EEG brain functional connectivity and spectral analysis for the classification of attention deficit hyperactivity disorder patients

Attention-Deficit/Hyperactivity Disorder (ADHD) is one of the most common neurodevelopmental disorders in childhood, affecting subject’s normal cognitive and behavioral functioning. Since the clinical diagnosis may be affected by the subjectivity of ADHD symptoms and classification scales, Electroencephalography (EEG) has been widely used to support the ADHD diagnosis. This work of thesis aims at analyzing the EEG signals of children affected by ADHD, acquired during an attentional task, in order to find EEG-based biomarkers to be used as diagnostic tools for the disorder. Spectral features, Functional Connectivity, computed through the Imaginary part of the Coherency, and Graph Analysis are the methods employed in the present work: the study is conducted in the main frequency bands (Alpha, Beta 1 and Theta) and cerebral regions, taking into account the temporal dynamics of the entire task. The results obtained by these analyses were used as features for a Machine Learning-based classification, aimed at distinguishing the ADHD children from the healthy peers. The most relevant results from Spectral and Connectivity analyses were noticed in Theta band and Temporal area, as also confirmed by the feature selection methods employed in the Machine Learning. Despite the scarcity of the dataset and the variability in the patients’ age, good performances have been reached in the Machine Learning-based classification, with a F1-score higher than 0.8. Even though a significant biomarker has not been identified, the starting hypothesis, that a Spectral Analysis alone is not enough to reliably discriminate the disorder under study, was confirmed.

Il Disturbo da Deficit di Attenzione/Iperattività (ADHD) è uno dei disturbi del neurosviluppo più comuni nell’infanzia, che colpisce il normale funzionamento cognitivo e comportamentale del soggetto. Dal momento che diversi fattori influenzano la diagnosi, ad esempio la soggettività dei sintomi e delle scale di classificazione, l’Elettroencefalografia (EEG) è uno dei metodi maggiormente impiegati nella diagnosi del disturbo. Questo lavoro di tesi ha come obiettivo l’analisi di segnali EEG di bambini affetti da ADHD, acquisiti durante un test di valutazione dell’attenzione sostenuta visiva, al fine di trovare dei biomarker da utilizzare come strumenti diagnostici per il disturbo. A tale scopo, tenendo conto della dinamica temporale dell’intero test, sono state analizzate le caratteristiche spettrali, la connettività funzionale, calcolata mediante la parte immaginaria della coerenza, e gli indici di grafo nelle principali bande di frequenza (Alfa, Beta 1 e Theta) e regioni cerebrali. I risultati ottenuti da queste analisi sono stati utilizzati come attributi volti a distinguere i bambini affetti da ADHD dai controlli sani, mediante un algoritmo di Machine Learning. Le maggiori differenze tra i due gruppi, ottenute dall’Analisi Spettrale e dalla Connettività Funzionale, sono state notate in banda Theta e nell’area temporale, come confermato anche dai metodi di selezione degli attributi impiegati nel Machine Learning. Malgrado i pochi dati a disposizione e la variabilità dell’età dei pazienti, è stata raggiunta una buona performance (F1 score maggiore di 0.8). Nonostante non sia stato identificato un biomarker significativo legato all’EEG, è stata confermata l’ipotesi che la sola analisi spettrale non è sufficiente a discriminare in maniera affidabile tale disturbo.