基于EEG的自闭症谱系障碍通道优化分类方法

自闭症谱系障碍（ASD）是一种影响个体认知和行为的神经发育性疾病。这是一种终身的疾病，目前尚无任何干预措施能够完全治愈。然而，早期诊断和后续治疗对自闭症患者有重大影响。不幸的是，目前的诊断实践依赖主观和行为，导致在早期年龄延迟诊断，并使得难以区分自闭症与其他发育障碍。一些文献探索了可能的行为独立测量来诊断ASD。EEG中的异常可以作为可靠的生物标志物诊断ASD。本研究提出了一种基于EEG信号处理和学习模型的低成本、简单的ASD分类诊断方法。探索了使用最少数量EEG通道的可能性。从噪声滤波的EEG数据中提取统计特征并在离散小波变换前后分析。通过基于关联的特征选择选择了相关特征和EEG通道。研究了几种学习模型和特征向量，并探索了使用最少数量EEG通道的可能性。使用随机森林和基于相关的特征选择，获得了93%的准确率。