静止状态EEG微态特征可以定量预测典型发育个体的自闭症特征
Huibin Jia1,2, Xiangci Wu1,2, Xiaolin Zhang1,2
1Institute of Psychology and Behavior, Henan University, Kaifeng, 475004, China.
Brain topography
|October 13, 2023
概括
自闭症谱系障碍 (ASD) 的特征存在于一个频谱上. 对EEG微态特征的机器学习分析可以预测自闭症特征,有助于客观评估.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 自闭症谱系障碍 (ASD) 的症状差异很大,甚至在一般人群中.
- 具有高度自闭症特征的个体表现出与被诊断为ASD的类似的行为和神经差异.
- 需要客观的工具来评估自闭症特征.
研究的目的:
- 开发一种用于评估自闭症特征的机器学习模型.
- 为了利用静止状态记录中的电脑电图 (EEG) 微态特征.
主要方法:
- 应用最小绝对收缩和选择运算符 (LASSO) 和相关性分析以确定关键的EEG微态特征.
- 开发了一个支持向量回归 (SVR) 模型,以使用选定的特征预测自闭症特征得分.
- 使用静止状态EEG记录来提取特征.
主要成果:
- 确定了四个关键的微状态特征:类D的平均持续时间,类A的发生率,类D的时间覆盖率和B到D的过渡率.
- 该SVR模型准确地预测了自闭症特征得分,与自我报告得分有很好的匹配.
- 证明了EEG微态分析对自闭症特征的预测能力.
结论:
- 静止状态EEG微态分析是预测自闭症特征的可行方法.
- 这种技术为评估自闭症特征提供了一个潜在的客观工具.
- 进一步的研究可以为临床应用改进这种方法.
