大脑活动可以揭示自闭症特征的严重程度

来自俄罗斯和以色列的研究人员团队应用了一种新的算法来通过研究受试者的大脑活动来分类自闭症人格特征的严重程度。

本文简介：根据FNIRS使用ε-复杂性系数重新编码的大脑活动的自闭症分类分类自闭症和发病症。

在诊断自闭症和其他精神障碍时，医生越来越多地使用神经影像学方法，除了传统的测试和观察。这种诊断方法不仅更有目的，而且还经常揭示医生行为数据不足的情况下的病症的存在，例如当患者在年龄年轻时。

在诊断方法的发展中，一个重要的任务是选择一种算法，可以识别某些脑活动模式。自脑细胞每秒产生许多电气脉冲，原始数据通常不足以做出任何结论。必须首先处理数据。

一组来自俄罗斯和以色列的研究人员研究了其中一种算法。该实验涉及26名健康受试者，但有5人因噪声信号而被排除在最终样本之外。首先，参与者完成了自闭症谱系商(Autism Spectrum Quotient)，根据测试结果，他们被分为两组:自闭症特征较强的和自闭症特征较弱的。

然后参与者执行一项人际同步运动任务:要求每个受试者与研究人员同步移动他们的右手几分钟，同时记录他们的大脑活动。人际同步任务经常被用于自闭症谱系障碍的诊断，因为自闭症患者很难协调联合行动。

研究人员选择功能性近红外光谱(fNIRS)来记录受试者的大脑活动，而不是传统的核磁共振成像或脑电图(EEG)。

FNIRS技术基于使用红外光测量脑血管中的氧气水平。与FMRI不同，FNIRS是一种更实惠的便携式技术，不能产生噪音，因此这种神经影像学技术非常适合研究自闭症患者的大脑活动。

为了分析大脑活动数据，研究人员使用了ε-复杂性系数。这种相对较新的数学方法允许研究人员从复杂和嘈杂的模式中提取有意义的信息。基于以这种方式处理的数据，研究人员使用经典分类方法将受试者划分为分组，这取决于在执行同步任务时的大脑活动的特征。

试验这些算法，科学家们能够实现预测准确性超过90％：在10例中有9例，使用神经模仿的受试者的自闭症性状的严重程度与参与者填写的问卷的结果进行评估开始。

新技术可用作自闭症谱系障碍的诊断工具，因为与FMRI相比，在与ASD的人员合作时，它更可访问和方便。

此外，本研究首次成功地应用ε-复杂度理论对fNIRS记录的数据进行解码。这为使用新算法用fNIRS技术进行的其他研究。

“在我们的研究中，我们使用了ε-复杂度方法，这是达克霍夫斯基博士在过去几年中开发的。我们开发了一种基于fNIRS大脑活动记录对患者进行分类的算法。”由此产生的无模型技术时间序列分析可以用于违反传统分析方法的前提条件的情况下，例如，当处理显著非平稳的心电图和脑电图信号时。因此，该技术可用于其他领域的研究精神错乱和特色，在数据中出现的模式，“HSE大学计算机科学高级讲师尤里·杜布诺·尤里·杜布诺斯（Hse University）。

---

---