基于脑电图信号处理与Hjorth参数分析的孤独症谱系障碍诊断优化研究

本研究针对孤独症谱系障碍（ASD）缺乏客观诊断标志物的临床难题，系统评估了Butterworth滤波器、离散小波变换（DWT）和独立成分分析（ICA）三种预处理方法对EEG信号质量的影响。通过多维度指标（SNR、MAE、MSE、PSD、SE和Hjorth参数）量化分析，发现ICA在提升信噪比（正常组86.44，ASD组78.69）方面表现最优，而DWT在保持信号特征方面误差最低（MAE:4785.08）。研究首次通过Hjorth参数揭示ASD患者神经活动复杂性降低的特征，为开发精准的EEG辅助诊断工具提供了关键技术支撑。

　　

孤独症谱系障碍（Autism Spectrum Disorder, ASD）是一种常见的神经发育障碍，其特征包括社交互动缺陷、沟通困难和重复性行为。据统计，美国约有2.3%的儿童和2.2%的成年人受到ASD的影响。然而，ASD缺乏特异性的诊断生物标志物和靶向治疗方法，其病因涉及遗传、环境、免疫和神经解剖等多因素的复杂交互作用。ASD的经济负担巨大，美国每年的护理成本超过268.3亿美元。尽管在理解ASD的分子和行为方面取得了显著进展，但开发精确的治疗策略仍面临挑战，因此持续研究对改善患者预后至关重要。

脑电图（Electroencephalography, EEG）因其高时间分辨率、低成本和实时捕捉大脑活动的能力，已成为自闭症研究中的重要工具。EEG是一种无创神经成像技术，通过放置在头皮上的电极测量大脑活动，为认知过程和神经系统疾病（包括ASD）提供洞察。ASD个体通常表现出异常，如长程功能连接减少、局部过度连接增加以及与神经典型个体相比α谱功率较低。这些发现强调需要进一步研究EEG信号，以加深对大脑活动模式的理解，并开发针对神经连接和信号强度的潜在干预措施。

然而，EEG信号本身微弱（幅度介于2至75微伏之间），且常被肌肉运动、电源线干扰和其他伪迹污染，这使得信号提取和解释变得复杂。尽管存在这些挑战，EEG的高时间分辨率（可捕捉毫秒内的事件）使其成为跟踪快速神经过程和研究ASD功能连接的理想工具。由于ASD涉及局部和长程大脑相互作用的破坏，EEG有助于识别连接不足和过度连接的模式，为更有针对性的研究和治疗干预提供基础。

EEG信号预处理是EEG数据分析中的关键步骤，旨在细化原始数据以提高其质量和可靠性。尽管尚未建立预处理的标准化流程，但该过程通常采用数字信号处理技术来从不需要的噪声和伪迹中分离大脑活动信号。有效的伪迹去除对于提高大脑信号分析的质量至关重要，确保收集的数据不受外部和内部干扰。Farhangi等人强调，数据预处理对于建模 drowsy EEG信号至关重要，因为它显著提高了建模结果。

本研究评估了三种预处理方法：Butterworth滤波器、离散小波变换（DWT）和独立成分分析（ICA）。Butterworth滤波器因其在通带内具有最大平坦频率响应而广泛应用于EEG处理，确保最小信号失真。它有效保留了[0.5, 40] Hz范围内的基本频率成分，对应于关键的脑波活动，如δ、θ、α和β波。同时，它去除了低频伪迹和高频噪声，同时保持了稳定的线性相位响应，这对于进一步分析（包括基于机器学习的分类）至关重要。DWT用于将EEG信号分解为多个频带，从而实现更好的噪声分离，同时保留重要的神经模式。ICA在隔离和去除伪迹（如眨眼和肌肉运动）方面特别有效，从而提高了提取特征的可靠性。

研究人员采用了多种评估指标来评估这些预处理技术的性能。计算平均绝对误差（MAE）和均方误差（MSE）以量化处理信号与参考信号之间的偏差，表明去噪效果。进行功率谱密度（PSD）分析以检查不同频带中的功率分布，提供与ASD相关的神经活动模式的见解。还测量了信噪比（SNR）以评估神经信号相对于背景噪声的强度，确保预处理方法提高了信号清晰度。此外，利用频谱熵（SE）评估EEG功率谱的复杂性和不可预测性，这反映了认知和神经状态的变化。计算Hjorth参数（活动性、移动性和复杂性）以深入了解与ASD相关的神经特征。活动性表示信号功率，移动性描述频率变异性，复杂性捕捉神经振荡的不规则性。这些参数全面表征了EEG动力学，可作为ASD识别的潜在生物标志物。

关键技术方法

本研究使用OpenBCI Cyton生物传感板采集16通道EEG数据，样本包括5名ASD儿童和5名健康成人。预处理采用Butterworth滤波器（通带0.5-40 Hz）、DWT（Daubechies小波）和ICA（FastICA算法）三种独立方法。评估指标包含SNR（信噪比）、MAE（平均绝对误差）、MSE（均方误差）、PSD（功率谱密度）、SE（频谱熵）和Hjorth参数（活动性、移动性、复杂性）。所有分析基于MATLAB和Python实现，统计比较采用跨电极平均策略。

结果分析

Butterworth滤波器的性能

Butterworth处理后的SNR显示正常组（62.48）高于ASD组（57.73），但ASD组的误差指标（MAE:11551.17, MSE:180454）低于正常组。频谱熵值在两组间接近（ASD组3.28 vs 正常组3.15），提示ASD信号存在轻微更高的频谱复杂性。Hjorth参数显示ASD组活动性（192.75）、移动性（0.51）和复杂性（1.69）均高于正常组，表明ASD神经信号具有更强的动态性和不规则性。

离散小波变换（DWT）的性能

DWT处理后的SNR在正常组（3.0103）略高于ASD组（3.0098），但ASD组的MAE（4785.08）和MSE（309690）显著低于正常组。功率谱密度（PSD）分析显示ASD组（206.25 μV²/Hz）远高于正常组（6.9798 μV²/Hz），表明ASD信号在去噪后保留更多能量。Hjorth参数进一步证实ASD组的活动性（28190.51）、移动性（1.7594）和复杂性（1.0873）均高于正常组，凸显DWT在保留ASD特异性特征方面的优势。

独立成分分析（ICA）的性能

ICA在提升信噪比方面表现最佳，正常组SNR达86.44，ASD组为78.69。但误差分析显示正常组的MSE（506827）显著高于ASD组（582521），表明ICA可能过度抑制正常信号中的有效成分。频谱熵值正常组（3.59）高于ASD组（2.20），反映ASD信号频谱分布更规则。PSD结果差异巨大，ASD组（12.14 μV²/Hz）远超正常组（0.0029 μV²/Hz），暗示ASD可能存在神经振荡异常。Hjorth参数显示正常组的移动性（0.4958）高于ASD组（0.1678），而复杂性参数在ASD组（9.8792）显著更高，表明其信号结构更不稳定。

讨论与结论

本研究通过系统比较三种主流EEG预处理方法，揭示了其在ASD神经信号分析中的特异性表现。ICA在最大化信噪比方面表现突出，适用于对信号清晰度要求高的临床确认场景；DWT在平衡误差控制和特征保留方面优势明显，尤其适合实时筛查应用；Butterworth滤波器作为基础预处理阶段仍具价值。更重要的是，研究发现ASD群体普遍表现出更高的Hjorth活动性和复杂性参数，这与既往研究的ASD神经振荡异常理论一致。

该研究的创新性在于首次在统一框架下量化比较了三种预处理方法对ASD EEG信号的影响，并首次通过Hjorth参数揭示了ASD患者神经动力学的特异性模式。这些发现为开发基于EEG的ASD客观诊断工具提供了重要技术依据：针对初步筛查场景推荐采用DWT预处理流程，而对诊断确认场景则建议采用ICA增强信号质量。

研究也存在一定局限性，包括样本量较小（10人）、年龄匹配不足（ASD儿童与健康成人）以及未考虑ASD亚型分类。未来研究应扩大样本规模，纳入年龄匹配对照组，并探索多模态数据（如心率变异性、皮肤电反应）与EEG的融合分析，以进一步提高诊断准确性。此外，深度学习方法的引入可能实现自适应预处理策略，从而提升ASD识别效率。

本研究由 Universitas Syiah Kuala 和印尼教育文化研究与技术部资助，相关成果发表于《Scientific Reports》期刊，为EEG辅助诊断ASD的临床转化提供了坚实的技术基础。