Un set di dati multimodale per applicazioni neurofisiologiche e di IA

Perché è importante per i bambini che fanno fatica a prestare attenzione

Molte famiglie, insegnanti e clinici sanno quanto sia difficile capire se l’irrequietezza o il sognare a occhi aperti di un bambino rientrino nella norma oppure siano un segno di Disturbo da Deficit di Attenzione/Iperattività (ADHD). Le diagnosi odierne si basano ancora in gran parte su colloqui e questionari, che possono essere influenzati dalla memoria, dalle aspettative o dallo stress. Questo studio presenta il Dataset BALLADEER sull’ADHD, un’ampia collezione aperta di misurazioni del cervello e del corpo raccolte mentre bambini e adolescenti giocano a compiti che richiedono attenzione. È pensato per aiutare i ricercatori a costruire strumenti più oggettivi per comprendere e identificare l’ADHD — e per farlo in modo trasparente e condivisibile a livello globale.

Dal comportamento in classe ai segnali del cervello e del corpo

L’ADHD interessa circa uno scolaro su venti, influenzando come presta attenzione, controlla gli impulsi e regola il livello di attività. Poiché i suoi sintomi si sovrappongono ad altre condizioni, la diagnosi può essere complessa. Negli ultimi decenni gli scienziati si sono rivolti alle registrazioni cerebrali e ad altri segnali corporei per cercare indizi biologici più chiari. L’attività elettrica del cuoio capelluto (EEG) può rivelare schemi legati all’attenzione; l’eye‑tracking mostra dove e quando un bambino fissa dettagli rilevanti; e variazioni della conduttanza cutanea e del ritmo cardiaco riflettono stress e vigilanza. Tuttavia, la maggior parte degli studi precedenti ha usato dataset piccoli e privati che non potevano essere verificati o riutilizzati liberamente. Di conseguenza, molti risultati promettenti non sono stati testati a fondo né trasformati in strumenti affidabili di uso quotidiano.

Costruire un quadro ricco e condiviso dell’attenzione

Il progetto BALLADEER ha voluto cambiare questo approccio raccogliendo un dataset multimodale — cioè un insieme coordinato di misurazioni provenienti da più sorgenti contemporaneamente. Il team ha registrato dati da 164 bambini e adolescenti di età compresa tra 6 e 18 anni, di cui 62 con diagnosi di ADHD e 102 senza. Durante sessioni distribuite su due giorni, i partecipanti hanno svolto una batteria di test cartacei ben noti oltre a compiti al computer e in realtà virtuale che imitano sfide di attenzione quotidiane. Mentre giocavano e risolvevano problemi, i ricercatori hanno registrato l’attività elettrica del cervello con cuffie EEG, i movimenti oculari tramite una barra di eye‑tracking montata sotto il monitor e segnali come frequenza cardiaca e conduttanza cutanea da un dispositivo da polso. Tutto ciò è stato abbinato a registri dettagliati di quanto accadeva sullo schermo secondo per secondo.

Giochi di attenzione che sembrano più gioco che test

Per rendere la raccolta dei dati coinvolgente e adatta ai bambini, il team ha progettato compiti in forma di gioco. In “Attention Slackline” i bambini guardano delle bandiere su due montagne e premono un pulsante quando i pattern coincidono; le loro onde cerebrali, lo sguardo e i segnali cardiaci vengono registrati in continuo. In “Attention Robots” scandagliano file di robot a fumetti, selezionando solo quelli con caratteristiche specifiche, mentre il sistema registra esattamente quale robot stanno guardando. Una piattaforma commerciale chiamata CogniFit propone una varietà di esercizi brevi per sondare percezione, coordinazione e problem solving, e un sistema di realtà virtuale chiamato Nesplora colloca i bambini in un’aula simulata o in un acquario per misurare quanto bene seguono istruzioni in presenza di distrazioni realistiche. Insieme, questi compiti mirano a stimolare l’attenzione sostenuta, il controllo degli impulsi e la flessibilità mentale — le abilità che spesso risultano difficili per le persone con ADHD.

Come i dati sono acquisiti e organizzati

Dietro le quinte, i ricercatori hanno costruito un sistema software e hardware dedicato per mantenere tutti i dispositivi sincronizzati. Un server centrale basato su Python avvia e interrompe le registrazioni sulle cuffie EEG e sui braccialetti nello stesso istante in cui inizia e finisce un livello di gioco. I giochi inviano messaggi con marca temporale ogni volta che un bambino risponde o appare un evento chiave sullo schermo. Tutti i segnali grezzi e i registri degli eventi sono archiviati su un drive di rete sicuro in formati semplici e largamente utilizzati (CSV e JSON). La struttura condivisa include cartelle etichettate per ID utente anonimo, compito, data e tipo di dispositivo, insieme a file che descrivono età, sesso e stato ADHD di ciascun partecipante senza rivelare identità personali. Gli autori hanno deliberatamente evitato pre‑processamenti pesanti, così altri scienziati possono applicare i propri metodi di pulizia e tecniche di analisi.

Punti di forza, avvertenze e prossimi passi

Il dataset BALLADEER si distingue perché combina diversi tipi di misurazioni raccolte simultaneamente in un gruppo relativamente ampio di giovani, ed è completamente aperto per il download e l’analisi da parte di altri. Questo lo rende un terreno di prova prezioso per nuovi metodi di intelligenza artificiale che cercano di individuare schemi legati all’ADHD o scoprire nuovi «biomarcatori» digitali che possano integrare il giudizio clinico. Allo stesso tempo, gli autori sono chiari sui limiti: il campione proviene da una singola regione, i sottotipi di ADHD non sono stati etichettati in modo sistematico e la dimensione resta comunque modesta per addestrare modelli di deep learning molto grandi. Alcune registrazioni contengono rumore legato al movimento e non esiste una condizione separata di stato di riposo. Piuttosto che nascondere questi problemi, il team li documenta affinché gli utilizzatori possano progettare analisi attente.

Cosa significa questo per le famiglie e la cura futura

In termini pratici, questo dataset non diagnostica da solo alcun bambino. Offre invece ai ricercatori un microscopio condiviso e potente per studiare come le difficoltà attentive si manifestano nel cervello, negli occhi e nel corpo durante compiti realistici. Col tempo, il lavoro basato su BALLADEER potrebbe aiutare i clinici ad andare oltre liste di controllo e intuizioni soggettive aggiungendo misure oggettive e basate sui dati agli strumenti diagnostici. Ciò potrebbe portare a un’identificazione più precoce e accurata dell’ADHD, a un migliore monitoraggio delle risposte al trattamento e a decisioni più eque nelle scuole e nelle cliniche. Trasformando attività simili al gioco in misurazioni precise e condividendo apertamente quei dati, lo studio pone le basi per una nuova generazione di supporti basati sulla scienza per i bambini che fanno fatica a concentrarsi.

Citazione: 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

Parole chiave: ADHD, EEG, eye tracking, segnali fisiologici, apprendimento automatico