模型选择以实现静止状态EEG特征和自闭症之间的可重复关联
William E Carson1, Samantha Major2,3, Harshitha Akkineni2,3
1Department of Biomedical Engineering, Duke University, Durham, NC, 27708, USA.
Scientific reports
|October 25, 2024
概括
使用脑电图 (EEG) 和机器学习识别可复制的自闭症生物标志物. 优先考虑可复制性而不是预测准确性揭示了与儿童自闭症相关的独特的神经模式.
科学领域:
- 神经科学是一个神经科学.
- 生物标志物发现发现
- 计算精神病学是一种计算精神病学.
背景情况:
- 使用脑电图 (EEG) 发现自闭症生物标志物面临复制性挑战.
- 休息状态 (RS) 神经活动模式可能含有自闭症的潜在生物标志物.
研究的目的:
- 开发一种学习RS-EEG特征与自闭症之间的可复制关联的方法.
- 为了比较优先预测性能与可重复性在模型选择中的影响.
主要方法:
- 利用了自闭症和神经类型儿童 (36-96个月) 的EEG光谱功率和功能连接特征.
- 采用规范化的通用线性模型来预测诊断组.
- 开发了一个评估程序来量化预测概括和可重现性.
主要成果:
- 当优先考虑性能和可重复性时,出现了协会的可重复性概况.
- 这种特征表明自闭症儿童的头/后部中线区域的马功率和连接性增加.
- 仅基于预测性能的模型选择产生了非强大的关联.
结论:
- 可复制性对于从EEG数据中识别可靠的自闭症生物标志物至关重要.
- 优先考虑可重现性可以提高机器学习模型在自闭症研究中的科学实用性.
- 一个定制的机器学习模型进一步提高了学习协会的稳定性.
