质使用障碍 | - | - |

### 数据规模汇总

| 数据类型 | 数量 |
|---------|------|
| 患者总数 | 103人 |
| 活动数据文件 | 85个CSV文件 |
| 心率变异数据文件 | 80个CSV文件 |
| 特征提取记录数 | 116条 |
| CPT持续注意力测试记录 | 99条 |
| 特征维度 | 788个 |

## 数据优势

| 优势特征 | 具体表现 | 应用价值 |
|---------|---------|---------|
| 多模态数据融合 | 整合活动监测、HRV分析和CPT测试三种数据类型 | 支持综合诊断模型的构建，提高诊断准确率 |
| 高维特征提取 | 从原始数据中自动提取788个特征维度 | 捕获细微的行为和生理模式，支持深度学习 |
| 完整诊断标签 | 包含ADHD、ADD等多种诊断标签 | 可用于分类模型训练和验证 |
| 丰富的临床信息 | 涵盖年龄、性别、伴随诊断等多维度信息 | 支持亚组分析和个性化诊断 |
| 原始数据完整保存 | 活动数据和HRV数据以CSV格式完整保存 | 允许研究者重新提取特征或使用其他特征工程方法 |
| 标准化测试数据 | CPT-II测试结果包含完整试次数据 | 可分析注意力各维度的具体表现 |

## 数据样例

### 元数据样例（patient_info.csv）

ID;SEX;AGE;ADHD;ADD;ACC;HRV;CPT_II;BIPOLAR;ANXIETY;...
1;0;3;1;1;1;1;1;1;0;...
2;0;4;1;0;1;0;1;1;0;...
3;1;2;1;1;1;1;1;1;0;...

### 活动特征样例（features.csv）

features.csv包含788个特征字段，主要包括：

- 时域特征：均值、标准差、方差、最大值、最小值、峰度、偏度等
- 频域特征：功率谱密度分析各频段能量分布
- 非线性特征：样本熵、近似熵、分形维数等
- 对称性特征：多尺度对称性分析

示例字段前缀：ACC__variance_larger_than_standard_deviation, ACC__mean_abs_change, ACC__sample_entropy, HRV__等

### CPT测试样例（CPT_II_ConnersContinuousPerformanceTest.csv）

每条记录包含：

- Assessment Duration: 测试持续时间（约840秒）
- Trial1-Trial900+: 每个试次的反应时间和按键响应
- Response编码：-1表示无反应，0-15表示不同按键

## 应用场景

### 儿童多动症辅助诊断系统

基于本数据集构建的机器学习模型可辅助临床医生进行ADHD诊断。模型可综合分析患者的活动模式、心率变异特征和持续注意力测试表现，提供客观的诊断建议。这种多模态融合方法比单一指标更具诊断效力，可有效减少主观评估带来的偏差。在实际应用中，系统可作为初筛工具，帮助识别需要进一步专业评估的儿童，从而优化医疗资源配置。

### 注意力缺陷亚型分类研究

本数据集包含CPT测试的完整试次数据，可用于分析ADHD不同亚型（注意力不集中型、多动-冲动型、混合型）的特征表现差异。研究人员可提取各亚型在持续注意力、反应抑制、警觉性等方面的具体指标，建立亚型分类模型。这对于制定个性化干预方案具有重要价值，不同亚型可能需要不同的治疗策略和行为矫正方法。

### 生理指标与行为关联分析

活动监测数据和心率变异数据的结合为研究生理指标与行为表现之间的关系提供了独特机会。研究者可探索HRV指标（如LF/HF比值）与注意力表现的相关性，分析自主神经系统在ADHD发病机制中的作用。这类研究有助于揭示ADHD的神经生物学基础，为开发基于生理反馈的干预手段（如生物反馈训练）提供科学依据。

### 纵向追踪与疗效评估

虽然本数据集主要反映横断面数据，但可作为纵向研究的基础数据集。结合后续随访数据，可评估干预措施的效果，识别预测治疗响应的生物标志物。机器学习模型可预测个体对不同治疗方案的反应，指导临床决策。这种精准医学方法有望提高ADHD治疗的成功率，减少无效治疗带来的时间和资源浪费。

## 结尾

本ADHD诊断数据集为儿童注意力缺陷多动障碍的研究和辅助诊断提供了宝贵的多模态数据资源。数据集整合了活动监测、心率变异分析和持续注意力测试三种数据类型，包含788个自动提取的特征维度和103名患者的完整评估信息。数据集的核心优势在于多模态融合、高维特征提取和完整的临床诊断标签，为构建准确的诊断模型奠定了坚实基础。该数据集特别适用于儿童精神疾病辅助诊断、注意力缺陷亚型分类、生理行为关联分析等领域的研究。有需要可私信获取更多信息。