基于連續(xù)小波變換復(fù)圖橢圓區(qū)靜息態(tài)腦電的自閉癥診斷

1.研究背景

近期很多研究者嘗試采用腦電設(shè)備發(fā)展自閉癥譜系失調(diào)的診斷方法，不同的方法分別基于：（1）Delta、Theta、Alpha、Beta、Mu頻段的能量和特性；（2）腦區(qū)之間的一致性與連接性；（3）不同腦電時間刻度的熵和半球活動的不對稱性。機(jī)器學(xué)習(xí)、模式識別、聚類和分類技術(shù)是上述提及的方法中最有效的。

2.研究方法

2.1 被試

本研究參與了4-13歲的61名自閉癥兒童和61名神經(jīng)正常的兒童，均選自于約旦的特殊教育中心以及普通學(xué)校。行為評估的專家提前對被試進(jìn)行診斷，排除了服用藥物的兒童以及受其他精神疾病困擾的兒童，剩下的61名ASD志愿者的嚴(yán)重程度如下：輕度19例，中度24例，重度18例。

2.2 實(shí)驗(yàn)流程及數(shù)據(jù)處理

每名被試佩戴好64導(dǎo)電極帽后采集20分鐘靜息態(tài)腦電數(shù)據(jù)，采樣率500Hz，濾波的頻段范圍是0.8-40Hz，連續(xù)小波變換復(fù)雜圖及橢圓面積的計(jì)算，隨后基于橢圓的特征計(jì)算每一個通道的連續(xù)小波變換平均值、EEG振幅的峰值以及連續(xù)小波變換真實(shí)部分的最大值。采用主成分分析的方式對獲得的特征矩陣進(jìn)行降維，然后采用人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征分類以區(qū)分自閉癥和神經(jīng)正常的被試，70%的數(shù)據(jù)用于訓(xùn)練，30%的數(shù)據(jù)用于測試。最后以統(tǒng)計(jì)學(xué)的角度評估分類的結(jié)果。

3.實(shí)驗(yàn)結(jié)果

腦電中的高能量振幅在自閉癥病例中比正常被試更占優(yōu)勢，由于虛實(shí)范圍的差異，自閉癥病例的復(fù)雜圖比正常被試要大。

通過人工神經(jīng)網(wǎng)絡(luò)進(jìn)行特征分類之后的所獲得的準(zhǔn)確性、敏感性以及特殊性的值分別為95.9%、96.7%、95.1%。

4.結(jié)論

5.參考文獻(xiàn)及DOI號

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