检测自闭症谱系障碍和注意力缺陷多动性障碍使用多模式时间频率分析与机器学习使用两个闪光强度的电网红图

科学领域:

• 神经科学是一个神经科学.
• 眼科医生 眼科 眼科
• 生物医学工程 生物医学工程

背景情况:

• 自闭症谱系障碍 (ASD) 和注意力缺陷多动障碍 (ADHD) 在社交互动,注意力和沟通方面存在重叠的挑战.
• 目前对ASD和ADHD的诊断方法耗时,需要多学科的评估.
• 早期准确地区分ASD和ADHD对于量身定制的干预和支持至关重要.

研究的目的:

• 调查电网红图 (ERG) 对于ASD和ADHD的快速查和区分的实用性.
• 探索ERG信号的时间频率分析 (TFS),以捕捉神经差异的动态变化.
• 评估在ERG数据上训练的机器学习模型的潜力,以对ASD,ADHD和对照人群进行分类.

主要方法:

• 从286名参与者收集了ERG数据,其中包括146名对照者,其中94名患有自闭症,46名患有多动症.
• 使用两个时间频率分析 (TFS) 技术来分析ERG信号的动态变化.
• 使用从TFS分析中选择的关键特征来训练机器学习模型,以分类参与者群体.

主要成果:

• 表现最好的机器学习模型在区分对照组,自闭症和多动症组方面取得了70%的整体准确性.
• 在ERG测试中更强的闪光强度提供了更好的分离组.
• ERG信号的高频组件 (80-300 Hz) 对于分类来说比低频组件更具信息性.

结论:

• ERG分析,特别是使用TFS并专注于高频动态,显示出作为ASD和ADHD快速查工具的希望.
• 通过使用更广泛的闪光强度范围,可以进一步提高分类准确性.
• 未来的研究应该包括与具有并发性ASD和ADHD诊断的个体进行比较,以完善诊断能力.