Multimodalny zbiór danych do zastosowań neurofizjologicznych i AI

Dlaczego to ma znaczenie dla dzieci mających trudności z koncentracją

Wiele rodzin, nauczycieli i specjalistów dobrze wie, jak trudno ocenić, czy niespokojne zachowanie lub bujanie w obłokach u dziecka to element codzienności, czy objaw zespołu nadpobudliwości psychoruchowej z deficytem uwagi (ADHD). Obecne rozpoznania w dużej mierze opierają się na wywiadach i kwestionariuszach, które mogą być wpływane przez pamięć, oczekiwania czy stres. W tym badaniu zaprezentowano zbiór danych BALLADEER ADHD — dużą, otwartą kolekcję pomiarów mózgu i ciała zebranych podczas zabaw i gier skupiających uwagę dzieci i nastolatków. Zbiór ma pomóc badaczom w tworzeniu bardziej obiektywnych narzędzi do rozumienia i identyfikacji ADHD — w sposób przejrzysty i możliwy do współdzielenia na całym świecie.

Od zachowań w klasie do sygnałów z mózgu i ciała

ADHD dotyczy mniej więcej jednego na dwudziestu uczniów w wieku szkolnym i wpływa na to, jak koncentrują uwagę, kontrolują impulsy i regulują aktywność. Ponieważ objawy pokrywają się z innymi zaburzeniami, diagnoza bywa trudna. W ostatnich dekadach naukowcy zaczęli sięgać po zapisy aktywności mózgu i inne sygnały ciała, szukając jaśniejszych, biologicznych wskazówek. Aktywność elektryczna rejestrowana na skórze głowy (EEG) może ujawniać wzorce związane z uwagą; śledzenie wzroku pokazuje, gdzie i kiedy dziecko patrzy na istotne elementy; a zmiany przewodnictwa skóry i rytmu serca odzwierciedlają stres i poziom czujności. Jednak większość wcześniejszych badań opierała się na małych, prywatnych zbiorach danych, których nie można było swobodnie sprawdzić ani ponownie wykorzystać. W efekcie wiele obiecujących wyników nie zostało gruntownie zweryfikowanych ani przekształconych w niezawodne, codzienne narzędzia.

Budowanie bogatego, współdzielonego obrazu uwagi

Projekt BALLADEER miał na celu zmianę tego stanu rzeczy poprzez zebranie danych multimodalnych — czyli skoordynowanego zestawu pomiarów z kilku źródeł jednocześnie. Zespół nagrał dane od 164 dzieci i młodzieży w wieku 6–18 lat, w tym 62 z rozpoznaniem ADHD i 102 bez. Podczas sesji rozłożonych na dwa dni uczestnicy wykonywali zestaw dobrze znanych testów papier‑ołówek oraz zadania komputerowe i wirtualno‑rzeczywistości naśladujące codzienne wyzwania związane z uwagą. W trakcie zabawy i rozwiązywania zadań badacze rejestrowali aktywność elektryczną mózgu za pomocą zestawów EEG, ruchy oczu za pomocą belki śledzącej umieszczonej pod monitorem oraz sygnały takie jak tętno i przewodnictwo skóry z urządzenia noszonego na nadgarstku. Wszystko to było sparowane ze szczegółowymi logami wydarzeń na ekranie, zapisanymi sekundowo.

Gry uwagi, które bardziej przypominają zabawę niż test

Aby zbieranie danych było angażujące i przyjazne dzieciom, zespół zaprojektował zadania przypominające gry. W „Attention Slackline” dzieci obserwują flagi na dwóch górach i naciskają przycisk, gdy wzory się pokrywają; w tym czasie ich fale mózgowe, wzrok i sygnały serca są rejestrowane nieprzerwanie. W „Attention Robots” skanują rzędy kreskówkowych robotów, wybierając tylko te o określonych cechach, podczas gdy system zapisuje dokładnie, na którym robocie akurat patrzą. Komercyjna platforma CogniFit oferuje różne krótkie ćwiczenia badające percepcję, koordynację i rozwiązywanie problemów, a system wirtualnej rzeczywistości Nesplora umieszcza dzieci w symulowanej klasie lub akwarium, by mierzyć, jak radzą sobie ze śledzeniem instrukcji w realistycznych warunkach rozproszenia uwagi. Razem te zadania mają sondować utrzymującą się uwagę, kontrolę impulsów i elastyczność umysłową — umiejętności często wyzwaniowe dla osób z ADHD.

Jak dane są zbierane i organizowane

W tle badacze zbudowali dedykowany zestaw oprogramowania i sprzętu, by zsynchronizować wszystkie urządzenia. Centralny serwer oparty na Pythonie rozpoczyna i zatrzymuje nagrania na zestawach EEG i opaskach naraz, w tym samym momencie, w którym zaczyna się i kończy poziom gry. Gry wysyłają komunikaty z sygnaturą czasową za każdym razem, gdy dziecko reaguje lub na ekranie pojawia się kluczowe zdarzenie. Wszystkie surowe sygnały i logi zdarzeń są przechowywane na bezpiecznym dysku sieciowym w prostych, powszechnie używanych formatach (CSV i JSON). Udostępniona struktura zawiera foldery oznaczone anonimowym ID użytkownika, zadaniem, datą i typem urządzenia oraz pliki opisujące wiek, płeć i status ADHD każdego uczestnika bez ujawniania danych osobowych. Autorzy celowo uniknęli intensywnego wstępnego przetwarzania, aby inni naukowcy mogli zastosować własne metody oczyszczania i analizy.

Mocne strony, zastrzeżenia i kolejne kroki

Zbiór BALLADEER wyróżnia się tym, że łączy kilka rodzajów pomiarów zebranych jednocześnie na relatywnie dużej grupie młodych osób i jest w pełni otwarty do pobrania i analizy. Czyni to z niego cenne pole testowe dla nowych metod sztucznej inteligencji próbujących wyłowić wzorce związane z ADHD lub odkryć cyfrowe „biomarkery”, które mogłyby uzupełniać ocenę kliniczną. Jednocześnie autorzy są jasni co do ograniczeń: próbka pochodzi z jednego regionu, podtypy ADHD nie zostały systematycznie oznaczone, a wielkość bazy jest nadal umiarkowana do trenowania bardzo dużych modeli głębokiego uczenia. Niektóre nagrania zawierają szumy związane z ruchem i brak osobnego warunku stanu spoczynkowego. Zespół nie ukrywa tych problemów — dokumentuje je, aby użytkownicy mogli projektować ostrożne analizy.

Co to oznacza dla rodzin i przyszłej opieki

Mówiąc prosto, ten zbiór danych sam z siebie nie diagnozuje żadnego dziecka. Oferuje natomiast badaczom potężny, współdzielony mikroskop do badania tego, jak trudności z uwagą objawiają się w mózgu, oczach i ciele podczas realistycznych zadań. Z upływem czasu prace oparte na BALLADEER mogą pomóc klinicystom wyjść poza listy kontrolne i intuicję, dodając obiektywne, oparte na danych miary do zestawu narzędzi. To może prowadzić do wcześniejszego, dokładniejszego rozpoznawania ADHD, lepszego monitorowania odpowiedzi dzieci na leczenie i sprawiedliwszych decyzji w szkołach i placówkach zdrowia. Przez przekształcanie zabawopodobnych aktywności w precyzyjne pomiary i otwarte udostępnianie tych danych, badanie kładzie fundamenty pod nową generację wsparcia opartego na nauce dla dzieci mających trudności z koncentracją.

Cytowanie: 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

Słowa kluczowe: ADHD, EEG, śledzenie wzroku, sygnały fizjologiczne, uczenie maszynowe