从EEG评估自闭症谱系障碍的严重程度:使用统计和人工智能框架的多学科方法
Noor Kamal Al-Qazzaz1, Sawal Hamid Bin Mohd Ali2,3, Siti Anom Ahmad4,5
1Department of Biomedical Engineering, Al-Khwarizmi College of Engineering, University of Baghdad, Baghdad 47146, Iraq.
Bioengineering (Basel, Switzerland)
|November 27, 2025
概括
脑电图 (EEG) 揭示了自闭症谱系障碍 (ASD) 中与严重程度相关的明显的大脑活动模式. 机器学习模型显示出使用这些神经生理学标记的ASD早期检测的希望.
科学领域:
- 神经科学是一个神经科学.
- 发展心理学 发展心理学
- 生物医学工程 生物医学工程
背景情况:
- 自闭症谱系障碍 (ASD) 是一种影响社会沟通和行为的发育障碍.
- 了解ASD严重程度的神经生理基础对于早期干预至关重要.
- 电脑电图 (EEG) 提供了一种非侵入性方法来研究大脑的电活动.
研究的目的:
- 为了研究EEG光谱空间形状和ASD严重程度之间的关系.
- 应用统计和人工智能 (AI) 方法来区分自闭症严重程度.
- 探索基于EEG的生物标志物用于早期ASD诊断的潜力.
主要方法:
- 从典型发育的儿童和患有轻度,中度和严重ASD的个体获得了EEG数据.
- 使用双向ANOVA和Pearson的相关性进行相对EEG权力的统计分析.
- 使用机器学习分类器,包括决策树 (DT) 和长短期记忆 (LSTM) 神经网络,用于分类任务.
主要成果:
- 在ASD严重程度和神经生理活动之间发现了显著的相关性:较快的频率下降,而较慢的频率随着严重程度的增加而增加.
- 决策树 (DT) 分类器在区分自闭症严重程度方面取得了65%的准确性.
- 长期短期记忆 (LSTM) 神经网络实现了73.3%的准确性,显示出更高的性能.
结论:
- 基于EEG的光谱空间概况揭示了与ASD严重程度相关的明显的神经生理学变化.
- 统计和人工智能技术显示出在ASD中可靠识别EEG异常的潜力.
- 这种方法可以促进早期诊断,并改善ASD患者的治疗结果.
