孤独症谱系障碍是一种广泛性发育障碍疾病,主要表现为社会互动障碍、交流障碍以及重复刻板行为和兴趣,它的发病机制目前还不清楚,可能与遗传、环境、生物学等因素有关。目前,最广泛使用的孤独症的诊断方法是行为观察以及填写诊断量表,这种方法较为主观,所以寻求客观的指标对于孤独症的精确诊断具有重要意义。本文以14名孤独症患者以及相匹配的正常儿童为研究对象。首先,通过高精度无线生物电信号采集分析系统采集了睁眼静息状态脑电信号。然后对采集到的脑电信号进行预处理www.selleck.cn/products/jq1,去除伪迹信号,得到较为理想的脑电信号数据。接着从信息熵和连接性两方面对脑电信号进行特征提取,包括近似熵、样本熵、排序熵、小波熵、相干性和相位同步指数,然后使用统计分析方法分析孤独症儿童与正常儿童的脑电特征差异,得到孤独症患者大脑的异常区域。最后,使用支持向量机(SVM)算法计算所提取特征的分类准确率,对各个特征量的分类精度进行比较,并通过特征选择,找到能够有效区分孤独症与正常儿童的特征子集,从而构建识别分类模型。结Rapamycin生产商果显示,基于信息熵和连接性所提取的脑电信号特征可genetic etiology以从不同角度量化孤独症患者与正常儿童的脑电差异,能够作为评估孤独症的电生理指标。信息熵的结果表明,与正常儿童相比,孤独症儿童显示出较低的近似熵、样本熵、排序熵、小波熵的熵值,表示孤独症患者大脑电信号的复杂程度相比于正常儿童较低,分类准确率分别为69.70%、64.04%、71.80%、72.72%;连接性的结果表明,孤独症儿童脑电信号的相干性和相位同步指数相比于正常儿童较低,表示孤独症儿童的脑功能连接较弱,脑区之间整合和协调能力较低,相干性和相位同步指数的分类精度分别为70.59%和74.48%。最后选取了13个最能体现两组儿童脑电特征差异的特征量组成特征子集,使用SVM对两组儿童进行分类,分类准确率达到了90.32%。综上所述,本文提取的信息熵和连接性指标可以反映出孤独症患者与正常对照组之间具有显著差异性,能够作为表征孤独症患者脑电信号的特征值,且构建的分类模型可以实现孤独症患者与正常人之间的有效识别分类,为孤独症的临床辅助诊断和治疗效果评估提供了一种新的途径。