在中国儿童中使用脑电图对自闭症谱系障碍的分类:一个横截面的回顾性研究

科学领域:

• 神经科学是一个神经科学.
• 发育神经科学的发展神经科学.
• 计算神经科学是一种神经科学.

背景情况:

• 自闭症谱系障碍 (ASD) 带来了复杂的神经发育挑战.
• 脑电图 (EEG) 生物标志物,包括光谱功率和功能连接性,对ASD诊断和理解神经机制充满希望.
• 现有研究中的相互矛盾的结果凸显了对强大,数据驱动的调查的需求.

研究的目的:

• 为了确定ASD和对照儿童之间EEG特征的差异.
• 开发机器学习模型,使用EEG数据对ASD进行分类.
• 研究光谱连贯性和功率作为ASD生物标志物的实用性.

主要方法:

• 对246名患有自闭症儿童和42名对照儿童进行了回顾性横截面研究.
• 采集和提取光谱功率和光谱连贯性特征的EEG数据.
• 统计推断和机器学习模型的应用,用于群组比较和分类.

主要成果:

• 观察到光谱连贯性的统计学上显著差异,特别是在玛和β频段.
• 在ASD组中,在前额和身区域之间发现了较高的长距离功能连接.
• 机器学习模型实现了适度的分类性能 (ROC-AUC = 0.65).

结论:

• 脑电图谱连贯性,特别是在玛和β频段,可以作为ASD的潜在生物标志物.
• 机器学习模型表现出一些区分能力,但需要进一步细化临床应用.
• 这些发现强调了基于EEG的功能连接分析在推进ASD研究和诊断方面的潜力.