在自闭症障碍中识别EEG特征使用SWT和费舍尔线性差异分析

科学领域:

• * 神经科学是一门神经科学.
• * 生物医学工程 * 生物医学工程
• * 机器学习 * 机器学习

背景情况:

• *使用脑电图 (EEG) 诊断自闭症谱系障碍 (ASD) 具有挑战性,因为信号非静止,信号噪声比 (SNR) 低,数据集大小有限.
• * 现有的方法往往缺乏可解释性或需要大量的计算资源,这阻碍了在资源有限的环境中临床应用.

研究的目的:

• *为ASD诊断开发一个紧和可解释的EEG分析管道.
• * 为了利用位移不变的静止波形变换 (SWT) 与费舍尔线性分辨器 (FLDA) 结合,实现强大的特征提取和分类.
• * 提供适合临床环境的带层洞察力和主体智能评估.

主要方法:

• *来自KAU数据集 (8个ASD,8个对照组) 的EEG数据使用SWT (db4波段) 处理.
• *特征是从特定频段 (γ,β,θ) 中提取的,这些频段对应于SWT 3,4 和 6 级.
• *FLDA被采用为监督投影方法,以创建一个低维的分辨子空间,其次是线性决策规则.
• *使用对象分成70/30来评估表现,评估准确性,精度,回忆和F1分数.

主要成果:

• * β频段 (4级) 显示出最高的诊断性能,准确度,精度,回忆和F1得分为0.95.
• * γ 波段的性能达到 0.92,而 θ 波段的性能达到 0.85.
• *FLDA投影有效地最大化了类间的分离,尽管有潜在的得分重叠,但确保了强大的线性分类.

结论:

• * 拟议的SWT-FLDA管道为EEG的ASD诊断提供了一种稳定和可解释的方法,优于以前的FLDA-only和波形-ANN方法.
• * 该方法使用移位不变的SWT来稳定特征,FLDA用于解决小样本问题,提供清晰的,带特定的歧视性洞察力 (β > γ/θ).
• * 这种计算效率高的管道是可重现的,达到竞争力的准确性,适合于低资源的临床环境.