Un cadre de neurofeedback EEG et BCI pour la rééducation personnalisée de l'attention dans le TDAHA neurofeedback-guided EEG and BCI framework for personalized attention rehabilitation in ADHD.
- Système adaptatif multi-tâches avec neurofeedback en temps réel et personnalisation par machine learning.
- Amélioration de 15% des scores d'attention EEG, plus marquée chez les participants TDAH (21.5%).
- Modèle XGBoost prédit avec haute précision (R²=0.98) les paramètres de difficulté optimaux.
Article directement pertinent pour le TDAH avec une approche novatrice combinant neurofeedback et machine learning. Étude contrôlée mais de taille modeste et effets à court terme, ce qui justifie un niveau de preuve modéré et une note de pertinence élevée mais pas maximale.
Échantillon modeste (n=50) et effets mesurés uniquement à court terme. Utilisation d'un seul capteur EEG (NeuroSky TGAM) limitant la résolution spatiale. Absence de suivi longitudinal et de comparaison avec d'autres interventions.
L'intégration de jeux cognitifs avec EEG-BCI montre un potentiel pour améliorer l'attention dans le TDAH, mais les systèmes existants manquent d'adaptation personnalisée. Cette étude a développé un système adaptatif multi-tâches combinant neurofeedback en temps réel et personnalisation par apprentissage automatique. Cinquante participants (25 TDAH, 25 contrôles) ont utilisé un jeu de ski (SkiSport) dont la difficulté s'ajustait aux métriques d'attention EEG (capteur NeuroSky TGAM). Les modèles XGBoost, SVR et MLP ont été entraînés pour prédire les paramètres de difficulté optimaux. Les résultats montrent une augmentation moyenne de 15% des scores d'attention EEG (21.5% chez les TDAH, 7.85% chez les contrôles), avec un gain supplémentaire de 10% après personnalisation. Les indices comportementaux se sont améliorés de 19%. XGBoost a atteint la meilleure précision prédictive (R²=0.98). Cette approche non pharmacologique et scalable offre une stratégie prometteuse pour la rééducation attentionnelle à court terme, mais des études longitudinales sont nécessaires.
Système adaptatif multi-tâches avec neurofeedback en temps réel et personnalisation par machine learning. Amélioration de 15% des scores d'attention EEG, plus marquée chez les participants TDAH (21.5%). Modèle XGBoost prédit avec haute précision (R²=0.98) les paramètres de difficulté optimaux. Approche non pharmacologique et scalable pour la rééducation attentionnelle à court terme.
Potentiel pour des interventions personnalisées et engageantes dans le TDAH. Peut être déployé à grande échelle comme complément aux traitements existants. Nécessite validation sur le long terme et dans des contextes écologiques.
Modéré