相关实验视频
Updated: May 6, 2026
09:03
Eye Tracking Young Children with Autism
Published on: March 27, 2012
46.6K
机器学习和深度学习应用于EEG和fNIRS用于早期自闭症谱系障碍诊断:系统性审查
Andrea De Giacomo1, Roberta Palmieri2, Emanuele Francesco Russo3
1Department of Translational Biomedicine and Neurosciences (DiBraiN), University Hospital, Bari, Italy.
Frontiers in psychiatry
|February 19, 2026
概括
机器学习和深度学习应用于EEG和fNIRS数据,显示出早期自闭症谱系障碍 (ASD) 检测的前景. 这些神经成像技术为个性化干预提供了客观的生物标志物.
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
- 人工智能的人工智能
背景情况:
- 自闭症谱系障碍 (ASD) 诊断是具有挑战性的,因为它的异质性和早期发病.
- 像EEG和fNIRS这样的非侵入性神经成像,结合ML/DL,提供了新的生物标志物发现途径.
- EEG提供高时间分辨率;fNIRS测量血液动力学反应,使它们互补.
研究的目的:
- 审查EEG和fNIRS与ASD的ML/DL结合的最先进的应用.
- 调查用于早期ASD评估的客观生物标志物.
主要方法:
- 在Scopus和PubMed数据库上进行了系统的文献搜索.
- 遵循PRISMA指南,包括27项同行评审的研究,从2019年至2024年进行.
- 分析重点是使用ML/DL的ASD患者的EEG和fNIRS数据.
主要成果:
- 一致的发现包括神经振荡的改变和大脑区域中社会沟通的连接受损.
- 在方法 (探针,预处理,模型) 中存在显著的异质性,阻碍了元分析.
- 鉴定到的模式表明了客观ASD评估的潜力.
结论:
- 应用到EEG/fNIRS信号的深度学习和机器学习算法显示了早期ASD检测的潜力.
- 这些神经生理学的见解可以支持个性化干预策略.
- 为了稳健的生物标志物开发,需要进一步标准化方法.
