时间序列分类自闭症谱系障碍使用光适应电网红图
Sergey Chistiakov1, Anton Dolganov1, Paul A Constable2
1Engineering School of Information Technologies, Telecommunications and Control Systems, Ural Federal University named after the First President of Russia B. N. Yeltsin, Yekaterinburg 620002, Russia.
Bioengineering (Basel, Switzerland)
|September 27, 2025
概括
机器学习模型,特别是ROCKET和TS-KNN,准确地对电网红图 (ERG) 信号进行分类,以检测自闭症谱系障碍 (ASD). 这些模型解释ERG数据,重点关注关键波形组件,以获得更好的诊断见解.
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
- 数据科学数据科学数据科学
背景情况:
- 临床电视网图 (ERG) 是评估视网膜功能的重要诊断工具.
- ERG波形可以帮助诊断视网膜缩和神经系统疾病,包括自闭症谱系障碍 (ASD).
研究的目的:
- 应用和解释基于时间序列的机器学习 (ML) 方法来分类来自ASD个体的ERG信号,并典型地开发控制.
- 了解ERG信号分类中的ML模型的决策过程.
主要方法:
- 利用各种时间序列分类 (TSC) 算法来分析ERG信号.
- 采用随机卷积内核转换 (ROCKET) 算法以提高准确性.
- 应用了SHapley添加式解释 (SHAP) 来实现模型的可解释性.
主要成果:
- 在对ASD的ERG信号进行分类时,ROCKET算法实现了最高的准确性.
- ROCKET和KNeighborsTimeSeriesClassifier (TS-KNN) 通过专注于临床上显著的a和b波,抛弃基线噪声,提供了明确的解释.
- 基于ERG数据的SHAP分析显示ROCKET和TS-KNN对于ASD分类的适用性.
结论:
- 时间序列分类 (TSC) 有效地识别ERG信号中的关键区域,用于神经疾病分类.
- 这种方法支持视觉电生理学在识别神经和视网膜疾病的诊断潜力.


