通过测量大脑活动和表征运动障碍来预测自闭症中的精细运动缺陷
Zaibunnisa L H Malik1, Pooja Raundale1
1MCA Department, Sardar Patel Institute of Technology, Affiliated to Mumbai University, Mumbai, India.
Computers in biology and medicine
|February 17, 2026
概括
一个新的机器学习模型准确地预测了自闭症谱系障碍 (ASD) 青少年的精细运动缺陷. 这种方法使用EEG和行为数据,为早期干预提供更快,更可靠的查工具.
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
- 机器学习 机器学习
背景情况:
- 在自闭症谱系障碍 (ASD) 中,运动障碍很普遍,影响约86.9%的儿童,并增加发育协调障碍 (DCD) 的风险.
- 在早期干预方面存在很大的差距,只有31.6%的受影响个人接受物理治疗.
- 目前用于精细运动缺陷 (FMD) 的诊断方法通常耗时且昂贵.
研究的目的:
- 开发和评估一个机器学习框架,以快速和可靠地预测ASD青少年的口热.
- 为了比较五种不同分类模型的口病预测的有效性.
主要方法:
- 基于EEG的神经生理信号,行为评估和运动协调测试的整合.
- 评估了五种机器学习模型:逻辑回归,支持向量机,K-最近邻居,随机森林和神经网络.
- 基于 FMD 预测准确性的模型性能评估.
主要成果:
- 后勤回归在预测精细运动缺陷方面表现出最高的准确性 (95.84%).
- 机器学习框架显示出强大的预测能力,用于识别患有自闭症的青少年的口炎.
- 该研究成功地确定了一个可解释的模型,用于潜在的临床应用.
结论:
- 拟议的机器学习框架显著提高了患有自闭症青少年口炎查的效率.
- 这种数据驱动的方法为早期ASD诊断和干预计划提供了一个有希望的工具.
- 后勤回归模型的高精度突出了其临床实用性的潜力.
