基于人工智能赋能背心的ADHD学龄儿童课堂行为管理研究

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Managing Classroom Behavior in School-aged Children with ADHD using AI-Empowered Vest

为解决注意缺陷多动障碍（ADHD）儿童课堂多动行为即时管理策略有限的问题，研究人员开展了“AI赋能背心管理ADHD儿童课堂行为”的主题研究。该研究开发了一种集成惯性测量单元（IMU）和振动干预的智能背心系统，利用一维卷积神经网络（1D-CNN）实时分类行为。结果表明，该系统分类准确率达0.84，振动干预可显著降低活动水平（p<0.05）并提升教师评分。该研究为ADHD的数字化行为干预提供了新型课堂解决方案。

　　

在当今的课堂环境中，教师常常面临一个挑战：如何有效管理被诊断为注意缺陷多头障碍（ADHD）的学生的行为。ADHD是一种常见的神经发育障碍，全球约有2%-7%的学龄儿童受其影响。其核心症状包括注意力不集中、自我控制困难以及多动或冲动行为。这些症状在课堂上表现为擅自离开座位、敲打桌子、摇晃椅子、叫喊等行为，不仅扰乱了课堂秩序，也影响了ADHD患儿自身的学业表现。尽管存在药物治疗、行为疗法等多种干预手段，但它们或伴有副作用，或需要长期坚持且效果因人而异。尤其在课堂情境下，有效的即时、自动化行为管理策略仍然稀缺。传统的教师介导干预虽有效，但严重依赖于教师的信念、态度和持续执行力，且有限的课堂时间和资源往往阻碍其有效实施。自我调节策略作为补充手段，能让学生自主监控和调整行为，但如何将其与技术结合，实现无缝的课堂整合，是一个亟待探索的方向。随着数字健康干预（DHI）技术的兴起，穿戴式设备为这一问题带来了新的曙光。

为此，发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上的这项研究，开发并评估了一款人工智能（AI）赋能的智能背心，旨在通过实时行为识别和振动反馈，帮助ADHD学龄儿童管理课堂多动行为。该研究创新性地将运动传感技术与深度学习算法结合，为课堂环境下的即时行为干预提供了一个新颖的数字化解决方案。

研究人员为开展此项研究，主要应用了以下几项关键技术方法：首先，设计并制作了一款智能背心原型，其核心是在主导侧肩部和背部中心嵌入两个六轴惯性测量单元（IMU，包含三轴加速度计和三轴陀螺仪），以全面捕捉手臂和躯干运动。电子系统主控采用ESP32-WROOM-32微控制器，并集成扁平振动电机作为反馈单元。其次，利用消息队列遥测传输（MQTT）这一轻量级物联网（IoT）协议，实现背心与个人电脑之间的实时数据（采样频率100 Hz）和指令传输。第三，构建了一个一维卷积神经网络（1D-CNN）模型，对滑动窗口（长度100个时间点，重叠率99%）处理的12维IMU特征数据进行实时分析，将课堂行为分类为典型（预期）或超活跃（非预期）。最后，研究采用前测-后测实验设计，招募了40名7-12岁儿童（包括ADHD、ADHD共患自闭症谱系障碍（ASD）及神经典型对照组）参与模拟课堂实验，通过传感器数据分析和教师五点评分来评估系统分类准确性及振动干预的即时与整体效果。

教室行为分类性能

研究首先评估了AI模型对课堂行为的分类能力。模型在测试集上总体准确率达到0.88。对于超活跃行为（类别1）的召回率高达0.95，这表明模型非常擅长识别出需要干预的行为。然而，对于典型行为（类别0）的召回率为0.74，说明存在将一些正常行为误判为多动的情况。在实际穿戴试验中，对40名参与者课堂活动的分类和干预决策进行了分析，混淆矩阵显示，其分类准确率为0.84，精确度为0.80，召回率为0.73，F1分数为0.76，马修斯相关系数（MCC）为0.65，表明模型在真实场景下具有可靠的分类性能，尽管仍有优化空间以减少误报。

单次振动干预

研究详细分析了单次振动干预过程中参与者行为的变化。如图5所示，干预过程可分为异常活动期（包括检测到超活跃行为到振动反馈结束）和振动后时期（从振动结束到下一次异常活动开始）。通过对比这两个时期的传感器信号特征，可以直观地看到振动提醒促使参与者从多动状态（如摇晃座位）调整为更稳定的坐姿。

振动干预的即时效果

通过对16名ADHD或ADHD共患ASD参与者的100次真实阳性干预片段进行分析，发现振动干预后，传感器信号的多项指标均发生显著变化。加速度计和陀螺仪信号的幅度均值在干预后显著下降（p < 0.01 或 p < 0.001），效应量（r）从中等到大（0.274 至 0.861），表明整体活动水平明显降低。信号的标准差和相邻采样点差值的中位数也显著减小（全部 p < 0.001，r > 0.785），这反映了参与者运动的变异度降低，稳定性增强。此外，研究还计算了干预的有效持续时间，发现在后测课堂的第2和第3部分，中位有效持续时间分别为0.74分钟和0.92分钟，表明单次干预的效果能维持约1-2分钟，提示其效果更侧重于即时行为调整而非长期维持。

振动干预的整体效果

教师对参与者课堂表现的主观评价提供了另一重要证据。在前测（无干预）和后测（第2、3部分有干预）中，教师使用五点量表对每个部分进行评分。结果显示，在第1部分（无干预），前后测评分无显著差异（p=0.439）。而在第2部分（Z = -2.500, p=0.012, r=0.490）和第3部分（Z = -2.415, p=0.016, r=0.474），评分出现统计学上的显著提高，且效应量达到中等至大水平。这表明振动干预的实施显著改善了教师在课堂中观察到的学生行为表现。

亚组分析

研究还比较了单纯ADHD患儿与ADHD共患ASD患儿对干预的反应。在大多数传感器指标和教师评分改善程度上，两组之间未发现显著差异。在干预触发次数（响应性）和干预频率在不同课堂部分间的变化（耐受性）上，两组也表现相似。这表明该干预方法在不同亚组的ADHD儿童中可能具有普适性，但未来需要更大样本量进一步验证。

综上所述，本研究成功开发并验证了一种基于AI赋能背心的新型数字化干预系统。该系统能够利用IMU传感器和1D-CNN模型，在课堂环境中实时、准确地识别ADHD儿童的超活跃行为，并通过振动反馈进行即时干预。研究结果从客观传感器数据和主观教师评价两方面证实，该干预能有效降低儿童的活动水平，并显著改善其课堂行为表现。尽管存在模型部署依赖电脑、分类精度有待提升、干预效果持续时间较短以及缺乏随机对照组等局限性，但这项研究为ADHD的课堂行为管理提供了一个极具前景的技术思路。它将穿戴式传感、人工智能和即时反馈机制有机结合，不仅减轻了教师的课堂管理负担，也为促进ADHD儿童的自我行为调节能力提供了可行的技术支持。未来的研究方向包括优化模型算法、实现边缘计算部署、开展长期随机对照试验（RCT）以及收集真实课堂环境下的儿童行为数据以增强模型的泛化能力。这项研究标志着数字健康干预在特殊教育领域应用的重要一步，为相关技术的深入发展和临床转化奠定了坚实的基础。