孤独症儿童脑电特征提取及分类算法研究

发布时间：2020-07-05 09:22

【摘要】：孤独症谱系障碍是一种涉及社交、情绪、认知和行为的异质神经发育障碍。近些年来,随着孤独症患病人数逐年递增,孤独症人群越来越受到国内外的广泛关注,但目前发病机制仍不明确,临床诊断主要依靠行为观察和评估量表的方式,具有一定主观性,因此客观指标对于孤独症评估诊断具有重要意义。而脑电图(EEG)作为一种非侵入性的记录工具,主要用于测量与大脑皮层突触活动相关的神经生理变化,已经广泛用于神经障碍研究。本文主要从功率谱密度、信息熵和连接性三个方面进行多方法脑电特征提取以及分类算法研究,通过对孤独症儿童识别,研究提取脑电特征的有效性。首先,本文采集了51名孤独症儿童(3-7岁)和50名年龄匹配的正常儿童的5分钟睁眼静息态脑电信号。经过筛选,最终被试组由45名孤独症儿童和44名正常儿童组成。然后对脑电信号进行预处理,去除工频、眼电、肌电等伪迹,得到较为干净的脑电信号数据。然后将预处理后的数据分别从功率谱密度、信息熵和连接性三个方面进行特征提取。功率谱密度主要从相对功率和快慢波比进行分析,信息熵主要从近似熵、样本熵、排序熵、小波熵以及多尺度熵角度分析,而连接性主要分析脑电信号的相干性和相位同步指数。对于每种方法所提取的特征,选用支持向量机(SVM)求出单一特征量的分类准确率,比较各指标的分类精度,然后经过置换检验方法进行特征选择,找到最佳特征子集,进行特征融合,使用SVM算法根据特征子集对两组儿童进行分类,建立有效分类模型。结果表明孤独症儿童功率谱与正常儿童有显著差异。孤独症组delta频段相对功率明显增加,alpha频段明显降低,在全脑的分类准确率分别为70.33%、73.00%。此外,孤独症组近似熵、样本熵和小波熵明显低于正常对照组;小波熵作为衡量孤独症脑电信号复杂度最有效的方法,分类精度达到70.80%。近似熵、样本熵、和排序熵的分类准确率分别为58.40%、65.20%、68.50%。连接性方法显示孤独症组在delta频段相干性结果和相位同步指数显著增加;相干性和相位同步指数分类准确率分别为72.80%、71.90%。最后综合所有分析方法,经过特征选择选取了13个指标组成有效特征子集,最终分类精度达到91.01%。本文从临床应用角度出发,挖掘能够有效识别孤独症儿童与正常儿童差别的脑电特征,经过特征融合建立分类模型,对于孤独症临床辅助诊断提供了另一种客观有效的方法,希望未来对孤独症早期发现提供帮助。
【学位授予单位】：河北大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN911.7;TP391.41

【参考文献】