将脑电图(EEG)的微状态动态整合到堆叠集成模型中,用于自闭症谱系障碍(ASD)的神经诊断评估

《Behavioural Brain Research》:Integrating EEG microstate dynamics in a stacked ensemble for neurodiagnostic ASD assessment

【字体: 大 中 小 】 时间:2026年04月26日 来源:Behavioural Brain Research 2.3

编辑推荐:

  自闭症谱系障碍(ASD)诊断存在神经生物学异质性和主观评估的挑战。本文提出融合空间(谱功率、功能连接、信号复杂度)和时间(微状态转换、HMM动力学)特征的堆叠集成机器学习框架,通过随机森林基模型和元分类器实现96.3%的跨组交叉验证准确率,显著优于单一模式方法(空间88.15%、时间73.6%),并验证了模型层面的集成优于特征级融合。

  
Delna Kuriyakose|Gowsalya M.
印度泰米尔纳德邦韦洛尔市韦洛尔理工学院高级科学学院数学系,邮编632014

摘要

自闭症谱系障碍(ASD)由于其神经生物学的异质性以及目前对主观行为评估的依赖,仍然在诊断上具有挑战性。为了解决这个问题,我们提出了一种新颖的堆叠集成机器学习框架,通过整合空间和时间神经特征来提高基于EEG的ASD分类能力。空间特征包括频谱功率、功能连接性和信号复杂性,而时间特征则来源于微状态转换和基于隐马尔可夫模型(HMM)的动态分析,这些特征共同捕捉了静息状态下大脑活动的不同方面。使用随机森林模型作为基础学习器和元分类器,我们的集成系统在严格的GroupKFold交叉验证中达到了96.3%的分类准确率,显著优于仅基于空间(88.15%)或时间(73.6%)特征的单一模型。自助法置信区间验证了该集成方法的统计稳健性和泛化能力。我们的框架不仅提高了诊断准确性,还为早期检测、亚型区分和个性化干预策略的神经技术应用奠定了基础。

引言

自闭症谱系障碍(ASD)是一种复杂的终身神经发育障碍,其特征是社交互动受损、沟通困难以及行为受限或重复[1]。ASD的异质性使得诊断尤为困难,因为症状的出现和严重程度在不同个体间差异很大。然而,早期发现已被证明可以通过针对认知、语言和社交技能的及时干预显著改善发展轨迹[2]。
传统的ASD诊断主要基于行为观察,依赖于标准化工具,如自闭症诊断观察计划(ADOS)和修订版自闭症诊断访谈(ADI-R)。尽管这些工具经过了充分验证,但它们本质上是主观的、耗时的,并且需要高度训练的临床医生来操作,这导致了诊断延迟和结果不一致,尤其是在资源有限的环境中[3]。因此,人们开始转向客观的、基于神经生物学的生物标志物,以支持或补充行为评估。
在各种神经成像方法中,脑电图(EEG)因其独特的优势而成为发现ASD生物标志物的有希望的工具。与提供高空间分辨率但成本高昂、便携性差且要求受试者在狭小空间内保持静止的磁共振成像(MRI)或功能性磁共振成像(fMRI)相比,EEG具有毫秒级的时间分辨率、便携性、成本效益,并且适用于儿童和临床人群[4, 5]。此外,EEG能够捕捉到动态的大脑活动模式,这些模式被认为反映了ASD中的功能连接性和神经同步性,而这在ASD中是异常的[6]。
然而,迄今为止大多数基于EEG的ASD研究要么依赖于粗糙的频谱特征(如频带功率和相干性),要么使用静态的脑信号统计描述符[7]。这些方法可能忽略了神经动态的瞬变性和顺序性,而这些对于捕捉ASD中异常的信息处理至关重要。为了解决这个问题,微状态分析受到了关注。EEG微状态是短暂且几乎稳定的空间模式(通常持续60-120毫秒),它们代表了大规模脑网络活动的基本组成部分[8, 9]。这些微状态被认为反映了分布式神经组装之间的瞬时协调,并与认知过程、意识以及精神疾病(包括精神分裂症、抑郁症和ASD)有关[10, 11]。
微状态可以从两个关键维度进行研究:
  • •
    空间特征:EEG活动在电极上的拓扑分布,通常使用模板匹配或聚类技术进行分析。
  • •
    时间特征:微状态动态随时间的序列、持续时间、转换概率和熵。
虽然空间和时间特征都提供了有价值的见解,但大多数现有的ASD研究要么只关注其中一个领域,要么无法稳健地模拟复杂的状态转换。特别是时间特征,通常使用简单的马尔可夫模型或转换矩阵进行建模,这些模型假设动态是无记忆的,无法捕捉到像ASD这样的神经发育障碍中的状态持续性[12]。
为了克服这些限制,我们引入了一个高斯隐马尔可夫模型框架,该框架倾向于自转换,从而更好地模拟持久的神经状态。同时,我们通过将EEG数据投影到一组主成分分析(PCA)得到的微状态模板上来提取空间特征,利用余弦距离度量来精确估计拓扑相似性。为了获得全面的信息,我们提出了一种融合策略,将空间和时间特征集结合成一个统一的向量。然后使用这些融合特征来训练多种机器学习模型,包括随机森林(RF)、支持向量机(SVM)、XGBoosting和逻辑回归(LR),并通过逐个受试者的交叉验证进行评估。
此外,我们实现了一个堆叠集成框架,其中基础模型和元分类器都是随机森林。基于实证证据,我们优先选择随机森林而不是更新的深度学习模型,因为对于样本量小于10,000的情况,基于树的方法在EEG分类方面表现更好[13]。基础模型分别针对空间和时间EEG特征集进行训练,以捕捉特定领域的模式。然后将它们的预测概率输入到元级别的随机森林中,后者学习如何组合这些概率以进行最终分类。我们通过统计验证证实了这种架构优于特征级融合,证实了模型级集成在捕捉ASD相关神经动态方面的优势。
本研究旨在通过开发一个统一的基于EEG的框架来解决自闭症分类中的关键问题,特别是神经生物学的异质性问题。与依赖单域特征的标准方法不同,本研究通过层次化集成架构整合了互补的空间连接性(“硬件”)和时间微状态动态(“软件”),从而提高了诊断的稳健性和神经生理学的可解释性。
为此,我们的主要贡献包括:
  • •
    潜在动态量化(时间建模): 与仅使用HMM进行信号分割的先前研究不同,我们利用HMM提取潜在的动态生物标志物,特别是转换熵和状态平衡概率。这些特征提供了对ASD中常见的“认知僵化”的新量化,弥合了信号处理和临床症状之间的差距。
  • •
    整体“硬件-软件”融合: 我们构建了一个统一的特征融合流程,超越了简单的连接。通过整合静态的功能连接性(空间)和毫秒级状态转换(时间),我们将ASD大脑建模为一个具有结构和动态缺陷的复杂系统,提供了比单一模式研究更完整的生物标志物谱型。
  • •
    层次化解决不兼容性问题(堆叠): 我们提出了一种堆叠集成架构,解决了空间和时间特征之间的统计不兼容性问题。我们证明,直接的特征连接由于高维噪声而无法提高基础学习器的性能,而我们的元学习方法成功地权衡了这些互补领域,从而显著增强了ASD相关神经动态的表示。

相关研究

最近在EEG研究方面的进展显著增强了我们对自闭症谱系障碍(ASD)病理生理学和诊断潜力的理解。临床研究表明,EEG异常与ASD之间存在强烈关联,一项针对1014名儿童的研究发现37%的病例存在癫痫样活动,并表明通过调节镜像神经元系统可以改善发育结果[14]。这一临床相关性表明...

方法论

本研究提出了一个全面的基于EEG的分类框架,用于识别自闭症谱系障碍(ASD),重点是比较和分析从预处理EEG数据中提取的空间和时间特征。该方法的核心目标是研究这些特征领域对ASD分类性能的单独和综合贡献,以及展示整合这些特征的堆叠集成方法的有效性。

结果

本节报告了所提出的基于EEG的机器学习框架在区分自闭症谱系障碍(ASD)患者和神经典型(NT)对照组方面的分类性能。

讨论

尽管在ASD研究中已经探索了EEG微状态和机器学习,但本研究代表了首次成功应用堆叠泛化方法来弥合静态频谱生物标志物和动态状态转换指标之间的差距。以前的研究通常将特征整合视为简单的连接问题。然而,正如我们的结果(表2)所示,简单的连接未能提高像随机森林这样的基础学习器的性能。这表明空间和时间特征...

局限性

尽管所提出的框架表现出优越的分类性能,但仍有一些局限性需要考虑。首先,96.3%的准确率是在单一地点、同质的儿童数据集上获得的。虽然这减少了地点特异性差异(例如放大器差异、噪声轮廓),但它限制了研究结果在更广泛的多地点临床人群中的直接泛化能力。我们尝试在外部公共仓库中验证该模型;然而...

结论和未来方向

我们的研究表明,一个整合了空间和时间EEG特征的系统集成学习框架显著提高了自闭症谱系障碍(ASD)检测的分类性能。使用严格的GroupKFold交叉验证,堆叠模型的分类准确率达到96.3%,显著优于仅基于频谱(空间)或微状态(时间)特征的独立分类器。

CRediT作者贡献声明

Delna Kuriyakose:撰写——原始草稿、可视化、验证、方法论、正式分析、数据管理、概念化。Gowsalya M.:撰写——审稿与编辑、监督、项目管理、调查、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号