在神经发育障碍中对光适应电网红图的光谱分析:用机器学习进行分类
Paul A Constable1, Javier O Pinzon-Arenas2, Luis Roberto Mercado Diaz2
1Caring Futures Institute, College of Nursing and Health Sciences, Flinders University, Adelaide 5000, SA, Australia.
Bioengineering (Basel, Switzerland)
|January 24, 2025
概括
电网红图显示了自闭症谱系障碍 (ASD) 和注意力缺陷/多动症障碍 (ADHD) 的不同模式. 机器学习模型显示出对分类这些条件的希望,特别是在两组区别中.
科学领域:
- 神经科学是一个神经科学.
- 眼科医生 眼科 眼科
- 计算精神病学是一种计算精神病学.
背景情况:
- 电网膜图 (ERG) 显示了神经类型个体与自闭症谱系障碍 (ASD) 或注意力缺陷/多动症障碍 (ADHD) 患者之间的可观察差异.
- 之前的研究表明,ERG在区分这些神经疾病方面具有潜力.
研究的目的:
- 研究机器学习 (ML) 和特征选择技术在使用ERG数据对ASD和ADHD个体进行分类时的有效性.
- 确定ML模型在区分ASD,ADHD,ASD + ADHD和对照组的准确性.
主要方法:
- 收集了来自四个组的ERG数据:ASD (n=77),ADHD (n=43),ASD + ADHD (n=21) 和对照组 (n=137).
- 应用标准时间域和信号分析特征.
- 评估了用于分类任务的各种机器学习模型.
主要成果:
- 在男性参与者中实现了0.87的平衡精度 (BA) 来分类ASD.
- 在女性参与者中获得0.84的BA,用于对ADHD进行分类.
- 当包括更多组时,分类准确性显著下降:0.70对于三组模型 (ASD,ADHD,控制) 和0.53对于四组模型 (ASD,ADHD,ASD + ADHD,控制).
结论:
- 通过机器学习分析ERG数据,显示出有可能将ASD或ADHD分为两组的广泛分类.
- 模型的性能受到参与者的性别的影响,并且在试图同时分类多个不同的诊断组时受到限制.
更多相关视频
06:34Using the Electroretinogram to Assess Function in the Rodent Retina and the Protective Effects of Remote Limb Ischemic Preconditioning
Published on: June 9, 2015
16.1K
10:30Simultaneous Recording of Electroretinography and Visual Evoked Potentials in Anesthetized Rats
Published on: July 1, 2016
12.3K
