多模态神经认知分析：结合脑电图与心理测量评估儿童学习障碍

本开源研究项目来自墨西哥蒙特雷理工学院，核心是通过融合脑电图(EEG)信号与标准化心理测试数据，构建注意力门控融合模型，旨在为阅读障碍(RD)和数学障碍(MD)儿童提供更精准的分类与理解框架。项目代码与数据集完全开源，为神经科学、机器学习与临床心理学的跨学科研究提供优秀范例。

传统儿童学习障碍诊断依赖心理测量测试（如阅读速度、数学表现、注意力和智商评估），能指出孩子“在什么方面”存在困难，却无法解释神经层面的“为什么”。现象显示：分数相近的孩子可能神经活动模式迥异；RD与MD孩子认知指标（如智商、注意力）重叠但脑处理模式不同。核心科学问题：EEG与心理测量数据是否携带互补信息？融合后能否提供更丰富的障碍画像？

研究对象为76名7-13岁儿童，分为阅读障碍组(RDG，约38人)和数学障碍组(MDG，约38人)。每个儿童贡献基线数据：

• EEG：3分钟静息态（睁眼）+ 任务态（RDG朗读文本+理解问题，MDG算术运算）
• 心理测量：阅读速度/错误率/理解力、数学准确率/反应时、注意力、智商 注：两组任务态EEG为组间比较，非个体内比较。数据集来自蒙特雷理工学院，公开托管于Mendeley Data。

项目通过三个Jupyter Notebook构建流程：

1. 探索性数据分析：了解数据特征、组间认知差异及变量相关性。
2. EEG预处理与特征提取：用MNE-Python处理EEG，输出频谱-空间特征矩阵。
3. 分类与融合：
   • 基线1：仅EEG（随机森林/SVM，分层k折交叉验证）
   • 基线2：仅心理测量（同分类器）
   • 创新模型：注意力门控融合 → 对EEG和心理测量特征分别嵌入，学习信任权重后融合，再分类。

项目提出三个可验证假设： H1（神经分化）：RD与MD组EEG频带功率有差异（尤其theta波与beta波），任务态差异更明显。 H2（任务调节）：组内任务态EEG与静息态不同，反映认知需求增加。 H3（多模态优势）：注意力门控融合模型准确率高于单一模态基线。

项目注重可解释性：通过投影拓扑图可视化模型决策背后的神经基础（哪些脑区、频段驱动分类）。这对临床至关重要——医生不仅需知道分类结果，更需理解“为什么”。

研究意义：

1. 诊断辅助：为学习障碍早期识别提供客观神经标志物。
2. 个性化干预：基于神经认知特征制定针对性方案。
3. 方法论：注意力门控框架可推广到其他多模态神经影像研究。
4. 开放科学：数据集与代码完全开源，促进领域复现与扩展。