Comparativa de Random Forest, XGBoost y SVM-RBF para la detección de TDAH

• Jiménez-García, Adrián ^[1] ; García-Ausín, Raquel ^[1] ; Sierra García, Jesús Enrique ; Baruque-Zanón, Bruno ^[1]
  1. [1] Universidad de Burgos

     Universidad de Burgos

     Burgos, España

     
• Localización: Jornadas de Automática, ISSN-e 3045-4093, Nº. 47, 2026
• Idioma: español
• DOI: 10.17979/ja-cea.2026.47.13843
• Títulos paralelos:
  • Comparison of Random Forest, XGBoost, and RBF SVM for ADHD Detection
• Enlaces
  • Texto completo
• Resumen
  • español

    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.

  • English

    The diagnosis of Attention-Deficit/Hyperactivity Disorder (ADHD) relies primarily on subjective assessments, such as clinical interviews and behavioral questionnaires, which may lead to diagnostic bias and inconsistencies. In this context, electroencephalographic (EEG) signals have emerged as a promising tool due to the alterations observed in their spectral patterns and functional dynamics in individuals with ADHD. This study explores the application of machine learning techniques for ADHD detection based on EEG signals. Specifically, three classification models were implemented and compared: Random Forest, Support Vector Machines with a Radial Basis Function kernel (SVM-RBF), and XGBoost. Their performance was evaluated using accuracy, precision, and sensitivity metrics to assess their discriminative capability. The results demonstrate the potential of artificial intelligence as a support tool for traditional clinical diagnosis, although they remain insufficient for fully autonomous clinical applications.

• Referencias bibliográficas
  • Adamou, M., Fullen, T., & Jones, S. L. (2020). EEG for diagnosis of adult ADHD: A systematic review with narrative analysis. Frontiers...
  • Ahire, N., Awale, R. N., & Wagh, A. (2025). Electroencephalogram (EEG) based prediction of attention deficit hyperactivity disorder (ADHD)...
  • 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...
  • Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference...
  • Garcia-Ausin, R., & Sierra-Garcia, J. E. (2024). Holistic intervention proposal for students with ADHD. In EDULEARN24 Proceedings (pp....
  • Garcia-Ausin, R., Pizarro, J. P., de la Fuente, R., & Sierra-Garcia, J. E. (2026). Stigma associated with ADHD in educational settings:...
  • Hernández-Capistran, J., Sánchez-Morales, L. N., Alor-Hernández, G., Bustos-López, M., & Sánchez-Cervantes, J. L. (2023). Machine and...
  • Kember, J., Stepien, L., Panda, E., & Tekok-Kilic, A. (2023). Resting-state EEG dynamics help explain differences in response control...
  • 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...
  • López, C. Q., Vera, V. D. G., & Quintero, M. J. R. (2025). Diagnosis of ADHD in children with EEG and machine learning: Systematic review...
  • Mao, Y., Qi, X., He, L., Wang, S., Wang, Z., & Wang, F. (2025). Advanced machine learning techniques reveal multidimensional EEG abnormalities...
  • 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...
  • Snyder, S. M., & Hall, J. R. (2006). A meta-analysis of quantitative EEG power associated with attention-deficit hyperactivity disorder....
  • van Dijk, H., deBeus, R., Kerson, C., et al. (2020). Different spectral analysis methods for the theta/beta ratio do not distinguish ADHD...
  • Wei, L. L. Y., Ibrahim, A. A. A., & Alfred, R. (2025, August). Deep Learning Approach to EEG-based Attention Deficit Hyperactivity Disorder...