低频重复经颅磁刺激对孤独症儿童脑电节律的影响

孤独症谱系障碍(ASD)是一种涉及多种神经系统的复杂发育障碍性疾病,主要表现为社交沟通障碍以及刻板行为。脑电图(EEG)测量与皮层突触活动相关的神经电生理变化,对检查者无损伤,已被证明是检测神经疾病的有力工具。为深入研究低频重复经颅磁刺激(r TMS)应用于ASD患者康复的作用,本文招募32名ASD被试,其中16名ASD患者作为实验组,16名ASD患者作为对照组,用频率为1 Hz的r TMS调控实验组,基于快速傅里叶变换提取额叶、顶叶、左颞叶、右颞叶、枕叶五个脑区的节律,用非参数估计中的Welch法计算四个频段的相对功率及额叶内通道之间的相干性,并分析所有ASD被试干预前后静息态脑电特征值的变化。统计实验组干预前后的孤独症行为量表(ABC),计算并比较干预前后各项指标得分。结果显示经过r TMS干预之后,ASD患者右颞叶和顶叶δ频段的相对功率普遍降低,额叶通道之间的相干性降低。此研究表明r TMS能够改善ASD患者的注意力、执行能力、语言能力,减少刻板行为和过激行为。     

经颅直流电刺激对孤独症谱系障碍儿童脑电的影响研究

孤独症谱系障碍(ASD)是一种复杂的大脑神经发育障碍,其核心特征是社交障碍和刻板行为。针对孤独症儿童的脑发育异常,将新兴脑调控技术——经颅直流电刺激(tDCS)应用于孤独症儿童脑调控。共招募24名孤独症儿童参加试验,其中12名孤独症儿童接受每周2次共计10次脑调控干预,另外12名孤独症儿童接受每周2次共计10次的伪刺激,作为对照组。利用功率谱和多尺度熵算法,评估脑电的功率谱和复杂度变化。结果表明,经过调控干预后,实验组儿童干预前后4~8 Hz theta频段在全脑均有显著下降(P<0.05),其中,额叶从(1.13±0.07) dB/Hz下降到(0.96±0.06)dB/Hz,左颞叶从(1.18±0.05) dB/Hz下降到(1.03±0.07)dB/Hz,中央区从(1.43±0.06) dB/Hz下降到(1.16±0.03)dB/Hz,右颞叶从(1.14±0.09) dB/Hz下降到(0.96±0.04)dB/Hz,枕叶从(1.39±0.06) dB/Hz下降到(1.09±0.03)dB/Hz;通过计算15个尺度的熵值发现,顶叶(P3,Pz,C3,C4)、枕叶(O1)以及左侧背外侧前额叶(F3)均有显著增加。研究表明,颅直流电刺激能够以无损安全的方式实现对孤独症儿童的神经调控,改善异常脑功能,因此在孤独症的康复中有很大的应用潜力。     

基于眼动追踪技术的孤独症谱系障碍儿童面孔异常加工识别研究

摘要 目的：研究孤独症儿童对社交面孔的加工特点。 方法：招募3—6岁孤独症儿童59名和性别年龄相匹配的正常儿童66名,采用眼动追踪技术记录注视过程,比较两组儿童注视差异,计算孤独症儿童眼动注视指标与量表的相关性,以及使用机器学习进行分类的准确率。 结果：①与正常儿童相比,孤独症儿童更少地注视脸部、眼睛、嘴巴等社会信息丰富区域,而更多地注视背景、身体等社会信息贫乏区域;②孤独症儿童的注视时间与量表分数具有一定的相关性并且孤独症儿童的注视具有一定的偏侧性;③眼动注视时间可以提供较多的信息来区分孤独症儿童和正常儿童,支持向量机（SVM）最高分类准确率为78.60%。 结论：孤独症儿童在面孔注视上存在缺陷;部分量表得分可以预测孤独症儿童的症状严重程度;SVM算法可以作为对孤独症儿童和正常儿童进行分类的辅助工具。     

融合多特征脑电评估孤独症儿童

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。     

基于小波变换结合经验模态分解提取孤独症儿童脑电异常特征研究

孤独症的早期发现与及时干预至关重要。本文结合小波变换和经验模态分解(EMD)提取脑电信号(EEG)特征,比较分析孤独症儿童和正常儿童脑电信号的特征差异。试验共采集了25例(20例男孩,5例女孩)5~10岁孤独症儿童和25例5~10岁正常儿童的脑电信号,基于小波变换提取C3、C4、F3、F4、F7、F8、FP1、FP2、O1、O2、P3、P4、T3、T4、T5和T6的alpha、beta、theta和delta频段的节律波,再进行EMD分解得到固有模态函数(IMF)特征,以支持向量机(SVM)实现孤独症和正常儿童脑电的分类评估。试验结果表明,小波变换和EMD结合的方法可以有效地识别孤独症儿童和正常儿童的脑电信号特征,分类正确率达到87%,相比文中小波结合样本熵方法提取脑电特征分类评估的准确率高出将近20%。所提取的四种节律波中,delta节律(1~4 Hz)波的分类正确率最高,特别是在前额F7通道、左前额FP1通道和颞区T6通道其分类准确率均超过90%,能够较好地表达孤独症儿童脑电信号的特点。     

自闭症谱系障碍儿童静息状态下脑电微状态研究

利用微状态分析方法,在静息状态下的脑电图(EEG)尺度上探究自闭症谱系障碍(ASD)儿童与正常儿童(TD)在脑机制上的差异。根据Cartool中的准则和不同微状态类别的数目对于被试者EEG数据的解释程度,确定微状态类别的数目为4;使用原子化与凝聚层次聚类算法,分割出个人水平和组水平上的微状态类别,分别标记为微状态A、B、C和D。然后根据这4类微状态的地形图和EEG数据各时间点的GEV相关性,将数据拟合回EEG数据,最终得到微状态时间序列,提取时域上的参数特征,比较ASD组和TD组的差异。选取的时间参数为平均持续时间、发生频率、时间覆盖率和转移概率,并通过计算马尔可夫模型的方法探究微状态序列的独立性。结果表明,在ASD组vs TD组中表现有统计差异(P<0.05)的微状态时间参数有:持续时间 (A:0.110±0.013 vs 0.180±0.048,C:0.140±0.024 vs 0.220±0.067,D:0.130±0.050 vs 0.190±0.037,单位:s)、时间覆盖率 (A:22.0±5.4 vs 27.0±7.2,B:27.0±4.7 vs 18.0±5.5,单位:%)、发生频率 (A:1.93±0.52 vs 1.55±0.22,B:2.08±0.46 vs 1.39±0.32,C:2.10±0.49 vs 1.47±0.30,D:1.78±0.19 vs 1.27±0.27,单位:次/s),且卡方检验不支持微状态类别之间在时间序列上是独立的零假设(P<0.01),提示微状态类别之间存在依赖性以及信息共享性。本研究为自闭症的评估提供了客观指标和科学依据。     

基于熵算法的孤独症谱系障碍儿童脑电特征提取与分类

孤独症谱系障碍(ASD)儿童的早期诊断至关重要。脑电图(EEG)是最常用于神经成像的技术之一,其使用方便并且包含信息丰富。本文从ASD儿童和正常儿童的EEG信号中提取近似熵(ApEn)、样本熵(SaEn)、排序熵(PeEn)和小波熵(WaEn)四种熵特征,应用独立样本t检验分析组间差异,利用支持向量机(SVM)学习算法为不同脑区的每种熵测量建立分类模型,最后通过置换检验搜索优化子集,使SVM模型实现最佳性能。结果表明,与正常对照组相比,ASD儿童脑电复杂度较低;在所有四种熵中,WaEn的分类性能优于其他熵;分类效果在不同脑区表现出差异性,其中额叶区域表现最佳;最后经过特征选择,筛选出六个特征,建立分类模型,分类准确率最高提高到84.55%。本研究结果可为孤独症的早期发现提供帮助。     

加权多重多尺度熵及其在孤独症儿童脑电信号分析中的应用

本文针对传统多尺度熵在多尺度化过程中信息丢失问题,提出一种加权多重多尺度熵特征提取算法。该算法在各尺度上构建了从大到小的多重数据序列,考虑多重数据序列对该尺度样本熵的贡献程度不同,计算各个序列在该尺度序列中所占比重,以此作为系数重构各尺度样本熵。相比于传统多尺度熵算法,该算法不但克服了信息丢失问题,还充分考虑了序列的相关性与对总熵值的贡献程度,减小了尺度间的波动,更能挖掘脑电信号的细节信息。基于该算法,本文分析了孤独症(ASD)儿童脑电信号特征,与样本熵、传统多尺度熵及延搁取值法多重多尺度熵算法比较,分类准确率分别提高了23.0%、10.4%与6.4%。基于该算法对比分析孤独症儿童与对照组健康儿童的19通道脑电信号,结果表明除FP2通道外,其余通道的熵值均显示健康儿童略高于孤独症儿童,且F3、F7、F8、C3、P3通道的熵值差异具有统计学意义(P0.05)。本文通过对各个脑区加权多重多尺度熵进行分类,发现前颞叶区域通道(F7、F8)的分类准确率最高,表明前颞叶可以作为评估孤独症儿童脑功能状态的敏感脑区。