可解释机器学习（Explainable Machine Learning）用于分析自闭症儿童与正常发育儿童在实用性思维处理过程中的脑电图（EEG）差异，这些差异具有时间结构特征

《Scientific Reports》：Explainable machine learning characterizes temporally structured EEG differences in pragmatic processing between children with autism and typically developing peers

　　

摘要

语用能力障碍是自闭症谱系障碍（ASD）的核心特征，然而其神经机制在系统的解释框架内仍不清楚。传统的仅关注孤立ERP成分的研究在捕捉语用理解的时间组织方面存在局限性。本研究基于多阶段的语用处理框架，将理论驱动的特征构建与可解释的机器学习相结合，考察了在语境-句子匹配任务中数据集内的群体区分性脑电图（EEG）模式。研究收集了103名ASD儿童和107名典型发育儿童（年龄4-10岁）的EEG数据。神经特征是通过叠加时间窗口和感兴趣区域（ROI）测量得出的，并使用L2正则化的逻辑回归在嵌套交叉验证框架内进行分类分析，随后进行了Haufe变换特征解释、自助法稳定性评估以及时间和相关分析规范的补充控制。分类器实现了适度但统计上高于偶然水平的群体区分能力（AUC = 0.652，经验p值 = 0.001），表明当前样本内的群体区分性有限。Haufe变换模式分析显示，模型相关的EEG信息在时间范围和头皮ROI上的分布不均匀：在早期范围（0-300毫秒）和整个头皮ROI上平均绝对Haufe模式幅度最大；在中期范围集中在前中央头皮ROI；而在晚期范围则以颞部头皮贡献为主。在ASD组内的探索性脑-行为分析表明，早期和晚期时间特征与接受性词汇能力呈相反方向的相关性。重复交叉验证评估显示，当将EEG特征与年龄信息结合时，数据集内样本外的性能仅有有限提高，这些发现不应被解释为语用能力的直接行为证据。这些发现提供了关于任务过程中EEG信息在时间和头皮ROI上分布的样本内描述，并促成了对时间依赖性进行独立验证和建模的研究。