自闭症谱系障碍的检测使用来自电脑图的突出连接特征
Zahrul Jannat Peya1, Mahfuza Akter Maria1, Sk Imran Hossain1
1Computer Science and Engineering Department, Khulna University of Engineering & Technology, Khulna 9203, Bangladesh.
International journal of neural systems
|February 18, 2025
概括
这项研究引入了一种使用脑电图 (EEG) 信号来检测自闭症谱系障碍 (ASD) 的新方法. 从连接特征地图 (CFM) 中提取的相互信息 (MI) 功能显示了区分自闭症与对照对象的最佳结果.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 计算精神病学是一种计算精神病学.
背景情况:
- 自闭症谱系障碍 (ASD) 由于其变异性和缺乏明确的生物标志物而带来了重大诊断挑战.
- 电脑电图 (EEG) 信号,反映大脑活动,为神经发育障碍的检测提供了一个有希望的途径.
- 目前对ASD的诊断方法缺乏客观指标,需要先进的分析方法.
研究的目的:
- 从EEG信号中开发一种有效的特征提取方法,以区分患有自闭症和神经类型控制的个人.
- 评估各种连接特征在识别EEG数据中的ASD模式中的有效性.
- 通过先进的机器学习技术,建立一个强大的分类框架来检测ASD.
主要方法:
- 从EEG信号中提取六个突出的连接特征:交叉相关性 (XCOR),相锁定值 (PLV),皮尔森相关系数 (PCC),相互信息 (MI),规范化相互信息 (NMI) 和转移 (TE).
- 连接特征地图 (CFM) 的构建,以从提取的特征中表示空间信息.
- 使用对CFM应用的卷积神经网络 (CNN) 进行ASD和对照对象的分类.
主要成果:
- 连接特征地图 (CFM) 在区分自闭症与对照对象方面表现出卓越的表现,因为它们具有固有的空间信息.
- 相互信息 (MI) 功能在对ASD和对照参与者进行分类时表现出最高的准确性.
- 通过增加样本大小和数据细分,特别是MI功能,观察到性能改善.
结论:
- 使用CFM和CNN的拟议方法为从EEG数据中客观检测ASD提供了有希望的方法.
- 相互信息 (MI) 成为提高ASD分类准确性的关键特征.
- 建议在不同的数据集和更大的样本大小中进行进一步的验证,以巩固这种基于EEG的诊断工具的临床适用性.
