Comparativa de Random Forest, XGBoost y SVM-RBF para la detección de TDAH
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13843Palabras clave:
TDAH, EEG, Random Forest, SVM-RBF, XGBoost, clasificación automatizada, diagnóstico asistido por ordenador, neurociencia computacional, biomarcadores de EEG, detección precozResumen
El diagnóstico del Trastorno por Déficit de Atención e Hiperactividad (TDAH) se basa principalmente en evaluaciones subjetivas, como entrevistas clínicas y cuestionarios conductuales, lo que puede generar sesgos e inconsistencias diagnósticas. En este contexto, las señales electroencefalográficas (EEG) han surgido como una herramienta prometedora debido a las alteraciones observadas en sus patrones espectrales y dinámicas funcionales en personas con TDAH. Este trabajo explora la aplicación de técnicas de aprendizaje automático para la detección del TDAH a partir de señales EEG. En concreto, se implementaron y compararon tres modelos de clasificación: Random Forest, Máquinas de Vectores de Soporte con función de base radial (SVM-RBF) y XGBoost. Su rendimiento se evaluó mediante exactitud, precisión y sensibilidad para determinar su capacidad discriminativa. Los resultados evidencian el potencial de la inteligencia artificial como apoyo al diagnóstico clínico tradicional, aunque todavía resultan insuficientes para aplicaciones clínicas autónomas.
Referencias
Adamou, M., Fullen, T., & Jones, S. L. (2020). EEG for diagnosis of adult ADHD: A systematic review with narrative analysis. Frontiers in Psychiatry, 11, 871.
Ahire, N., Awale, R. N., & Wagh, A. (2025). Electroencephalogram (EEG) based prediction of attention deficit hyperactivity disorder (ADHD) using machine learning. Applied Neuropsychology: Adult, 32(4), 966-977.
American Psychiatric Association. (2022). Diagnostic and Statistical Manual of Mental Disorders: DSM-5-TR. American Psychiatric Publishing
Boxum, M., Voetterl, H., van Dijk, H., Gordon, E., DeBeus, R., Arnold, L. E., & Arns, M. (2025). Challenging the diagnostic value of theta/beta ratio: Insights from an EEG subtyping meta-analytical approach in ADHD. Applied Psychophysiology and Biofeedback, 50(4), 655–666.
Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794).
Garcia-Ausin, R., & Sierra-Garcia, J. E. (2024). Holistic intervention proposal for students with ADHD. In EDULEARN24 Proceedings (pp. 9118-9124). IATED.
Garcia-Ausin, R., Pizarro, J. P., de la Fuente, R., & Sierra-Garcia, J. E. (2026). Stigma associated with ADHD in educational settings: an examination of effective practices and recommendations for mitigation. INTED2026 Proceedings, 0517.
Hernández-Capistran, J., Sánchez-Morales, L. N., Alor-Hernández, G., Bustos-López, M., & Sánchez-Cervantes, J. L. (2023). Machine and deep learning algorithms for ADHD detection: A review. Innovations in machine and deep learning: Case studies and applications, 163-191.
Kember, J., Stepien, L., Panda, E., & Tekok-Kilic, A. (2023). Resting-state EEG dynamics help explain differences in response control in ADHD. PLOS ONE, 18(10), e0277382.
Koutsoklenis, A., & Honkasilta, J. (2023). ADHD in the DSM-5-TR: What has changed and what has not. Frontiers in psychiatry, 13, 1064141.
Lenartowicz, A., & Loo, S. K. (2014). Use of EEG to diagnose ADHD. Current psychiatry reports, 16(11), 498.
Loo, S. K., Lenartowicz, A., & Makeig, S. (2016). Research review: Use of EEG biomarkers in child psychiatry research–current state and future directions. Journal of Child Psychology and Psychiatry, 57(1), 4-17
López, C. Q., Vera, V. D. G., & Quintero, M. J. R. (2025). Diagnosis of ADHD in children with EEG and machine learning: Systematic review and meta-analysis. Clinical and Health, 36(2), 109-121.
Mao, Y., Qi, X., He, L., Wang, S., Wang, Z., & Wang, F. (2025). Advanced machine learning techniques reveal multidimensional EEG abnormalities in children with ADHD: a framework for automatic diagnosis. Frontiers in Psychiatry, 16, 1475936.
Nasrabadi, A. M., Allahverdy, A., Samavati, M., Mohammadi, M.R. (2026). EEG dataset for ADHD. Kaggle. https://www.kaggle.com/datasets/danizo/eeg-dataset-for-adhd
Slater, J., Joober, R., Koborsy, B. L., Mitchell, S., Sahlas, E., & Palmer, C. (2022). Can electroencephalography (EEG) identify ADHD subtypes? A systematic review. Neuroscience & Biobehavioral Reviews, 139, 104752.
Snyder, S. M., & Hall, J. R. (2006). A meta-analysis of quantitative EEG power associated with attention-deficit hyperactivity disorder. Journal of Clinical Neurophysiology, 23(5), 441-456.
van Dijk, H., deBeus, R., Kerson, C., et al. (2020). Different spectral analysis methods for the theta/beta ratio do not distinguish ADHD from controls. Applied Psychophysiology and Biofeedback, 45(3), 165–173.
Wei, L. L. Y., Ibrahim, A. A. A., & Alfred, R. (2025, August). Deep Learning Approach to EEG-based Attention Deficit Hyperactivity Disorder (ADHD) Detection: An Empirical Comparison of Ensemble Classifiers. In 2025 IEEE International Conference on Artificial Intelligence in Engineering and Technology (IICAIET) (pp. 49-54). IEEE.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Adrián Jiménez-García, Raquel García-Ausín, Jesús Enrique Sierra García, Bruno Baruque-Zanón
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
