使用机器学习模型和虚拟现实评估自闭症的生物信号比较

科学领域:

• 计算精神病学是一种计算精神病学.
• 神经发育障碍 神经发育障碍
• 生物医学工程 生物医学工程

背景情况:

• 对自闭症谱系障碍 (ASD) 的临床评估往往缺乏客观性,因为依赖主观数据.
• 计算精神病学和虚拟现实 (VR) 提供了在生态环境中基于生物标志物的客观评估的潜力.
• 现有的ASD研究缺乏对生物信号进行系统的比较,以便在同时的生态记录中进行自动分类.

研究的目的:

• 为了比较不同生物信号的有效性,在虚拟现实环境中自动分类ASD.
• 评估基于运动技能,眼睛运动和行为反应的机器学习模型,以检测ASD.
• 评估基于生物信号的评估在识别ASD时的稳定性和可靠性.

主要方法:

• 开发和比较机器学习模型使用隐性 (运动技能,眼睛运动) 和显式 (行为反应) 生物信号记录在VR.
• 利用一个VR选工具,用四个不同的虚拟场景来收集数据.
• 采用线性支向量分类器,具有递归特征消除,通过嵌套交叉验证进行验证.

主要成果:

• 基于运动技能的机器学习模型在ASD识别中表现出了最高的稳定性,实现了0.89的曲线下面面积 (AUC) (SD = 0.08).
• 表现最好的行为反应模型实现了0.80.0的AUC.
• 眼动模型显示出局限性,需要进一步研究,因为眼睛跟踪眼镜的问题.

结论:

• 运动技能是提高ASD早期评估客观性和可靠性的一个非常有希望的生物信号.
• 基于VR的评估工具整合了运动技能分析,比传统的主观方法有潜在的进步.
• 眼睛跟踪技术需要进一步开发才能在VR.ASD评估中有效地利用眼睛跟踪技术.