静息态fNIRS+机器学习 | 3秒信号即可识别学龄前自闭症，分类准确率超90%

静息态fNIRS机器学习 | 3秒信号即可识别学龄前自闭症分类准确率超90%导语自闭症谱系障碍ASD的早期诊断对干预效果至关重要但传统行为评估在学龄前儿童中面临配合度低、主观性强等挑战。近红外脑功能成像fNIRS作为一种光学脑机接口技术因其便携、抗运动干扰强、适用于自然情境等优势成为ASD早期客观筛查的理想工具。本研究发表于SSRN Preprint创新性地结合静息态fNIRS与多种机器学习方法在127名3-6岁儿童中实现了超过**90%**的平均分类准确率为学龄前ASD的快速、客观识别提供了高效路径。值得一提的是本研究使用了国产慧创近红外脑功能成像仪其高采样率和全脑覆盖能力为高质量数据采集提供了坚实保障。核心发现差分二值熵ΔBinEn是最优鉴别特征在对比12种特征均值、标准差、峰度、偏度、近似熵、二值熵及其差分形式后研究发现**差分二值熵ΔBinEn**在所有三个数据源氧合血红蛋白HbO、脱氧血红蛋白Hb、总血红蛋白HbT中均排名第一是区分ASD与正常发育儿童的最强生物标记。该特征反映了信号变化的复杂性和均匀性比原始数据的均值等特征具有更强的鉴别力。集成学习PBIL通道选择算法实现最佳性能研究对比了4种进化计算通道选择算法GA、DE、PSO、PBIL和12种分类器。结果显示PBIL算法与**集成分类器E-SVM用于HbO和E-KNN用于Hb和HbT的组合表现最优。在验证实验中该方法在HbO数据上达到91.79%**的平均准确率、**90.91%的精确率和92.66%**的召回率。2分钟短时采集3秒降采样即可高效识别研究发现将2分钟静息态信号降采样至3秒时间序列既能完美保留原始数据趋势又能大幅降低计算负担。验证实验表明通过多次至少4次短时采集分类性能优于单次长时采集且对ASD儿童的分类效果优于TD儿童证明了该方法在学龄前ASD群体中的实用性和鲁棒性。7个关键通道覆盖核心脑区通过PBIL算法筛选出的7个重叠通道CH1、CH11、CH20、CH24、CH27、CH33、CH42分别对应**颞顶联合区TPJ、顶下小叶IPL、前额叶皮层PFC、初级躯体感觉皮层和额下回IFG**等脑区。这些区域与ASD的社交认知、感觉处理异常等核心症状高度相关为诊断提供了可靠的神经生物学基础。方法亮点多维度、系统性的算法对比框架研究首次在同一数据集上系统对比了4种进化计算通道选择算法和12种分类器包括7种经典算法和5种集成方法并同时考察了HbO、Hb、HbT三种血氧信号源。这种“算法-特征-信号源”三维对比设计为后续研究提供了清晰的“最优组合”参考避免了单一方法可能带来的偏差。针对学龄前儿童的短时、重复采集策略针对ASD幼儿难以长时间保持安静的现实难题研究创新性地采用2分钟短时采集多次重复的方案每个儿童采集2-4次。这一设计既保证了数据质量又大幅降低了儿童的不适感和运动伪迹使得静息态fNIRS在低龄群体中的临床落地成为可能。基于进化计算的通道选择方法研究将通道选择视为一个优化问题利用PBIL等进化算法自动筛选最具鉴别力的通道组合。相比传统全通道分析该方法不仅提升了分类准确率提升约15-25%还揭示了ASD相关的关键脑区为理解疾病神经机制提供了新视角。主题解读本研究聚焦于学龄前自闭症儿童的早期客观识别这是当前ASD临床诊断中最具挑战性的领域之一。传统诊断依赖行为观察和量表评估通常在3-4岁后才能确诊且受评估者经验影响较大。本研究通过静息态fNIRS结合机器学习为3-6岁儿童提供了一种无创、快速、客观的辅助诊断方案。受益人群3-6岁学龄前ASD儿童及其家庭。这一阶段是神经可塑性的黄金期早期诊断可显著改善干预效果。临床场景可部署于儿童保健科、康复科、精神科门诊。儿童只需佩戴fNIRS帽子安静坐2分钟可重复多次无需执行复杂任务极大降低了配合门槛。可落地性分析本研究采用的短时采集2分钟和降采样策略3秒大幅降低了计算成本使得实时分析成为可能。结合国产慧创fNIRS设备的高便携性和抗运动干扰能力该方案有望在基层医院和社区筛查中推广应用。未来可进一步开发基于云端的自动化诊断系统实现“采集-分析-报告”一站式服务。临床/应用价值为学龄前ASD提供客观生物标记本研究确定的ΔBinEn特征和7个关键通道可作为ASD的“fNIRS签名”辅助临床医生进行早期筛查和鉴别诊断减少主观误判。平均超过90%的分类准确率表明其具备临床实用潜力。推动fNIRS在儿童神经发育障碍中的标准化应用研究建立的“短时采集-降采样-特征提取-通道选择-集成分类”标准化流程为后续研究提供了可复制的方法学模板有助于推动fNIRS技术从实验室走向临床。揭示ASD脑功能异常的神经基础筛选出的关键通道覆盖了前额叶、颞顶联合区、初级躯体感觉皮层等脑区与ASD的社交障碍、感觉异常等核心症状的神经影像学发现高度一致为理解疾病机制提供了新证据。局限性与边界样本量仍需扩大虽然127名儿童64 ASD63 TD的样本量优于多数同类研究但ASD的高度异质性要求更大规模、多中心的验证研究以评估方法的泛化能力。数据缺失问题fNIRS采集过程中因运动伪迹导致的数据缺失问题依然存在本研究采用相邻通道插值法处理但更鲁棒的深度生成模型如GANs可能进一步提升数据质量。仅使用静息态数据本研究仅基于静息态fNIRS信号未纳入任务态数据或行为量表信息。未来可考虑多模态融合以提升诊断的全面性和准确性。预印本阶段本文为SSRN Preprint预印本尚未经过同行评审结论需谨慎解读期待后续正式发表和独立验证。论文信息Zhao, Y., Li, K., Chen, Y., Du, B., Chen, L., Zhang, J., Liu, X., Wang, M., Cao, Y., Han, R., Meng, Q., Jia, F., Li, X. How to fast - track the early identification of pre-school autistic children? By comparing diverse machine learning methods with resting - state fNIRS features. https://doi.org/10.2139/ssrn.5564920