相关实验视频
Updated: May 10, 2026
07:37
Assessment and Communication for People with Disorders of Consciousness
Published on: August 1, 2017
可解释的人工智能发现了自闭症谱系障碍的神经生理学标记的新型EEG微状态候选者
Delna Kuriyakose1, Gowsalya M1
1Department of Mathematics, School of Advanced Sciences, Vellore Institute of Technology, Vellore, India.
Frontiers in computational neuroscience
|February 20, 2026
概括
这项研究引入了一种基于EEG的新型框架,用于使用微态分析诊断自闭症谱系障碍 (ASD). 开发的方法以高准确度识别了关键的神经生理学标记,为客观的ASD诊断铺平了道路.
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) 是一种神经发育状况,其特征是异常的大脑连接和认知灵活性挑战.
- 脑电图 (EEG) 微态分析为大脑网络动态和潜在的自闭症生物标志物提供了洞察力.
研究的目的:
- 开发一种可解释的ASD诊断分类框架,使用多域微状态信息的EEG特征.
- 整合时间,光谱,复杂性和更高层次的指标,以全面描述大脑动态.
主要方法:
- 利用了来自谢菲尔德数据集的56名参与者的静止状态EEG数据 (28名ASD,28名对照).
- 提取了多域微态特征 (时间,光谱,复杂性,更高阶).
- 使用10倍交叉验证和超参数调整评估分类器,使用可解释AI (SHAP) 进行特征选择.
主要成果:
- 使用完整的功能集,XGBoost分类器实现了80.87%的准确性,优于单域模型.
- SHAP分析确定了顶级的歧视性特征,包括微态衍生和光谱功率.
- 用SHAP选择的特征进行重新训练,保持了高准确度 (80.34%),证实了生物标志物的稳定性.
结论:
- 反映时间不稳定性和光谱变化的微态信息特征是ASD相关的神经生理学标志物.
- 这些发现支持客观ASD诊断,治疗监测和个性化干预的潜力.
