基于脑电图的机器学习用于在阅读障碍和自闭症谱系障碍中检测生物标志物:对模型,特征和诊断实用性的比较审查

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 医疗信息学 医疗信息学

背景情况:

• 自闭症谱系障碍 (ASD) 和发育性阅读障碍是复杂的神经发育状况.
• 确定可靠的神经生物学指标对于早期诊断和干预至关重要.
• 脑电图 (EEG) 提供了一种非侵入性方法来评估大脑活动.

研究的目的:

• 审查最近的机器学习 (ML) 和深度学习 (DL) 在分析EEG的ASD和阅读障碍方面的进展.
• 在基于EEG的神经发育障碍的研究中探索共同的方法管道.
• 评估ML/DL模型在这个领域的诊断潜力和局限性.

主要方法:

• 对15项同行评审研究 (2013-2025) 的系统综述,重点是针对ASD和阅读障碍的EEG分析.
• 对预处理技术 (例如,MATLAB,MNE-Python) 和特征提取 (例如,光谱功率,连接性,) 的分析.
• 评估ML算法,包括支持向量机器,随机森林,深度神经网络和变压器.

主要成果:

• 在阅读障碍和自闭症组中报告了高分类准确率 (82%-99.2%).
• 确定了常用的EEG系统 (10-20) 和预处理管道.
• 先进的DL模型在区分神经发育条件方面表现出显著的潜力.

结论:

• 应用于EEG的ML和DL显示出在识别ASD和阅读障碍的神经生物学标志物方面具有显著的前景.
• 目前的模型具有治疗应用的潜力,但在解释性和通用性方面面临挑战,特别是在异质的自闭症患者群体中.
• 需要进一步的研究,以提高模型的透明度和适用于各种临床场景.