Ein multimodaler Datensatz für neurophysiologische und KI-Anwendungen

Warum das wichtig ist für Kinder, die Schwierigkeiten haben, sich zu konzentrieren

Viele Familien, Lehrkräfte und Therapeutinnen und Therapeuten wissen, wie schwer es sein kann einzuschätzen, ob Unruhe oder Tagträumen bei einem Kind zum Alltag gehören oder ein Hinweis auf Aufmerksamkeitsdefizit‑/Hyperaktivitätsstörung (ADHS) sind. Heutige Diagnosen beruhen meist noch auf Interviews und Fragebögen, die von Erinnerung, Erwartungen oder Stress beeinflusst werden können. Diese Studie stellt den BALLADEER‑ADHS‑Datensatz vor: eine große, offene Sammlung von Gehirn‑ und Körpermessungen, die erhoben wurden, während Kinder und Jugendliche aufmerksamkeitsorientierte Spiele spielten. Ziel ist es, Forschenden zu ermöglichen, objektivere Werkzeuge zur Erforschung und Identifikation von ADHS zu entwickeln — und das auf transparente, weltweit teilbare Weise.

Von Verhalten im Klassenzimmer zu Gehirn‑ und Körpersignalen

ADHS betrifft etwa eines von zwanzig Schulkindern und beeinflusst, wie sie Aufmerksamkeit richten, Impulse kontrollieren und Aktivitätsniveau steuern. Da die Symptome mit anderen Zuständen überlappen, ist die Diagnose oft schwierig. In den letzten Jahrzehnten haben Forschende daher zu Hirnaufzeichnungen und anderen Körpersignalen gegriffen, um klarere biologische Hinweise zu finden. Elektrische Aktivität von der Kopfhaut (EEG) kann Muster zeigen, die mit Aufmerksamkeit zusammenhängen; Blickverfolgung zeigt, wohin und wann ein Kind schaut; und Veränderungen in Hautleitfähigkeit und Herzrhythmus spiegeln Stress und Wachheit wider. Die meisten früheren Studien nutzten jedoch kleine, nichtöffentliche Datensätze, die nicht frei überprüfbar oder wiederverwendbar waren. Infolgedessen konnten viele vielversprechende Befunde nicht gründlich getestet oder in zuverlässige Alltagswerkzeuge überführt werden.

Ein reiches, geteiltes Bild von Aufmerksamkeit aufbauen

Das BALLADEER‑Projekt wollte das ändern und sammelte deshalb einen multimodalen Datensatz — also koordinierte Messungen aus mehreren Quellen gleichzeitig. Das Team zeichnete Daten von 164 Kindern und Jugendlichen im Alter von 6 bis 18 Jahren auf, darunter 62 mit einer ADHS‑Diagnose und 102 ohne. Während Sitzungen, die sich über zwei Tage erstreckten, absolvierten die Teilnehmenden eine Reihe bekannter Papier‑und‑Stift‑Tests sowie computerbasierte und Virtual‑Reality‑Aufgaben, die alltägliche Aufmerksamkeitsherausforderungen nachbilden. Während sie spielten und Probleme lösten, zeichneten die Forschenden elektrische Aktivität des Gehirns mit EEG‑Headsets, Augenbewegungen mit einer unter dem Monitor montierten Blickverfolgungsleiste sowie Signale wie Herzfrequenz und Hautleitfähigkeit von einem am Handgelenk getragenen Gerät auf. All dies wurde mit detaillierten Protokollen kombiniert, die Sekunden für Sekunde dokumentieren, was auf dem Bildschirm geschah.

Aufmerksamkeits‑Spiele, die sich mehr wie Spiel als Test anfühlen

Um die Datenerhebung ansprechend und kindgerecht zu gestalten, entwarf das Team spielähnliche Aufgaben. In „Attention Slackline“ beobachten Kinder Flaggen auf zwei Bergen und drücken einen Knopf, wenn die Muster übereinstimmen; dabei werden kontinuierlich ihre Hirnwellen, ihr Blick und ihre Herzsignale aufgezeichnet. In „Attention Robots“ scannen sie Reihen von Cartoon‑Robotern und wählen nur diejenigen mit bestimmten Merkmalen aus, während das System exakt protokolliert, welchen Roboter sie gerade ansehen. Die kommerzielle Plattform CogniFit bietet eine Reihe kurzer Übungen zur Prüfung von Wahrnehmung, Koordination und Problemlösung, und ein Virtual‑Reality‑System namens Nesplora versetzt Kinder in ein simuliertes Klassenzimmer oder Aquarium, um zu messen, wie gut sie Anweisungen inmitten realistischer Ablenkungen befolgen. Zusammen zielen diese Aufgaben darauf ab, anhaltende Aufmerksamkeit, Impulskontrolle und mentale Flexibilität zu erfassen — genau die Fähigkeiten, die bei Menschen mit ADHS oft herausfordernd sind.

Wie die Daten erfasst und organisiert werden

Hinter den Kulissen baute das Forscherteam eine speziell abgestimmte Software‑ und Hardwareinfrastruktur auf, um alle Geräte zu synchronisieren. Ein zentraler, auf Python basierender Server startet und stoppt Aufnahmen auf den EEG‑Headsets und Armbändern genau dann, wenn ein Spielniveau beginnt und endet. Die Spiele senden zeitgestempelte Meldungen, sobald ein Kind reagiert oder ein wichtiges Ereignis auf dem Bildschirm erscheint. Alle Rohsignale und Ereignisprotokolle werden auf einem sicheren Netzlaufwerk in einfachen, weit verbreiteten Formaten (CSV und JSON) gespeichert. Die gemeinsame Struktur enthält Ordner, die nach anonymisierter Nutzer‑ID, Aufgabe, Datum und Gerätetyp beschriftet sind, sowie Dateien, die Alter, Geschlecht und ADHS‑Status der Teilnehmenden beschreiben, ohne persönliche Identitäten preiszugeben. Die Autorinnen und Autoren verzichteten bewusst auf umfangreiche Vorverarbeitung, damit andere Wissenschaftlerinnen und Wissenschaftler eigene Reinigungs‑ und Analysemethoden anwenden können.

Stärken, Einschränkungen und was als Nächstes kommt

Der BALLADEER‑Datensatz zeichnet sich dadurch aus, dass er mehrere gleichzeitig erhobene Messdatentypen in einer relativ großen Gruppe junger Menschen kombiniert und vollständig offen zum Download und zur Analyse zur Verfügung steht. Das macht ihn zu einem wertvollen Prüfstand für neue KI‑Methoden, die Muster im Zusammenhang mit ADHS erkennen wollen, oder für die Entdeckung neuer digitaler „Biomarker“, die klinische Urteile ergänzen könnten. Gleichzeitig nennen die Autorinnen und Autoren dessen Grenzen klar: Die Stichprobe stammt aus einer einzigen Region, ADHS‑Subtypen wurden nicht systematisch gekennzeichnet, und die Größe ist für das Training sehr großer Deep‑Learning‑Modelle noch moderat. Einige Aufnahmen enthalten bewegungsbedingtes Rauschen, und es gibt keinen separaten Ruhezustands‑Abschnitt. Anstatt diese Probleme zu verschweigen, dokumentiert das Team sie, damit Nutzende sorgfältige Analysen planen können.

Was das für Familien und die zukünftige Versorgung bedeutet

Alltäglich gesprochen stellt dieser Datensatz kein Diagnosewerkzeug für einzelne Kinder dar. Er bietet Forschenden vielmehr ein leistungsfähiges, gemeinsames Mikroskop, um zu untersuchen, wie sich Aufmerksamkeitsprobleme im Gehirn, in den Augen und im Körper während realistischer Aufgaben zeigen. Mit der Zeit könnte Arbeit auf Basis von BALLADEER Klinikerinnen und Klinikern helfen, über Checklisten und Bauchgefühl hinauszugehen, indem objektive, datengestützte Maße in das Instrumentarium einfließen. Das könnte zu früherer, genauerer Identifikation von ADHS, besserer Verfolgung des Ansprechens auf Behandlungen und gerechteren Entscheidungen in Schulen und Kliniken führen. Indem spielähnliche Aktivitäten in präzise Messungen verwandelt und diese Daten offen geteilt werden, legt die Studie den Grundstein für eine neue Generation wissenschaftlich fundierter Unterstützung für Kinder, denen das Fokussieren schwerfällt.

Zitation: Trujillo, J., Ferrer-Cascales, R., Teruel, M.A. et al. A Multimodal Dataset for Neurophysiological and AI Applications. Sci Data 13, 436 (2026). https://doi.org/10.1038/s41597-026-06758-7

Schlüsselwörter: ADHS, EEG, Blickverfolgung, physiologische Signale, maschinelles Lernen