使用EEG信号的非线性动态和具有特征优化的模糊极端学习机器来诊断儿童的自闭症
Xin Wang1, Han Liu2, Yuer Zhu1
1College of Intelligent Medical Engineering, North Henan Medical University, Xinxiang, China.
Computer methods in biomechanics and biomedical engineering
|November 19, 2025
概括
这项研究引入了使用电脑电图 (EEG) 信号诊断自闭症的先进框架. 这种新方法提高了诊断准确度,为儿童早期检测提供了更客观,更有效的方法.
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) 的诊断需要客观的方法.
- 脑电图 (EEG) 信号分析是ASD检测的一个有希望的途径.
- 现有的基于EEG的自闭症诊断框架缺乏全面的优化和特征选择.
研究的目的:
- 开发和验证使用EEG信号进行自闭症诊断的新型高精度框架.
- 通过先进的信号处理和机器学习技术,提高自闭症检测的准确性和效率.
主要方法:
- 一个包括EEG数据预处理,非线性特征提取和使用混合GA-DBSCAN方法的特征优化在内的综合框架.
- 通过LASSO技术减少特征,并使用模糊的极端学习机器 (ELM) 分类器进行分类.
- 在两个独立的EEG数据库上进行验证以评估性能.
主要成果:
- 在两个EEG数据库中,仅使用14道EEG数据,实现了高精度 (高达97.64%) 和性能指标 (灵敏度,特异性,F1得分).
- 与现有方法相比,拟议的框架显示出更高的性能.
- 这种方法有效地优化了特征,在遗传算法的适应性评估过程中排除了异常值.
结论:
- 开发的框架提供了从EEG信号客观自闭症诊断的重大进展.
- 该方法在低频道EEG数据的有效性表明了可扩展,成本有效的临床查的潜力.
- 非线性EEG动态与模糊的ELM相结合,对儿童早期自闭症检测有希望.
