利用从同步态提取的脑连接度量监督学习分类自闭症谱系障碍
医学物理
2014-10-30 v1 计算机视觉与模式识别
应用统计
机器学习
摘要
目标。本文研究利用儿童在面部感知任务期间的脑电图 (EEG) 导出的功能性脑连接度量来检测自闭症的存在。方法。获取典型儿童和自闭症谱系障碍 (ASD) 儿童的 128 通道 EEG 信号的相位同步模式。相位同步态或同步态 (synchrostates) 作为完成特定认知任务的基础过程在时间上相互切换。我们在每组（ASD 和典型）中使用 12 名受试者，分析他们在处理恐惧、快乐和中性面孔时的 EEG。选择每位受试者出现频率最低和最高的同步态以提取脑连接特征，这些特征用于这两组受试者之间的分类。在不同的监督学习技术中，我们在此探索了判别分析和支持向量机（均使用多项式核）用于分类任务。主要结果。分类算法的留一法交叉验证给出了 94.7% 的最佳准确率，相应的灵敏度和特异度值分别为 85.7% 和 100%。意义。所提出的方法提供了高分类准确率，并优于其他当代研究结果。该方法对自闭症儿童和典型儿童分类的有效性表明，有可能将其应用于更大的人群以验证其在临床实践中的适用性。
引用
@article{arxiv.1410.7795,
title = {Classification of Autism Spectrum Disorder Using Supervised Learning of Brain Connectivity Measures Extracted from Synchrostates},
author = {Wasifa Jamal and Saptarshi Das and Ioana-Anastasia Oprescu and Koushik Maharatna and Fabio Apicella and Federico Sicca},
journal= {arXiv preprint arXiv:1410.7795},
year = {2014}
}
备注
27 pages, 17 figures