基于机器学习的婴儿自闭症谱系障碍早期预测模型使用声学特征
Shengjian Yin1, Zhijia Li1,2, Luyang Guan1
1Child Mental Health Research Center, Brain Hospital Affiliated With Nanjing Medical University, Nanjing, China.
概括
使用婴儿发声的机器学习模型显示出早期自闭症谱系障碍 (ASD) 检测的前景. 声学特征确定了关键差异,使婴儿的ASD预测能够准确.
科学领域:
- 生物医学工程 生物医学工程
- 发展心理学 发展心理学
- 机器学习 机器学习
背景情况:
- 早期发现自闭症谱系障碍 (ASD) 对于及时干预至关重要.
- 婴儿发声为早期ASD查提供了一个潜在的非侵入性途径.
研究的目的:
- 开发和验证一种机器学习模型,用于使用声学特征在婴儿中早期检测ASD.
- 为了确定关键的声学生物标志物,表明ASD在婴儿早期.
主要方法:
- 一项前性队列研究,涉及来自ASD兄弟队列的9-18个月龄的婴儿.
- 声学特征提取 (4368个特征),然后进行LASSO回归以减少维度 (39个特征).
- 支持矢量机 (SVM) 分类器开发,并进行十倍交叉验证和对四个内核函数的评估.
主要成果:
- 采用西格莫体内核的SVM模型实现了高性能:92.86%的灵敏度,93.33%的特异性和93.18%的准确性.
- 在被诊断为ASD的婴儿中观察到光谱和与能量相关的声学特征的显著差异 (p < 0.01).
- 该研究确定了用于ASD预测的39个关键声学特征.
结论:
- 从婴儿发声中获得的声学特征可以作为可靠的,非侵入性的生物标志物,用于早期发现ASD.
- 开发的SVM模型显示了早期ASD查和促进及时干预策略的巨大潜力.
