基于连续小波变换复图椭圆区静息态脑电的自闭症诊断

2022-01-14 17:34:00 发布者: 查看:
机器学习、模式识别、聚类和分类技术是自闭症诊断中最有效的。

1. 研究背景

近期很多研究者尝试采用脑电设备发展自闭症谱系失调的诊断方法,不同的方法分别基于:(1)Delta、Theta、Alpha、Beta、Mu频段的能量和特性;(2)脑区之间的一致性与连接性;(3)不同脑电时间刻度的熵和半球活动的不对称性。机器学习、模式识别、聚类和分类技术是上述提及的方法中最有效的。

2. 研究方法

2.1 被试

本研究参与了4-13岁的61名自闭症儿童和61名神经正常的儿童,均选自于约旦的特殊教育中心以及普通学校。行为评估的专家提前对被试进行诊断,排除了服用药物的儿童以及受其他精神疾病困扰的儿童,剩下的61名ASD志愿者的严重程度如下:轻度19例,中度24例,重度18例。

2.2 实验流程及数据处理

每名被试佩戴好64导电极帽后采集20分钟静息态脑电数据,采样率500Hz,滤波的频段范围是0.8-40Hz,连续小波变换复杂图及椭圆面积的计算,随后基于椭圆的特征计算每一个通道的连续小波变换平均值、EEG振幅的峰值以及连续小波变换真实部分的最大值。采用主成分分析的方式对获得的特征矩阵进行降维,然后采用人工神经网络模型进行特征分类以区分自闭症和神经正常的被试,70%的数据用于训练,30%的数据用于测试。最后以统计学的角度评估分类的结果。

3. 研究结果

脑电中的高能量振幅在自闭症病例中比正常被试更占优势,由于虚实范围的差异,自闭症病例的复杂图比正常被试要大。

通过人工神经网络进行特征分类之后的所获得的准确性、敏感性以及特殊性的值分别为95.9%、96.7%、95.1%。

自闭症与正常人脑电高能量振幅 

 

脑电结果 

4. 结论

本研究所提出的方法是一种很有前途的基于简单脑电图的计算机技术,可以以高度准确性区分自闭症和正常儿童。

5. 文献及DOI号

Abdulhay, E. W., Alafeef, M., Hadoush, H., & Arunkumar, N. (2020). Resting state EEG-based diagnosis of Autism via elliptic area of continuous wavelet transform complex plot. Journal of Intelligent and Fuzzy Systems, 39(6), 8599–8607.

 

DOI:10.3233/JIFS-189176