利用微状态分析方法,在静息状态下的脑电图(EEG)尺度上探究自闭症谱系障碍(ASD)儿童与正常儿童(TD)在脑机制上的差异。根据Cartool中的准则和不同微状态类别的数目对于被试者EEG数据的解释程度,确定微状态类别的数目为4;使用原子化与凝...利用微状态分析方法,在静息状态下的脑电图(EEG)尺度上探究自闭症谱系障碍(ASD)儿童与正常儿童(TD)在脑机制上的差异。根据Cartool中的准则和不同微状态类别的数目对于被试者EEG数据的解释程度,确定微状态类别的数目为4;使用原子化与凝聚层次聚类算法,分割出个人水平和组水平上的微状态类别,分别标记为微状态A、B、C和D。然后根据这4类微状态的地形图和EEG数据各时间点的GEV相关性,将数据拟合回EEG数据,最终得到微状态时间序列,提取时域上的参数特征,比较ASD组和TD组的差异。选取的时间参数为平均持续时间、发生频率、时间覆盖率和转移概率,并通过计算马尔可夫模型的方法探究微状态序列的独立性。结果表明,在ASD组vs TD组中表现有统计差异(P<0.05)的微状态时间参数有:持续时间(A:0.110±0.013 vs 0.180±0.048,C:0.140±0.024 vs 0.220±0.067,D:0.130±0.050 vs 0.190±0.037,单位:s)、时间覆盖率(A:22.0±5.4 vs 27.0±7.2,B:27.0±4.7 vs 18.0±5.5,单位:%)、发生频率(A:1.93±0.52 vs 1.55±0.22,B:2.08±0.46 vs 1.39±0.32,C:2.10±0.49 vs 1.47±0.30,D:1.78±0.19 vs 1.27±0.27,单位:次/s),且卡方检验不支持微状态类别之间在时间序列上是独立的零假设(P<0.01),提示微状态类别之间存在依赖性以及信息共享性。本研究为自闭症的评估提供了客观指标和科学依据。展开更多
文摘利用微状态分析方法,在静息状态下的脑电图(EEG)尺度上探究自闭症谱系障碍(ASD)儿童与正常儿童(TD)在脑机制上的差异。根据Cartool中的准则和不同微状态类别的数目对于被试者EEG数据的解释程度,确定微状态类别的数目为4;使用原子化与凝聚层次聚类算法,分割出个人水平和组水平上的微状态类别,分别标记为微状态A、B、C和D。然后根据这4类微状态的地形图和EEG数据各时间点的GEV相关性,将数据拟合回EEG数据,最终得到微状态时间序列,提取时域上的参数特征,比较ASD组和TD组的差异。选取的时间参数为平均持续时间、发生频率、时间覆盖率和转移概率,并通过计算马尔可夫模型的方法探究微状态序列的独立性。结果表明,在ASD组vs TD组中表现有统计差异(P<0.05)的微状态时间参数有:持续时间(A:0.110±0.013 vs 0.180±0.048,C:0.140±0.024 vs 0.220±0.067,D:0.130±0.050 vs 0.190±0.037,单位:s)、时间覆盖率(A:22.0±5.4 vs 27.0±7.2,B:27.0±4.7 vs 18.0±5.5,单位:%)、发生频率(A:1.93±0.52 vs 1.55±0.22,B:2.08±0.46 vs 1.39±0.32,C:2.10±0.49 vs 1.47±0.30,D:1.78±0.19 vs 1.27±0.27,单位:次/s),且卡方检验不支持微状态类别之间在时间序列上是独立的零假设(P<0.01),提示微状态类别之间存在依赖性以及信息共享性。本研究为自闭症的评估提供了客观指标和科学依据。
