Pediatric ADHD Classification from Source-Localized EEG via Multi-Modal Graph Construction Pipeline = 소아 ADHD 분류를 위한 뇌파 신호원 국소화와 다중 특성 기반 그래프 구성 파이프라인 및 그에 대한 분석

다국어 초록 (Multilingual Abstract)

Attention-deficit/hyperactivity disorder (ADHD) is typically diagnosed in childhood based on clinical interviews and behavioral assessments, motivating research into physiologic evidence-based approaches, utilizing neuroimaging techniques like electroencephalogram (EEG). However, scalp EEG is confounded by volume conduction and provides limited anatomical interpretability. In this work, we present a baseline pipeline that combines EEG source localization with multi-modal graph construction for pediatric ADHD classification. Using an age-matched pediatric MRI template, we estimated source-level activity and built region-of-interest (ROI) connectivity graphs across five frequency bands. Edge attributes were computed from weighted phase lag index (wPLI) and lagged coherence and were further assessed via ablation, and node attributes included time-domain representations extracted from raw EEG via an LSTM module and power spectral density.

Under strict subject-wise cross-validation, the proposed pipeline achieved, the best performance of AUROC 0.805 and PRAUC 0.850, although variability across folds remained, indicating limited robustness in the current setting. To understand these outcomes, we conducted various post-hoc analyses of the constructed graphs. Post-hoc analyses suggested that topology-level summaries tended to attenuate group differences, whereas focusing on task-relevant ROI subsets and interaction-oriented features revealed more meaningful group-level structure. Based on these findings, we summarize key limitations and provide practical future-work directions for improving robustness, anatomical validity of source estimates, and feature design in source-localized EEG graph learning for pediatric ADHD.

국문 초록 (Abstract)

주의력결핍 과잉행동장애(ADHD)는 주로 아동기에 임상 면담과 행동 평가에 기반하여 진단되며, 이에 따라 뇌파(EEG)와 같은 신경영상 기법을 활용한 생리학적 근거 기반 진단 보조 접근에 대한 연구가 요구된다. 그러나 EEG는 체적전도(volume conduction)의 영향을 크게 받으며 해부학적 해석 가능성이 제한적이다. 본 연구에서는 소아 ADHD 분류를 위해 EEG 신호원 국소화와 멀티모달 그래프 구성을 결합한 베이스라인 파이프라인을 제시한다. 연령을 맞춘 소아 MRI 템플릿을 사용하여 신호원 수준의 뇌활동을 추정하고, 5개 주파수 대역에서 관심영역(ROI) 간 연결성 그래프를 구성하였다. 변(edge) 속성은 가중 위상 지연 지수(weighted phase lag index, wPLI)와 지연 코히어런스(lagged coherence)로 산출하였으며, 변 기여도는 ablation 실험을 통해 평가하였다. 노드 속성에는 원시 EEG로부터 LSTM 모듈을 통해 추출한 시간영역 표현과 전력 스펙트럼 밀도 (power spectral density)를 포함하였다.

엄격한 subject-wise 교차검증 조건에서 제안한 파이프라인은 최고 성능으로 AUROC 0.805, PRAUC 0.850을 달성하였으나, 폴드 간 성능 변동이 관찰되어 현재 설정에서의 강건성이 제한적임을 시사한다. 이러한 결과를 해석하기 위해 구성된 그래프에 대한 다양한 사후(post-hoc) 분석을 수행하였다. 분석 결과, 토폴로지 수준의 요약 지표는 집단 간 차이를 약화시키는 경향이 있었던 반면, 과제와 관련된 ROI 하위집합 및 상호작용 중심의 특징에 초점을 맞출 경우 보다 의미 있는 집단 수준 구조가 관찰되었다. 마지막으로 본 연구는 소스 추정의 해부학적 타당성, 모델 강건성, 그리고 특징 설계의 개선을 위한 핵심 한계와 실용적 향후 연구 방향을 제시한다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1 Research background 1
• A) Current ADHD diagnosis 1
• B) EEG 2
• 1.2 Previous studies 3
• A) QEEG 3
• B) Machine learning and deep learning 3
• 1.3 Contribution 6
• Chapter 2. Methodology 9
• 2.1 Proposed model 9
• A) Dataset recording & preprocessing 9
• B) EEG source localization 11
• C) Graph construction 12
• C.1) Node features 12
• C.2) Edge features 13
• D) Classification 14
• 2.2 Experiment specification 17
• A) Input presentation 17
• B) Time-domain feature extraction LSTM module 17
• C) Node and edge attributes fusion 18
• D) Attention-based graph classifier 19
• E) Training & evaluation 20
• Chapter 3. Result 21
• 3.1 Evaluation metric 21
• 3.2 Experimental result 23
• A) Proposed model performance 23
• B) Baseline comparison 25
• 3.3 Feature ablation study 28
• 3.4 Connectivity feature analysis 28
• A) Local-region 28
• B) Whole-brain 29
• 3.5 Exploratory analysis 30
• A) Subnetwork cross-frequency coupling analysis 30
• Chapter 4. Discussion 32
• 4.1 Key findings 32
• 4.2 Limitations 33
• 4.3 Future work 35
• Reference 36
• 논문요약 40