Autism is a psychiatric condition that is typically diagnosed with behavioral assessment methods. Recent years have seen a rise in the number of children with autism. Since this could have serious health and socioeconomic consequences, it is imperative to investigate how to develop strategies for an early diagnosis that might pave the way to an adequate intervention. In this study, the phase-based functional brain connectivity derived from electroencephalogram (EEG) in a machine learning framework was used to classify the children with autism and typical children in an experimentally obtained data set of 12 autism spectrum disorder (ASD) and 12 typical children. Specifically, the functional brain connectivity networks have quantitatively been characterized by graph-theoretic parameters computed from three proposed approaches based on a standard phase-locking value, which were used as the features in a machine learning environment. Our study was successfully classified between two groups with approximately 95.8% accuracy, 100% sensitivity, and 92% specificity through the trial-averaged phase-locking value (PLV) approach and cubic support vector machine (SVM). This work has also shown that significant changes in functional brain connectivity in ASD children have been revealed at theta band using the aggregated graph-theoretic features. Therefore, the findings from this study offer insight into the potential use of functional brain connectivity as a tool for classifying ASD children.

中文翻译：

---

从基于 EEG 的功能性脑连接分析对自闭症谱系障碍进行分类。

自闭症是一种精神疾病，通常通过行为评估方法进行诊断。近年来，自闭症儿童的数量有所增加。由于这可能会产生严重的健康和社会经济后果，因此必须研究如何制定早期诊断策略，为适当干预铺平道路。本研究利用机器学习框架中从脑电图 (EEG) 衍生的基于相位的功能性大脑连接，对实验获得的 12 种自闭症谱系障碍 (ASD) 和 12 种典型儿童的数据集中的自闭症儿童和典型儿童进行分类。孩子们。具体来说，功能性大脑连接网络已通过基于标准锁相值的三种提议方法计算出的图论参数进行定量表征，这些方法被用作机器学习环境中的特征。我们的研究通过试验平均锁相值 (PLV) 方法和三次支持向量机 (SVM) 以大约 95.8% 的准确度、100% 的灵敏度和 92% 的特异性成功地分为两组。这项工作还表明，使用聚合图论特征在 theta 波段揭示了 ASD 儿童功能性大脑连接的显着变化。因此，这项研究的结果提供了对功能性大脑连接作为 ASD 儿童分类工具的潜在用途的见解。这些被用作机器学习环境中的特征。我们的研究通过试验平均锁相值 (PLV) 方法和三次支持向量机 (SVM) 以大约 95.8% 的准确度、100% 的灵敏度和 92% 的特异性成功地分为两组。这项工作还表明，使用聚合图论特征在 theta 波段揭示了 ASD 儿童功能性大脑连接的显着变化。因此，这项研究的结果提供了对功能性大脑连接作为 ASD 儿童分类工具的潜在用途的见解。这些被用作机器学习环境中的特征。我们的研究通过试验平均锁相值 (PLV) 方法和三次支持向量机 (SVM) 以大约 95.8% 的准确度、100% 的灵敏度和 92% 的特异性成功地分为两组。这项工作还表明，使用聚合图论特征在 theta 波段揭示了 ASD 儿童功能性大脑连接的显着变化。因此，这项研究的结果提供了对功能性大脑连接作为 ASD 儿童分类工具的潜在用途的见解。通过试验平均锁相值 (PLV) 方法和三次支持向量机 (SVM) 获得 92% 的特异性。这项工作还表明，使用聚合图论特征在 theta 波段揭示了 ASD 儿童功能性大脑连接的显着变化。因此，这项研究的结果提供了对功能性大脑连接作为 ASD 儿童分类工具的潜在用途的见解。通过试验平均锁相值 (PLV) 方法和三次支持向量机 (SVM) 获得 92% 的特异性。这项工作还表明，使用聚合图论特征在 theta 波段揭示了 ASD 儿童功能性大脑连接的显着变化。因此，这项研究的结果提供了对功能性大脑连接作为 ASD 儿童分类工具的潜在用途的见解。