在EEG中使用Mu节奏进行自闭症谱系障碍分类的混合模型

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 生物医学工程 生物医学工程

背景情况:

• 自闭症谱系障碍 (ASD) 的诊断依赖于主观的评估,缺乏客观性.
• 机器学习 (ML) 和深度学习 (DL) 提供了客观ASD分类的潜力.
• 脑电图 (EEG) 数据可以提供ASD的客观生物标志物.

研究的目的:

• 使用最小的EEG通道,提高ASD和典型发展 (TD) 个体之间的分类准确性.
• 探索ML和DL模型在分析EEG数据中用于ASD检测的有效性.
• 研究非线性特征和图像转换技术对分类性能的影响.

主要方法:

• 从EEG数据的时间和频率域中提取非线性特征.
• 将1DEEG数据转换为图像,使用独立组件分析-第二阶段盲识别 (ICA-SOBI),光谱图和连续波纹转换 (CWT).
• 应用ML模型 (例如,堆叠分类器) 和DL模型,包括结合DL和ML的混合方法.

主要成果:

• 具有非线性特征的ML模型实现了78%的准确性;结合特征提高到81.4%.
• 使用SOBI,CWT和光谱图的DL模型实现了75%的准确性.
• 结合DL特征 (光谱图,CWT) 和ML特征的混合模型实现了94%的精度,随着和模糊特征的进一步改进到96.9%.

结论:

• ML和DL技术显著提高ASD和TD分类的准确性.
• 使用最少的一组EEG通道对ASD分类有效.
• 混合模型表现出卓越的性能,突出了其在客观ASD诊断方面的潜力.