Een multimodale dataset voor neurofysiologische en AI-toepassingen

Waarom dit ertoe doet voor kinderen die moeite hebben zich te concentreren

Veel ouders, leraren en zorgverleners weten hoe lastig het kan zijn om te beoordelen of een kind onrustig is of dagdroomt als deel van het dagelijks leven, of dat het een teken is van Attention Deficit Hyperactivity Disorder (ADHD). Tegenwoordig berusten diagnoses nog grotendeels op interviews en vragenlijsten, die beïnvloed kunnen worden door geheugen, verwachtingen of stress. Deze studie introduceert de BALLADEER ADHD Dataset, een grote, open verzameling van hersen‑ en lichaamsmetingen verzameld terwijl kinderen en tieners aandachtgerichte spelletjes spelen. De dataset is ontworpen om onderzoekers te helpen meer objectieve instrumenten te ontwikkelen voor het begrijpen en identificeren van ADHD — en om dat op een transparante en wereldwijd deelbare manier te doen.

Van klassikaal gedrag naar hersen- en lichaamssignalen

ADHD treft ongeveer één op de twintig schoolgaande kinderen en beïnvloedt hoe ze aandacht richten, impulsen beheersen en hun activiteitsniveau reguleren. Omdat de symptomen overlappen met andere aandoeningen, kan diagnosticeren ingewikkeld zijn. In de afgelopen decennia hebben onderzoekers zich daarom gewend tot hersenopnames en andere lichaamsmetingen om helderdere biologische aanwijzingen te vinden. Elektrische activiteit aan de schedel (EEG) kan patronen onthullen die samenhangen met aandacht; eyetracking toont waar en wanneer een kind naar belangrijke details kijkt; en veranderingen in huidgeleiding en hartslag weerspiegelen stress en alertheid. De meeste eerdere studies gebruikten echter kleine, niet‑openbare datasets die niet vrij gecontroleerd of hergebruikt konden worden. Daardoor konden veel veelbelovende bevindingen niet grondig worden getest of omgezet in betrouwbare, alledaagse instrumenten.

Een rijk, gedeeld beeld van aandacht opbouwen

Het BALLADEER‑project wilde dit veranderen door een multimodale dataset te verzamelen — een gecoördineerde set metingen van meerdere bronnen tegelijk. Het team nam gegevens op van 164 kinderen en adolescenten van 6 tot 18 jaar, waarvan 62 met een ADHD‑diagnose en 102 zonder. Tijdens sessies verspreid over twee dagen voltooienden deelnemers een batterij bekende papier‑en‑potloodtests en computer‑ en virtualreality‑taken die alledaagse aandachtsuitdagingen nabootsen. Terwijl ze speelden en problemen oplosten, registreerden de onderzoekers elektrische hersenactiviteit met EEG‑headsets, oogbewegingen met een eyetrackingbalk onder een monitor, en signalen zoals hartslag en huidgeleiding met een polsapparaat. Dit alles werd gekoppeld aan gedetailleerde logbestanden van wat er seconde voor seconde op het scherm gebeurde.

Aandachtspellen die meer als spelen aanvoelen dan als testen

Om dataverzameling boeiend en kindvriendelijk te maken, ontwierp het team spelachtige taken. In “Attention Slackline” kijken kinderen naar vlaggen op twee bergen en drukken ze op een knop wanneer de patronen overeenkomen; hun hersengolven, blik en hartsignalen worden continu vastgelegd. In “Attention Robots” scannen ze rijen cartoonrobots en selecteren alleen degenen met specifieke kenmerken, terwijl het systeem precies vastlegt naar welke robot ze kijken. Een commercieel platform genaamd CogniFit biedt diverse korte oefeningen om waarneming, coördinatie en probleemoplossing te onderzoeken, en een virtualrealitysysteem genaamd Nesplora plaatst kinderen in een gesimuleerde klaslokaal‑ of aquariumomgeving om te meten hoe goed ze instructies opvolgen te midden van realistische afleidingen. Samen zijn deze taken gericht op het aanspreken van volgehouden aandacht, impulsbeheersing en mentale flexibiliteit — de vaardigheden die vaak moeilijk zijn voor mensen met ADHD.

Hoe de gegevens worden vastgelegd en georganiseerd

Achter de schermen bouwden de onderzoekers een speciale software‑ en hardwareopstelling om elk apparaat synchroon te houden. Een centrale, op Python gebaseerde server start en stopt de opnames van de EEG‑headsets en polsbanden precies op het moment dat een spellevel begint en eindigt. De spellen sturen tijdgestempelde berichtjes telkens wanneer een kind reageert of een belangrijk gebeurtenis op het scherm verschijnt. Alle ruwe signalen en evenementlogs worden opgeslagen op een beveiligde netwerkdrive in eenvoudige, veelgebruikte formaten (CSV en JSON). De gedeelde structuur bevat mappen gelabeld met een anonieme gebruikers‑ID, taak, datum en apparaattype, samen met bestanden die de leeftijd, het geslacht en de ADHD‑status van elke deelnemer beschrijven zonder persoonlijke identiteit prijs te geven. De auteurs hebben bewust zware voorbewerking vermeden, zodat andere wetenschappers hun eigen schoonmaakmethoden en analysetechnieken kunnen toepassen.

Sterke punten, kanttekeningen en wat volgt

De BALLADEER‑dataset valt op omdat ze meerdere soorten gelijktijdig verzamelde metingen combineert in een relatief grote groep jongeren, en omdat ze volledig openstaat voor anderen om te downloaden en te analyseren. Dit maakt het een waardevol testveld voor nieuwe kunstmatige‑intelligentie‑methoden die proberen patronen te vinden die samenhangen met ADHD of nieuwe digitale “biomarkers” ontdekken die klinisch oordeel kunnen aanvullen. Tegelijkertijd zijn de auteurs duidelijk over de beperkingen: de steekproef komt uit één regio, ADHD‑subtypen zijn niet systematisch gelabeld en de omvang is nog bescheiden voor het trainen van zeer grote deep‑learningmodellen. Sommige opnames bevatten bewegingsgeruis, en er is geen aparte rusttoestand opgenomen. In plaats van deze problemen te verbergen, documenteert het team ze zodat gebruikers zorgvuldige analyses kunnen ontwerpen.

Wat dit betekent voor gezinnen en toekomstige zorg

In praktische zin stelt deze dataset op zichzelf geen enkele diagnose. In plaats daarvan biedt ze onderzoekers een krachtig, gedeeld vergrootglas om te bestuderen hoe aandachtsproblemen zich uiten in hersenen, ogen en lichaam tijdens realistische taken. Naarmate er meer onderzoek op BALLADEER wordt gedaan, kan dit hulpverleners helpen verder te gaan dan checklists en intuïtie door objectieve, data‑gedreven maten aan het arsenaal toe te voegen. Dat kan leiden tot vroegere, nauwkeurigere identificatie van ADHD, betere monitoring van hoe kinderen op behandeling reageren, en eerlijkere beslissingen op scholen en in de kliniek. Door spelachtige activiteiten om te zetten in precieze metingen en die gegevens openlijk te delen, legt de studie de basis voor een nieuwe generatie wetenschappelijk onderbouwde ondersteuning voor kinderen die moeite hebben zich te concentreren.

Bronvermelding: 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

Trefwoorden: ADHD, EEG, eyetracking, fysiologische signalen, machine learning