《Computers in Biology and Medicine》：Predicting fine motor deficit in autism by measuring brain activities and characterizing motor impairments
编辑推荐：
自闭症谱系障碍（ASD）青少年精细动作缺陷预测研究采用机器学习模型整合EEG信号、行为评估和协调测试，评估逻辑回归、支持向量机等五类模型，结果显示逻辑回归准确率最高（95.84%），为早期筛查提供可解释性方案。
Zaibunnisa L.H. Malik | Pooja Raundale
MCA系，Sardar Patel理工学院，隶属于孟买大学，印度孟买
摘要
大约86.9%的自闭症谱系障碍（ASD）儿童存在运动障碍，这些障碍通常会持续到青少年时期，并增加发展性协调障碍（DCD）的风险。尽管运动障碍普遍存在，但只有31.6%的受影响个体接受了物理治疗，这凸显了早期干预方面的严重不足。传统的精细运动缺陷（FMD）诊断方法往往耗时且成本高昂，因此需要采用数据驱动的方法。本研究提出了一个机器学习框架，用于快速可靠地预测ASD青少年的精细运动障碍。通过整合基于EEG的神经生理信号、行为评估和运动协调测试，该研究评估了五种分类模型——逻辑回归、支持向量机、K-最近邻、随机森林和神经网络。其中，逻辑回归的准确率最高（95.84%），显示出很强的预测能力。所提出的框架提高了FMD筛查的效率，并为ASD早期诊断提供了可解释的模型。
引言
自闭症谱系障碍（ASD）是一种影响社交互动、行为和运动技能的神经发育障碍。在这些障碍中，精细运动障碍（影响书写、物体操作和日常任务）在研究中常常被忽视，相比之下，粗大运动障碍受到更多关注。早期识别精细运动障碍可以改善干预策略（见图4）。
机器学习可以利用QEEG信号、运动表现指标和自闭症谱系商数-10（AQ-10）筛查分数，提供一种客观的、数据驱动的方法来预测精细运动障碍。
自闭症谱系商数-10（AQ-10）是由Baron-Cohen等人开发的简短标准化筛查问卷，用于识别13岁及以上个体的自闭症特征。
该问卷包含十个行为和社会沟通问题，有助于判断是否存在自闭症谱系障碍（ASD）。通常使用7分或更高的分数作为识别潜在ASD特征的阈值。
本研究整合了多模态数据源，并应用主成分分析（PCA）和机器学习模型来开发预测框架。研究结果旨在通过高精度识别精细运动障碍，从而改进ASD诊断工具，支持早期干预。
本研究整合了多模态数据源，并应用主成分分析（PCA）以及机器学习模型，为自闭症谱系障碍（ASD）个体的精细运动障碍开发预测框架。所提出的模型结合了行为和神经生理评估，以提高诊断准确性，支持对与ASD相关的运动障碍的早期和非侵入性检测。
文献综述
尽管已有大量关于ASD预测的研究，但在精细运动障碍预测方面仍存在明显不足。这表明需要一种利用机器学习技术来准确诊断和预测ASD患者精细运动障碍的预测模型。
ASD患者中普遍存在运动障碍，这些障碍可分为粗大运动障碍和精细运动障碍。
方法
本研究采用结构化的实验设计，通过整合行为评估、EEG信号分析和机器学习（ML）模型来预测ASD患者的精细运动障碍。基于EEG的频率分析、手指敲击测试（FTT）和手眼协调评估是评估ASD患者运动和神经生理功能的成熟方法[[13], [14]]。这些测试此前已被用于识别差异。
数据收集和数据集融合
研究对象为13至19岁的青少年。ASD患者通过孟买的自闭症治疗中心和包容性学校招募。所有任务都在光照一致、听觉干扰最小的受控实验室环境中进行。整个测试过程中都有认证的行为治疗师和成人监督员在场。所提出的针对自闭症成人精细运动障碍的预测模型框架如图1所示。
数据集主要包括两个部分
特征提取与选择
本研究采用两阶段分析设计。第一阶段使用自闭症谱系商数-10（AQ-10）筛查测试来判断每位参与者是否表现出自闭症特征，从而将参与者准确分类为ASD组或神经典型对照组。第二阶段，使用定量EEG（QEEG）、手指敲击测试（FTT）、手眼协调和视觉记忆任务来评估两组是否存在精细运动障碍。
合成数据生成
由于收集的数据集规模较小（120名参与者：60名ASD患者，60名非ASD患者），我们探索了使用生成对抗网络（GAN）生成合成样本的方法。
• 数据集扩展：利用GAN将数据集扩展到约5000个样本（2500名ASD患者，2500名非ASD患者），从而解决类别不平衡问题并减轻小样本限制。虽然本研究探索了多个数据集，但最终使用了120名参与者的统一数据集
机器学习模型开发
为了解决集成问题，采用了结合逻辑回归、SVM和神经网络输出的集成方法，以提高泛化能力和稳定性。对处理后的数据集应用了多种机器学习算法。通过GridSearchCV和RandomizedSearchCV进行超参数调整以优化模型参数。PCA将23个特征降维为5个主成分，解释了85%的方差。
结果分析与评估
在本研究中，我们采用分类方法区分具有精细运动障碍的个体（实验组）和没有精细运动障碍的个体（对照组）。评估机器学习模型时，分析了每种模型将这些个体分类为这两组的准确性。
讨论
共有21个特征被用作模型输入，这些特征来自EEG、行为和心理测量数据。基于EEG的特征包括平均电压、α-β频段比值和功率谱密度；行为特征来自手指敲击、手眼协调和视觉记忆任务；心理测量特征则来自AQ-10反应。需要注意的是，AQ-10特征仅对应于完成所有任务的120名现场参与者。
结论
本研究的讨论整合了先前的研究结果，将其置于现有自闭症研究的背景下。观察到的异常EEG频率模式与ASD青少年精细运动控制受损之间的关联与参考文献[26,27]中的早期研究结果一致，这些研究强调了皮层-运动连接性的破坏是运动功能障碍的神经基础。同样，我们的结果也支持了先前将精细运动协调与社会和认知能力联系起来的行为证据。
伦理批准和参与同意
Ummed基金会的伦理委员会允许作者在其中心进行研究，治疗师也验证了数据收集方法。作者接受了NIDA临床试验网络的良好临床实践培训和认证，该培训部分或全部由美国国立卫生研究院下属的国家药物滥用研究所提供的联邦资金资助，合同编号为HHSN27201201000024C。
数据和材料的可用性
所有数据集和/或分析结果均可向作者合理索取。
资金支持
作者未获得本文研究、作者身份和/或发表的任何财务支持。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
作者感谢Ummeed基金会在其学校进行实验，感谢Masina医院精神病科的Dr. Y. Matcheswala和Jai Vakeel研究中心（JVRC）的Dr. Ghabrani在精细运动障碍相关测试中的技术协助。
