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。