在儿童中自闭症谱系障碍歧视的新范式,利用在漫画观看期间收集的EEG数据,专注于非典型的语义处理

科学领域:

• 神经科学
• 发展心理学
• 计算语言学

背景情况:

• 自闭症谱系障碍 (ASD) 具有社会沟通缺陷,包括语义处理方面的困难.
• 传统的神经成像方法在自闭症中学习语言缺乏生态有效性,特别是在幼儿中.
• 评估自闭症儿童的语义处理需要自然和有吸引力的方法.

研究的目的:

• 引入一种基于脑电图 (EEG) 的新方法来评估患有自闭症的儿童 (4-10岁) 的非典型语义处理.
• 在漫画观看期间使用机器学习框架调查自闭症儿童的语义处理偏好和神经机制.
• 探索自闭症儿童的语义信息整合和情感语义维度处理的不同模式.

主要方法:

• 收集自闭症儿童 (4-10岁) 的脑电图数据,
• 开发了一种机器学习模型,结合了预先训练的语言模型和回归技术.
• 使用六维语义数据库和EEG地形绘制来分析跨字维的语义处理.

主要成果:

• 开发的语义处理模型实现了高灵敏度 (91. 3%) 和中等特异性 (61. 0%),结果在验证分析中得到复制.
• 与神经类型个体相比,发现了自闭症儿童处理语义信息的不同模式.
• 观察到自闭症儿童对情感语义维度的整合和神经反应的特定差异.

结论:

• 在看卡通时使用这种新的EEG方法, 提供了一种更为生态有效的方法来评估自闭症儿童的语义处理.
• 这些发现突显了自闭症患者独特的语义处理模式,
• 这项研究为解决临床需求的自闭症在自然环境中的潜在辅助诊断工具提供了基础.