摘要
自闭症谱系障碍（ASD）的诊断得益于对神经振荡的技术分析。通过一种专门的工程框架，利用脑电图（EEG）信号分析神经振荡，从而更准确地识别自闭症谱系障碍。该方法结合了统计信号处理、频域变换和计算智能技术。首先将15个电极采集的多通道EEG数据划分为7个功能脑区，随后应用离散小波变换（db4）进行多分辨率分解，提取并标准化德尔塔、西塔、阿尔法、贝塔和伽马频率带的功率值。此外，还通过统计描述符来量化信号的动态特性和复杂性，从而形成一套强大的多维度特征集。在分类阶段，该框架采用了多种学习方法进行综合比较分析，这些特征集被输入到9种传统机器学习算法、8种深度神经网络架构以及4种元学习策略中进行处理。实证结果表明，逻辑回归的准确率为88.57%，AUC值为0.77；额外树模型的准确率为86.42%。长短期记忆（LSTM）网络具备出色的序列建模能力，其准确率也达到了约87%。虽然元学习保持了较高的诊断灵敏度，但其性能并未超过那些独立的领先模型。为确保结果的临床可解释性，研究还运用了解释性分析方法，确定德尔塔和西塔频率带的功率是最具区分度的特征。总体而言，这项研究提供了一种技术严谨、透明且自动化的电生理信号特征分析流程，为儿童ASD的神经生理学鉴别奠定了初步的计算机基础。不过，所有研究结果均为初步探索性的，还需在更大规模的独立样本群中进行验证。
图形摘要
对15个电极采集的36名儿童（18名ASD患者，18名正常发育儿童；年龄2–6岁）的睡眠EEG数据进行了分析，这些数据被划分为7个皮质区域，随后通过离散小波变换（db4；FDR=1.24±0.18）分解为德尔塔至伽马频率带。最终得到了一个包含90个维度特征向量（75个光谱特征+15个统计特征），并使用21种模型在五折分层交叉验证的基础上进行分类。逻辑回归的准确率最高，为88.57%±3.2%，AUC值为0.772；LSTM网络的准确率为87.15%±4.1%，AUC值为0.765。SHAP分析表明，低频振荡中的德尔塔和西塔频率带功率是用于儿童ASD分类的重要多变量鉴别生物标志物。
利益冲突声明
作者声明不存在任何利益冲突。
数据可用性说明
作者确认，本研究的相关数据均可在文章正文及其支持信息部分找到。
