Move4AS多模态数据集：揭示自闭症谱系运动功能障碍的神经行为机制

为解决自闭症谱系障碍（ASD）运动功能障碍缺乏公开多模态数据的问题，Joao Ruivo Paulo团队开发了Move4AS数据集，整合EEG（脑电图）和3D运动捕捉技术，通过模仿任务（行走/舞蹈）捕捉社交情感场景下的神经行为特征。该数据集包含20名对照组和14名ASD患者数据，首次实现跨模态对齐，为ASD早期诊断和神经机制研究提供了关键资源，成果发表于《Scientific Data》。

　　

研究背景与意义
自闭症谱系障碍（ASD）长期以来被认为是一种以社交和情感障碍为核心特征的神经发育疾病，但越来越多的证据表明，运动功能障碍——包括动作模仿困难、姿势控制异常和重复行为——可能是其病理生理学的关键环节。这些运动缺陷甚至在婴儿期就已显现，有假说认为它们可能通过影响动作感知和社会参与，进一步加剧ASD核心症状的发展。然而，当前研究面临两大瓶颈：一是缺乏结合行为与神经生理学的公开数据集，二是传统功能磁共振成像（fMRI）无法在自然运动场景中应用。

研究设计与方法
葡萄牙科英布拉大学Joao Ruivo Paulo团队联合多国机构，开发了名为Move4AS的创新数据集。研究招募了20名神经典型成人（对照组）和14名ASD患者（临床组），通过无线16通道EEG（g.Nautilus系统）和37标记点的光学运动捕捉（OptiTrack Flex 3系统），同步记录其在两类模仿任务中的神经与行为数据：1）情感化行走（自信/悲伤），2）社交化舞蹈（单人/双人）。任务设计采用点光源动画（point-light animations）激发镜像神经元系统，并通过事件触发器实现EEG与运动数据的毫秒级对齐。

关键技术

1. 多模态同步采集：EEG（250Hz）与3D运动（120Hz）数据通过Matlab脚本和OptiTrack Motive软件同步，利用时间戳和事件触发器（如指令/执行阶段标记）实现跨模态对齐。
2. 数据预处理：运动数据通过关节层级归一化消除个体体型差异；EEG数据采用独立成分分析（ICA）去除眼动和肌电伪迹。
3. 验证方法：通过共同空间模式（CSP）和线性判别分析（LDA）验证组间分类效能。

研究结果
3D运动数据分析
临床组在模仿任务中表现出显著运动量化差异。经骨架归一化处理后，ASD患者的总运动距离（ summed motion distance）在自信行走（1.2±0.3m）和双人舞蹈（1.5±0.4m）中均低于对照组（1.8±0.5m和2.1±0.6m），提示运动执行效率降低。

EEG数据分析
在μ频段（8-13Hz）——镜像神经元活动的特征频段，临床组在动作观察期（instruction phase）的脑电模式与对照组存在显著差异。基于CSP-LDA的分类模型在舞蹈任务中达到71.4%的组间区分准确率，行走任务中提升至78%，证实数据蕴含可区分ASD的神经标记物。

结论与展望
Move4AS是首个公开整合EEG与高精度运动捕捉的ASD多模态数据集，其价值体现在三方面：1）揭示了运动功能障碍与神经活动异常的关联性，支持“运动-社交”共病假说；2）为开发基于生物力学和EEG的ASD早期筛查工具提供基准数据；3）推动工程学与神经科学的跨学科研究，如运动分类算法开发。未来可扩展至儿童队列或结合经颅磁刺激（TMS）探究因果机制。

局限性
样本量较小（尤其临床组n=14），且未涵盖ASD全谱系严重程度。但研究者已公开预处理代码（Python/EEGLab）和原始数据，鼓励全球团队参与验证与拓展。这项发表于《Scientific Data》的工作，为理解ASD的复杂神经行为机制打开了新窗口。