机构名称：
¥ 2.0
自闭症谱系障碍 (ASD) 等神经发育疾病的早期诊断仍是一个尚未得到满足的需求。其中一个困难是识别与 ASD 表型相关的生物信号。视网膜电图 (ERG) 波形已被确定为可能对 ASD 等神经系统疾病进行分类的信号。ERG 波形源自光感受器和视网膜神经元对短暂闪光的响应而产生的电活动，为中枢神经系统提供了一个间接的“窗口”。传统上，波形是在时域中进行分析的，但最近，人们已成功地使用离散小波变换 (DWT) 对 ERG 进行了时频频谱 (TFS) 分析，以表征信号的形态特征。在本研究中，我们建议使用高分辨率 TFS 技术，即变频复合解调 (VFCDM)，根据两个信号闪光强度分解 ERG 波形，以建立机器学习 (ML) 模型来对 ASD 进行分类。其中包括 N = 217 名受试者（71 名 ASD 患者，146 名对照患者）在两种不同闪光强度，446 和 113 Troland 秒 (Td.s) 下的右眼和左眼的 ERG 波形。我们使用 DWT 和 VFCDM 分析了原始 ERG 波形。我们从 TFS 中计算特征并训练 ML 模型（例如随机森林、梯度提升、支持向量机）以将 ASD 与对照患者进行分类。使用独立于受试者的验证策略对 ML 模型进行了验证，我们发现具有 VFCDM 特征的 ML 模型优于使用 DWT 的模型，实现了 0.90 的受试者操作特性曲线下面积（准确度 = 0.81、灵敏度 = 0.85、特异性 = 0.78）。我们发现与较低频率相比，较高频率范围（80 – 300 Hz）包含更多与 ASD 分类相关的信息。我们还发现，右眼中更强的 446 Td.s 闪光强度提供了最佳分类结果，这支持对 ERG 波形进行 VFCDM 分析，作为辅助识别 ASD 表型的潜在工具。
自闭症谱系障碍研究
主要关键词
相关文件推荐
