融合多特征腦電評估孤獨癥兒童

趙 杰 靳亞娟 張志明 萬靈燕 李小俚 康健楠?

1(河北大學電子信息工程學院，河北 保定 071000)

2(北京師范大學認知神經科學與學習國家重點實驗室，北京 100875)

引言

孤獨癥譜系障礙(autism spectrum disorder，ASD)是一種神經發(fā)育障礙，表現(xiàn)為社會交往障礙、語言發(fā)展障礙和行為的刻板局限[1]。最近研究表明，普通人群中ASD 的發(fā)病率是每68 名兒童中就有1 名兒童，男孩的這一數字高達1/42[2]。目前關于ASD 的病因尚不明確，通常認為并不是單一因素的影響；之前的研究認為，ASD 誘發(fā)的危險因素主要包括遺傳、自身免疫、環(huán)境、外在刺激等；發(fā)病率的劇增和病理的復雜性，對準確的臨床評估和診斷提出了更高的要求[3]。目前，臨床診斷主要基于行為量表測試，包括兒童孤獨癥行為量表和兒童孤獨癥評定量表等[4-5]。但受限于醫(yī)生經驗及量表診斷的主觀性，以及兒童個體差異較大，現(xiàn)有的臨床診斷結果并不十分準確，仍然存在許多無法確診的疑似病例。因此，尋找客觀指標進行精準評估和診斷顯得尤為重要。

腦電圖(electroencephalogram，EEG)是一種無創(chuàng)的腦電記錄技術，通過在頭皮上放置電極來測量大腦的電活動。由于其具有無創(chuàng)性、便攜性以及可操作性，EEG 已成為臨床診斷、實驗室研究和許多其他應用中優(yōu)選的大腦記錄方法[6]，也是分析和評估腦疾病患者的有力工具。自發(fā)腦電(也稱為“靜息狀態(tài)腦電”)，可以有效地評估大腦正在進行的神經活動，也可以檢測到神經振蕩模式[7]。將EEG 信號劃分為5 個頻段，包括:delta(1～4 Hz)、theta(4～8 Hz)、alpha(8～13 Hz)、beta(13～35 Hz)和gamma(35 Hz 以上)頻段。之前研究顯示，相較于正常兒童，ASD 兒童的腦電功率存在異常[8-10]，普遍出現(xiàn)低頻(delta、theta)和高頻(beta、gamma)活動增加，中間頻段(alpha)活動減少[11]。其中，alpha 頻段功率降低可以作為皮質抑制的參考指標，這對大腦區(qū)域內部以及區(qū)域間的連接起著重要作用[10]，其差異也可以用來區(qū)分正常和ASD 兒童。EEG 信號的分析除了上述功率譜等線性分析方法外，還有一些非線性分析方法。例如，衡量大腦復雜度采用熵分析，而信息熵作為一種衡量，系統(tǒng)復雜度的物理量適用于EEG 這類高維信號[12]，在過去的幾十年中，基于熵的非線性方法已廣泛應用于ASD 研究中[13]。之前，Catarino 等[14]和Bosl 等[15]采用熵方法分析EEG復雜度。在Catarino 的研究中發(fā)現(xiàn)，ASD 組的熵值顯著低于正常組的熵值，具有顯著差異腦區(qū)主要分布在顳葉和頂葉。Sohn 等[16]通過計算注意力缺陷與多動障礙兒童的近似熵發(fā)現(xiàn)，在額葉腦區(qū)與正常兒童具有顯著性差異。由于不同腦區(qū)控制大腦的不同功能，因此正常兒童和ASD 兒童的EEG 信號在不同腦區(qū)計算出的熵值能夠體現(xiàn)出兩者大腦發(fā)育的差異性。因此，從靜息態(tài)EEG 中提取4 種熵特征，即近似熵(approximate entropy，ApEn)、樣本熵(sample entropy，SaEn)、排序熵(permutation entropy，PeEn)和小波熵(wavelet entropy，WaEn)，按照大腦半球原有溝裂形狀將全腦劃分為5 個腦區(qū)，分別為前額葉、左顳葉、右顳葉、頂葉和枕葉，研究不同腦區(qū)、不同熵值的EEG 信號差異。由于EEG信號是微弱的非平穩(wěn)信號，單純的功率譜分析或許不能包含所有信息，而熵特征可能能夠彌補這個缺點，因此功率譜與熵的特征結合能更準確地分析EEG 信號。

有研究表明，ASD 兒童EEG 信號不同頻率的神經振蕩之間存在互相耦合的作用[3，12-13]，雙譜相干性(bispectral coherence)是雙譜的歸一化[17]，能夠表明耦合作用的程度。Bullock[18]曾用雙相干譜來分析睡眠狀態(tài)、清醒狀態(tài)以及癲癇狀態(tài)的EEG 信號，對于短期記憶過程，雙譜相干性表現(xiàn)出了顯著性差異[19]。因此，采用雙譜相干分析EEG 信號的耦合，進而研究頻段上的耦合是否存在顯著性。

除上述單通道信號之間的研究，EEG 信號功能連接一直受到廣泛關注。相干性(coherence)是一種量化兩通道線性相關的方法[20]，通過計算各個頻段不同腦區(qū)之間的相干性來反映腦區(qū)間的功能連接強弱。

ASD 是一種復雜的腦疾病，Eldridge 等[21]對年齡范圍為6～10 歲的ASD 兒童和正常兒童進行分類，提取方差、功率譜等有差異的特征，采用邏輯回歸和貝葉斯分類器進行分類，分類準確率達到79%。Bosl 等[15]以多尺度熵為特征向量，采用支持向量機算法，對正常兒童組和高危ASD 兒童組進行分類，分類準確率在80%左右。這些研究表明，一類特征可能很難對二者進行準確判斷，因此創(chuàng)新性地從多特征融合的角度分析ASD 兒童EEG 信號，利用支持向量機(support vector machine，SVM)對正常兒童和ASD 兒童進行分類，根據最大相關最小冗余算法(max-relevance and min-redundancy，mRMR)篩選出特征子集，進而構造有效的分類模型，提高分類精度，為臨床評估和診斷提供可靠依據。

1 材料和方法

1.1 受試者信息

本研究共招募104 名受試者參與實驗。其中ASD 組為54 名(年齡:3～6 周歲，平均年齡為4.9歲±1.3 歲)，正常對照組50 名(年齡:3～6 周歲，平均年齡為5.0 歲±1.2 歲)。ASD 患者經由專業(yè)的兒童精神科醫(yī)生根據?精神病診斷與統(tǒng)計手冊?和?兒童孤獨癥評定量表?進行診斷確定。正常對照組從本地幼兒園招募，與ASD 兒童在年齡、性別上匹配，沒有ASD 相關家族遺傳史，并排除神經和精神發(fā)育障礙疾病。本研究經過河北大學附屬醫(yī)院倫理委員會批準，在實驗之前告知家長全部流程，并簽署知情同意書。經計算，兩組受試者之間年齡和性別均無統(tǒng)計學差異(年齡:t＝0.627，P＝0.742；性別:χ2＝0.218，P＝0.573)。

1.2 腦電采集

采用128 通道EGI HydroCel Geodesic System(Eugen，OR，美國)腦電系統(tǒng)，采集兒童靜息態(tài)EEG信號，每名兒童采集時間為8～10 min，設定小于50 kΩ 的阻抗，采樣頻率為1 000 Hz，電極在記錄時參考電極均為Cz。在采集過程中，受試者坐在舒適的椅子上處于放松狀態(tài)，盡量減少面部嘴巴、眼睛以及肢體等動作。

1.3 數據預處理

使用Matlab 中的EEGLAB 工具箱，對采集到的EEG 信號進行預處理。第一步為降采樣，采樣率降為128 Hz，再進行帶通為0.5～45 Hz 的濾波。為保證采集的數據質量，EEG 數據分被為4 s 一段，每段數據采用自適應偽跡檢測的方法[22]，把長的原始時間序列進行分段，若某段時間序列含有超過閾值的偽跡成分，則該段時間序列丟棄。通過偽跡檢測剔除噪聲信號，如眼電、肌電、工頻(50 Hz)、呼吸和異常值數據，再對分段信號進行重新拼接。將超過50 kΩ 的電極和整個記錄過程中閾值超過200 μV 的電極標記為壞通道，進行插值處理。數據預處理前后的對比如圖1中的(a)和(b)，這里只截取了128個通道中的20 個通道。

1.4 特征提取

1.4.1 功率譜

從EEG 信號功率譜密度(power spectral density，PSD)中提取特征(如delta、theta、alpha、beta等4 種節(jié)律)，采取周期圖法的加權交疊平均法，對EEG 信號進行功率譜估計，其計算步驟如下:

1)對預處理后的信號x(n)進行功率譜分析，每個通道中使用的是Hanning 窗函數，相比矩形窗，它的能量更加集中在主瓣上，可減少頻譜泄漏，減小加窗帶來的影響，其每段功率譜表示為函數p(f)。

2)把功率譜密度分為L段進行平均，得到功率譜密度如下:

3)對所有信號的功率譜再進行一次疊加平均，作為該通道的功率譜估計。為消除個體差異對絕對功率的影響，計算各節(jié)律(delta、theta、alpha、beta)相對全頻段的比值，即各頻段的相對功率。

1.4.2 近似熵

近似熵(ApEn)是一種用于量化時間序列波動的規(guī)律性和不可預測性的非線性動力學參數，可以表示一個時間序列的復雜性，在腦電方面應用廣泛[23]。ApEn 的計算步驟如下:

1)設存在一個以等時間間隔采樣獲得的N維時間序列u(1)，u(2)，…，u(N)，定義相關參數m和r。其中，m表示向量長度，且為整數；r為實數，表示“相似度”度量值。

2)重構m維向量，其中重構向量如下:

3)對于1≤i≤N－m＋1，統(tǒng)計滿足以下條件的向量個數，有

式中，Ci(r) 表示距離小于r的概率，d表示X(i)與X(j) 的距離，j的取值范圍為 [1，N－ M＋1]。

通常選擇參數m＝2 或m＝3；r的選擇在很大程度上取決于實際應用場景，通常選擇r＝0.2 std，其中std 表示原時間序列的標準差。在本研究中，選擇m＝3，r＝0.2 std。

1.4.3 樣本熵

樣本熵(SaEn)是基于近似熵(ApEn)的一種用于度量時間序列復雜性的改進方法，在評估生理時間序列的復雜性和診斷病理狀態(tài)等方面均有應用[24-25]。與近似熵相比，樣本熵具有兩個優(yōu)勢:其計算不依賴數據長度和具有更好的一致性，即參數m和r的變化對樣本熵的影響程度是相同的。樣本熵的計算過程如下:

1)前兩步與近似熵一致，將信號序列組成m維向量，其中Bi(r) 表示任意Xm(i)和Xm(j) 之間距離小于r的概率，有

2)求Bi(r) 對所有i值的平均值，記為Bi(r)，有

3)令k＝m＋1 進行重構，結果如下:

則樣本熵如下:

嵌入維數m一般取2 或3；相似容限r的選擇在很大程度上取決于實際應用場景，通常選擇r＝0.1～0.25 std，其中std 表示原時間序列的標準差。在本研究中，選擇m＝3，r＝0.2 std。

1.4.4 排列熵

排列熵(PeEn)是用于衡量時間序列復雜程度的指標[17，26－27]，在計算重構子序列之間的復雜程度時，引入了排列的思想，具有計算速度快和抗噪性能強等優(yōu)勢。排列熵的計算步驟如下:

1)將長度為N的時間序列u(1)，u(2)，…，u(N)，規(guī)定一個嵌入維度m和一個時間延遲L。

2)通過對原序列進行重構，將每個子序列表示如下:

3)然后對每個X(i) 內部進行遞增排序，如果兩個值相等，就按照它們中ji的下標i進行排序。這樣，一個Xi就被映射到了(j1，j2，…，jm)，這正是m! 個排列中的一種。也就是說，每一個m維的子序列X(i) 都被映射到m! 種排列中的一種。

4)通過上面的步驟，可將連續(xù)的m維子空間用一個符號序列表示，其中這些符號的個數有m!。

5)排列熵的計算如下:

參數m選取一般是3～10 之間。本研究選取m＝3，排列熵共有6 種。

1.4.5 小波熵

小波熵(WaEn)的計算基于小波變換[18，28]，屬于譜熵的一種，其顯示結果是小波變換后的頻譜能量與總頻段能量之比，同樣也可以用于描述信號的復雜程度[17，29-30]。信號各頻段含有的成分越多，則小波熵越大，反之亦然。之前的研究表明，小波熵能夠很好地分析EEG 這類非平穩(wěn)信號。小波熵的計算過程如下:

1)用小波變換將信號分解為不同成分，每個節(jié)點j的能量為Ej如下:

2)將每個小波能量除以總能量，得到每個節(jié)點處的相對小波能量，有

3)WaEn 的計算結果如下:

1.4.6 雙譜相干性

雙譜相干性是分析線性信號和系統(tǒng)的有力工具，可以量化EEG 信號成分中的二次相位耦合[3，31]。雙譜相干性把原始信號分為N段，并進行傅里葉變化Fn(f)，F(xiàn)nn(f) 是其共軛表達式。分成的每一小段都可以看成是一個平穩(wěn)的信號段進行雙譜相干分析，其表達式如下:

1.4.7 相干性

相干性是從頻域上量化兩信號間的線性相關性[32-34]。選取了19 個通道，組合成171 個通道對，并分析兩兩之間的關系。相干性Cxy結果需要分別計算兩通道各自的功率譜密度Pxx(f) 和Pyy(f)，以及通道間的互功率譜密度Pxy(f)，最終求得4 個頻段的平均相干性，有

1.5 特征選擇

ASD 兒童與正常兒童的EEG 信號差異復雜多變，如何選擇特征會直接影響分類結果，這就需要考慮特征與結果的相關度、特征與特征之間的冗余度。選擇mRMR 算法進行特征選擇[34]，首先要計算兩個隨機變量X和Y的互信息I(X，Y)，有

根據mRMR 特征與結果最大相關準則，有

式中，h是分類類別向量，S為最適合的特征子集。

另外，最小冗余準則如下:

根據以上兩個準則，mRMR 滿足V－ M最大即可。

1.6 特征分類

選取SVM 方法進行分類[35]。SVM 的工作原理是在特征空間中尋找類別間距離最大的一個最優(yōu)超平面，該平面由不同類之間最近的點組成的支持向量來決定。研究發(fā)現(xiàn)，數據通過非線性變換映射到高維空間后可以尋找最優(yōu)分類面[36]。映射函數稱為核函數K(x，y)，不同的核函數映射方法不同，選擇高斯核函數如下:

在尋找最優(yōu)超平面的過程中，首先讀取所有的特征數據，找到可以劃分數據點的兩個平行超平面，選擇滿足類別的約束條件，進而使兩個平面間沒有數據點，在滿足約束條件的同時，選擇最大化間隔的超平面。選取10 折交叉驗證，把所有被試特征集(包括ASD 兒童和正常兒童)隨機等分為10組，1 組被試的特征集用作測試，其余9 組被試的特征集用來訓練，重復10 次上述步驟，并且保證每組被試都測試一次，10 折交叉驗證的平均準確率為最終分類精度。在特征篩選過程中，嚴格保證測試集與訓練集分離，且特征篩選只在訓練集上進行。這樣不僅使在訓練集上訓練好的模型是完全獨立的，而且使測試集數據在模型上得到的結果更具準確性和說服力。

選擇如下幾個常用的評價指標:準確率(accuracy，ACC)、靈敏度(sensitivity，SEN)、特異性(specificity，SPE)和F1 分數(F1 score，F(xiàn)1)。定義ASD 兒童為正例樣本(positive class)，正常兒童為負例樣本(negative class)。被正確識別的ASD 樣本被稱為真正例(true positive，TP)，被正確識別的正常樣本被稱為真負例(ture negative，TN)；將ASD 樣本錯誤預測為正常樣本的稱為假負例(fasle negative，F(xiàn)N)，將正常樣本錯誤預測為ASD 樣本的稱為假正例(false positive，F(xiàn)P)。分別計算準確率、靈敏度、特異性和F1 分數如下:

1.7 統(tǒng)計分析

采用獨立樣本t檢驗(independent-samplettest)進行統(tǒng)計分析，探究ASD 兒童組與正常兒童組EEG 信號指標的組間差異，設定顯著水平為0.05。由于存在組間因素的影響，進一步采用重復測量方差分析(repeated measure ANOVA)進行多重檢驗校正，用來研究不同處理水平變量間是否存在顯著性差異，以及組間因素與組內因素對于變量是否存在交互影響，能夠減少個體差異對結果造成的影響。

2 結果

2.1 單一特征統(tǒng)計分析及分類結果

表1所示為正常組與ASD 組兒童功率譜的統(tǒng)計結果，其中第1 列為4 個頻段，第2 列為所劃分的5 個腦區(qū)；第3，4 列分別為ASD 兒童組與正常兒童組的功率譜均值。從中可以看出，正常組alpha 頻段的均值普遍高于ASD 組的相應值。在每個頻段均有差異，尤其是delta 頻段的右顳葉、alpha 頻段的枕葉和顳葉及前額葉、beta 頻段的枕葉和右顳葉及頂葉，均有顯著性差異(P<0.05)。功率譜特征統(tǒng)計差異結果表明，正常和ASD 兒童在EEG 信號頻段有較大差異，并且各個腦區(qū)均有顯著不同。

表1 功率譜特征統(tǒng)計結果Tab.1 Power spectrum characteristic statistical results

圖2所示是以功率譜為特征(4 個頻段、5 個腦區(qū)，共計20 個特征)時的分類結果?？梢钥闯?，當選擇到前10 個特征時，分類精度最高為72%，其中靈敏度為73.94%、特異度為67.74%、F1 分數為69.74%，此時AUC(表示模型檢測方法的真實性)達到0.77。進一步計算，將全部功率譜特征作為分類器的輸入，這比只輸入具有顯著性差異的特征有更高的分類準確率；經過mRMR 特征選擇，篩選出的特征不僅包含具有差異性的特征，還包含與類別有更大相關性的特征，進而得到了較高的分類準確率。

圖2 功率譜為特征時的分類結果Fig.2 classification results with characteristic power spectrum

對正常兒童組與ASD 兒童組，將4 種熵值5 個腦區(qū)為特征集下進行統(tǒng)計分析，結果如表2所示。其中，第1 列為4 種不同熵值特征，第2 列為所劃分的5 個腦區(qū)，第3、4 列分別為ASD 兒童組和正常兒童組EEG 信號熵值在5 個腦區(qū)的均值。結果顯示，ASD 兒童與正常兒童在近似熵、小波熵和樣本熵上均有顯著性差異，且小波熵在頂葉、右顳葉和枕葉上均有顯著性差異。

表2 熵的統(tǒng)計結果Tab.2 Statistical results of entropy

以熵值(4 種熵值、5 個腦區(qū)，共計20 個特征)為分類特征時，兩者的分類結果如圖3所示?？梢钥闯?，在選取前11 個特征時，分類ACC 達到最高為64%，其中靈敏度為68.25%、特異性為65.25%、F1分數69.19%，此時AUC 為0.78。將全部特征作為分類器的輸入端，相比只輸入具有顯著差異的特征有更高的分類準確率，有差異的特征包含EEG 信息較少，且存在假陽性；而全部特征能夠包含更多的信息，并且經過mRMR 特征選擇能夠篩選出更大相關性的特征。

圖3 熵值情況下分類結果Fig.3 Classification results using entropy features entropy

表3顯示ASD 組和正常組在雙譜相干性的統(tǒng)計結果，其中分別給出了ASD 和正常組在各頻段間耦合的結果，包括delta-theta、delta-alpha、delta-beta、theta-alpha、theta-beta 和alpha-beta 其6 個耦合結果?？梢钥闯鰐heta-alpha、theta-beta 和alpha-beta 均有統(tǒng)計性差異(P<0.05)。表4顯示ASD 組與正常組在相干性方面的統(tǒng)計差異，可以看出兩組在4 個頻段的相干性均值，ASD 組在delta、theta 和alpha 頻段均低于正常組，在theta 和alpha 頻段均有顯著性差異(P<0.05)。

表3 雙譜相干性統(tǒng)計結果Tab.3 Statistical results of bicoherence

表4 相干性統(tǒng)計結果Tab.4 Statistics results of coherence

2.2 多特征融合統(tǒng)計分析及分類結果

從以上分析可以看出，對單一特征進行分析時，分類結果并不理想，因此考慮將多特征EEG 信息進行融合分析。將功率譜、熵、雙譜相干性以及相干性特征進行融合，把融合后的全部特征集利用mRMR 算法計算所有特征之間以及特征與分類類別之間的分布及互信息，利用互信息結果對所有特征進行排序，再通過支持向量機進行分類。另外，計算并分析了將全部融合特征作為分類器輸入的情況相比只輸入具有顯著差異的特征，有更高的分類準確率；經過mRMR 特征選擇篩選出的特征，不僅包含具有差異性的特征，還包含與類別有更大相關性的特征，進而得到了較高的分類準確率。在SVM 分類器10 折交叉驗證結果中，準確率為93.45%±0.79%，靈敏度為91.73%±0.42%，特異性為94.01%±0.36%，F(xiàn)1 分數為92.54%±0.31%，標準差維持在1%以內，表現(xiàn)出良好的穩(wěn)定性。圖4所示為多特征融合的分類結果，可以看出:當分類精確達到最高93.45%±0.79%時，mRMR 算法對融合特征選擇到前25 個時，AUC 達到0.96。

圖4 多特征融合分類結果Fig.4 Classification results of multi-feature fusion

3 討論

致力研究區(qū)分正常兒童和ASD 兒童EEG 信號的差異，并進行結果分類比較。EEG 是一種常用的神經成像的方法，具有較高的時間分辨率，使用方便并且包含信息豐富。

在功率譜方面，Chan 等[17]在靜息態(tài)下采集ASD 和正常兒童的EEG 并提取功率譜，分析發(fā)現(xiàn)ASD 兒童delta 頻段的絕對功率降低，而alpha 頻段有顯著升高的趨勢。功率譜的研究結果顯示，ASD兒童相比正常兒童在4 個頻段均有顯著差異，ASD兒童的功率譜在delta 頻段能量下降、alpha 頻段能量上升，這和之前的研究結果一致，顯著性體現(xiàn)在枕葉和顳葉腦區(qū)。2008年，Kulisek 等[37]利用粗粒熵算法研究ASD 兒童，發(fā)現(xiàn)ASD 組兒童的熵值低于正常組兒童的熵值。提取ASD 和正常兒童EEG在近似熵、樣本熵、排列熵和小波熵等4 種信息熵時，探討ASD 和正常兒童EEG 的復雜度，結果表明ASD 兒童的復雜度明顯降低，且在利用小波熵計算時表現(xiàn)更為明顯。早在1997年，Bullock 等[18]采用雙譜相干性研究睡眠狀態(tài)下的EEG，結果表明在雙譜相干性方面具有顯著性差異。對ASD 和正常兒童EEG 提取雙譜相干性特征，結果表明theta、alpha頻段和beta 頻段間的耦合表現(xiàn)出差異性，alpha 頻段與beta 頻段間的耦合具有顯著性差異。在這些頻段間的耦合中，ASD 兒童均高于正常兒童。EEG間的差異性并不只表現(xiàn)于單通道間，又對EEG 基于雙通道的相干性特征進行分析研究，表明ASD 兒童EEG 的雙譜相干性普遍低于正常兒童的相應值，且在theta 和alpha 頻段表現(xiàn)出差異。

在對ASD 兒童與正常兒童的分類識別問題中，2014年，Eldridge 等[21]對ASD 兒童和正常兒童EEG提取功率譜特征，并采用貝葉斯方法進行分類，準確率為69%。趙杰等[38]采用信息熵對ASD 兒童和正常兒童進行分類識別，當采用單一信息熵時分類準確率為71.93%，而在采用多種信息熵進行分類時分類準確率達到83.04%。基于單一功率譜、熵值對ASD 和正常兒童分類時，準確率在64%～72%之間，而融合EEG 多特征時分類準確率達到91.5%。實驗結果表明，相比單一類特征進行分類分析，融合多特征方法對于區(qū)分ASD 兒童與正常兒童是有效的，能夠為臨床診斷提供客觀的生物學指標和依據。

同時存在一些問題需要改進，主要包括:

1)樣本數量有限，ASD 兒童受個體差異性影響較大，且在采集過程中出現(xiàn)兒童不配合的情況，采集到的EEG 噪聲較大，導致最終的有效數據較少。接下來需要不斷擴大樣本量，以得到更為準確的結果。

2)主要針對3～6 周歲的兒童進行分析，年齡跨度較大。由于不同年齡段的個體發(fā)展存在較大差異[15]，可能會影響本研究的結果和結論。在未來研究中，需要對年齡段進行精細化分。有研究表明[39]兒童在3 歲之前已經出現(xiàn)了某些異常的神經活動，因此在后續(xù)研究中加入更小年齡段的被試，對于兒童的早期精確診斷和干預也非常重要。

4 結論

在本研究中，從單通道到多通道EEG 特征、從簡單到復雜多方面，分析顯示出ASD 兒童與正常兒童EEG 信號間的差異，采用功率譜、熵、雙譜相干性和相干性等方法，尋找ASD 兒童神經發(fā)育異常的電生理特征，并利用機器學習算法從單一特征到融合多特征分析構建分類器，提高分類器的性能和分類準確率。結果顯示，通過EEG 多特征融合，能夠提高分類精度，為臨床診斷評估ASD 兒童提供可靠依據和參考。