功能近红外光谱与机器学习结合在幼儿自闭症谱系障碍探索性分类中的应用

评估使用功能近红外光谱（fNIRS）提取的特征对幼儿自闭症谱系障碍（ASD）进行探索性分类的可行性，并比较不同机器学习算法的分类性能。

研究涉及60名自闭症谱系障碍（ASD）儿童和31名正常发育（TD）儿童，年龄在2-6岁之间。使用八个通道的β激活值作为特征。评估了多种机器学习算法，包括KNN、LR、SVM、DT、RF、GBDT和XGBoost。使用留一法交叉验证进行数据划分，并应用归一化和主成分分析进行特征提取。

研究包括60名自闭症谱系障碍（ASD）儿童和31名正常发育（TD）儿童，分为两个范式。范式1有29名ASD儿童和31名TD儿童，每位参与者有24个β特征。范式2有28名ASD儿童和30名TD儿童，每位参与者有16个β特征。

在范式1中，KNN产生了最高的观察准确率（0.567），而DT产生了最高的观察AUC（0.582）。在范式2中，没有分类器显著超过机会水平。fNIRS特征在年龄和性别之外没有显示出统计学上显著的增量预测价值。

该研究证明了获取和分析基于任务的fNIRS数据的程序可行性。它为fNIRS作为自闭症谱系障碍（ASD）诊断工具的潜力提供了见解。

该研究没有在年龄和性别之外建立独立的诊断价值。整体分类性能适中，fNIRS特征在年龄和性别之外没有显示出统计学上显著的增量预测价值。