In this work, a method for classifying Autism Spectrum Disorders (ASD) from typically developing (TD) children is presented using the linear and nonlinear Event-Related Potential (ERP) analysis of the Electro-encephalogram (EEG) signals. The signals were acquired during the presentation of three types of face expression stimuli —happy, fearful and neutral faces. EEGs are first decomposed using the Multivariate Empirical Mode Decomposition (MEMD) method to extract its Intrinsic Mode Functions (IMFs), which provide information about the underlying activities of ERP components. The nonlinear sample entropy (SampEn) features, as well as the standard linear measurements utilizing maximum (Max.), minimum (Min), and standard deviation (Std.), are then extracted from each set of IMFs. These features are then evaluated by the statistical analysis tests and used to construct the input vectors for the Discriminant analysis (DA), Support vector machine (SVM), and k-Nearest Neighbors (kNN) classifiers. Experimental results show that the proposed features can differentiate the ASD and TD children using the happy stimulus dataset with high classification performance for all classifiers that reached 100% accuracy. This result suggests a general deficit in recognizing the positive expression in ASD children. Additionally, we found that the SampEn measurements computed from the alpha and theta bands and the linear features extracted from the delta band can be considered biomarkers for disturbances in Emotional Facial Expression (EFE) processing in ASD children.

在这项工作中，提出了一种使用脑电图（EEG）信号的线性和非线性事件相关电位（ERP）分析对典型发育中的（TD）儿童自闭症谱系障碍（ASD）进行分类的方法。这些信号是在呈现三种类型的面部表情刺激（快乐，恐惧和中性的面部表情）的过程中获取的。首先使用多元经验模式分解（MEMD）方法对EEG进行分解，以提取其固有模式函数（IMF），该函数可提供有关ERP组件的基础活动的信息。然后，从每组IMF中提取非线性样本熵（SampEn）特征以及利用最大值（Max。），最小值（Min）和标准偏差（Std。）的标准线性测量。然后，这些特征通过统计分析测试进行评估，并用于构造判别分析（DA），支持向量机（SVM）和k最近邻（kNN）分类器的输入向量。实验结果表明，对于所有达到100％准确度的分类器，使用快乐刺激数据集所提出的特征可以区分ASD和TD儿童，并具有较高的分类性能。该结果表明在识别ASD儿童的阳性表达方面普遍存在缺陷。此外，我们发现，根据alpha和theta谱带计算的SampEn测量值以及从delta谱带提取的线性特征可以被认为是ASD儿童情绪面部表情（EFE）处理障碍的生物标记。支持向量机（SVM）和k最近邻（kNN）分类器。实验结果表明，对于所有达到100％准确度的分类器，使用快乐刺激数据集所提出的特征可以区分ASD和TD儿童，并具有较高的分类性能。该结果表明在识别ASD儿童的阳性表达方面普遍存在缺陷。此外，我们发现，根据alpha和theta谱带计算的SampEn测量值以及从delta谱带提取的线性特征可以被认为是ASD儿童情绪面部表情（EFE）处理障碍的生物标记。支持向量机（SVM）和k最近邻（kNN）分类器。实验结果表明，对于所有达到100％准确度的分类器，使用快乐刺激数据集所提出的特征可以区分ASD和TD儿童，并具有较高的分类性能。该结果表明在识别ASD儿童的阳性表达方面普遍存在缺陷。此外，我们发现，根据alpha和theta谱带计算的SampEn测量值以及从delta谱带提取的线性特征可以被认为是ASD儿童情绪面部表情（EFE）处理障碍的生物标记。实验结果表明，对于所有达到100％准确度的分类器，使用快乐刺激数据集所提出的特征可以区分ASD和TD儿童，并具有较高的分类性能。该结果表明在识别ASD儿童的阳性表达方面普遍存在缺陷。此外，我们发现，根据alpha和theta谱带计算的SampEn测量值以及从delta谱带提取的线性特征可以被认为是ASD儿童情绪面部表情（EFE）处理障碍的生物标记。实验结果表明，对于所有达到100％准确度的分类器，使用快乐刺激数据集所提出的特征可以区分ASD和TD儿童，并具有较高的分类性能。该结果表明在识别ASD儿童的阳性表达方面普遍存在缺陷。此外，我们发现，根据alpha和theta谱带计算的SampEn测量值以及从delta谱带提取的线性特征可以被认为是ASD儿童情绪面部表情（EFE）处理障碍的生物标记。