融合多特征脑电评估孤独症儿童

摘要：

孤独症是一种复杂的神经发育性脑疾病,其早期发现和精确诊断非常重要.从54名孤独症和50名正常儿童的脑电信号中提取功率谱、熵、双谱相干性以及相干性等多特征进行分析研究,并对每组特征进行独立样本t检验分析组间差异;为提高分类性能,提出融合多特征脑电进行分析,进一步采用最大相关最小冗余算法进行特征选择,最后利用支持向量机建立分类模型.结果显示,用单一特征分类,得到的分类准确率为72％,灵敏度为73.94％,特异性为67.74％,F1分数为69.74％,因此单一特征所建立的分类模型性能较差;在融合多特征进行分类时,选择前25个特征建立模型,具有较高的分类精度(93.45％±0.79％),此时灵敏度为91.73％±0.42％,特异性为94.01％±0.36％,F1分数为92.54％±0.31％,且AUC达到0.96,相比单一特征分类模型具有良好的性能.研究结果可以为孤独症的辅助诊断提供科学客观依据,为孤独症儿童后期康复提供可靠参考.

关键词：孤独症;脑电信号;融合;机器学习;分类

所属期刊栏目：40

分类号：R318(医用一般科学)

资助基金：国家自然科学基金62001153

在线出版日期：2021-12-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：550-558