静息态fNIRS+机器学习 | 3秒信号即可识别学龄前自闭症，分类准确率超90%

导语

自闭症谱系障碍（ASD）的早期诊断对干预效果至关重要，但传统行为评估在学龄前儿童中面临配合度低、主观性强等挑战。近红外脑功能成像（fNIRS）作为一种光学脑机接口技术，因其便携、抗运动干扰强、适用于自然情境等优势，成为ASD早期客观筛查的理想工具。本研究发表于SSRN Preprint，创新性地结合静息态fNIRS与多种机器学习方法，在127名3-6岁儿童中实现了超过**90%**的平均分类准确率，为学龄前ASD的快速、客观识别提供了高效路径。值得一提的是，本研究使用了国产慧创近红外脑功能成像仪，其高采样率和全脑覆盖能力为高质量数据采集提供了坚实保障。

核心发现

差分二值熵（ΔBinEn）是最优鉴别特征：在对比12种特征（均值、标准差、峰度、偏度、近似熵、二值熵及其差分形式）后，研究发现**差分二值熵（ΔBinEn）**在所有三个数据源（氧合血红蛋白HbO、脱氧血红蛋白Hb、总血红蛋白HbT）中均排名第一，是区分ASD与正常发育儿童的最强生物标记。该特征反映了信号变化的复杂性和均匀性，比原始数据的均值等特征具有更强的鉴别力。
集成学习+PBIL通道选择算法实现最佳性能 ：研究对比了4种进化计算通道选择算法（GA、DE、PSO、PBIL）和12种分类器。结果显示，PBIL算法 与**集成分类器E-SVM（用于HbO）和 E-KNN（用于Hb和HbT）的组合表现最优。在验证实验中，该方法在HbO数据上达到 91.79%**的平均准确率、**90.91%的精确率和92.66%**的召回率。
2分钟短时采集+3秒降采样即可高效识别：研究发现，将2分钟静息态信号降采样至3秒时间序列，既能完美保留原始数据趋势，又能大幅降低计算负担。验证实验表明，通过多次（至少4次）短时采集，分类性能优于单次长时采集，且对ASD儿童的分类效果优于TD儿童，证明了该方法在学龄前ASD群体中的实用性和鲁棒性。
7个关键通道覆盖核心脑区：通过PBIL算法筛选出的7个重叠通道（CH1、CH11、CH20、CH24、CH27、CH33、CH42），分别对应**颞顶联合区（TPJ）、顶下小叶（IPL）、前额叶皮层（PFC）、初级躯体感觉皮层和额下回（IFG）**等脑区。这些区域与ASD的社交认知、感觉处理异常等核心症状高度相关，为诊断提供了可靠的神经生物学基础。

方法亮点

多维度、系统性的算法对比框架：研究首次在同一数据集上系统对比了4种进化计算通道选择算法和12种分类器（包括7种经典算法和5种集成方法），并同时考察了HbO、Hb、HbT三种血氧信号源。这种"算法-特征-信号源"三维对比设计，为后续研究提供了清晰的"最优组合"参考，避免了单一方法可能带来的偏差。
针对学龄前儿童的短时、重复采集策略 ：针对ASD幼儿难以长时间保持安静的现实难题，研究创新性地采用2分钟短时采集+多次重复的方案（每个儿童采集2-4次）。这一设计既保证了数据质量，又大幅降低了儿童的不适感和运动伪迹，使得静息态fNIRS在低龄群体中的临床落地成为可能。
基于进化计算的通道选择方法：研究将通道选择视为一个优化问题，利用PBIL等进化算法自动筛选最具鉴别力的通道组合。相比传统全通道分析，该方法不仅提升了分类准确率（提升约15-25%），还揭示了ASD相关的关键脑区，为理解疾病神经机制提供了新视角。

主题解读

本研究聚焦于学龄前自闭症儿童的早期客观识别 ，这是当前ASD临床诊断中最具挑战性的领域之一。传统诊断依赖行为观察和量表评估，通常在3-4岁后才能确诊，且受评估者经验影响较大。本研究通过静息态fNIRS结合机器学习，为3-6岁儿童提供了一种无创、快速、客观的辅助诊断方案。

受益人群：3-6岁学龄前ASD儿童及其家庭。这一阶段是神经可塑性的黄金期，早期诊断可显著改善干预效果。

临床场景：可部署于儿童保健科、康复科、精神科门诊。儿童只需佩戴fNIRS帽子安静坐2分钟（可重复多次），无需执行复杂任务，极大降低了配合门槛。

可落地性分析：本研究采用的短时采集（2分钟）和降采样策略（3秒）大幅降低了计算成本，使得实时分析成为可能。结合国产慧创fNIRS设备的高便携性和抗运动干扰能力，该方案有望在基层医院和社区筛查中推广应用。未来可进一步开发基于云端的自动化诊断系统，实现"采集-分析-报告"一站式服务。

临床/应用价值

为学龄前ASD提供客观生物标记：本研究确定的ΔBinEn特征和7个关键通道，可作为ASD的"fNIRS签名"，辅助临床医生进行早期筛查和鉴别诊断，减少主观误判。平均超过90%的分类准确率表明其具备临床实用潜力。
推动fNIRS在儿童神经发育障碍中的标准化应用：研究建立的"短时采集-降采样-特征提取-通道选择-集成分类"标准化流程，为后续研究提供了可复制的方法学模板，有助于推动fNIRS技术从实验室走向临床。
揭示ASD脑功能异常的神经基础：筛选出的关键通道覆盖了前额叶、颞顶联合区、初级躯体感觉皮层等脑区，与ASD的社交障碍、感觉异常等核心症状的神经影像学发现高度一致，为理解疾病机制提供了新证据。

局限性与边界

样本量仍需扩大：虽然127名儿童（64 ASD，63 TD）的样本量优于多数同类研究，但ASD的高度异质性要求更大规模、多中心的验证研究，以评估方法的泛化能力。
数据缺失问题：fNIRS采集过程中因运动伪迹导致的数据缺失问题依然存在，本研究采用相邻通道插值法处理，但更鲁棒的深度生成模型（如GANs）可能进一步提升数据质量。
仅使用静息态数据：本研究仅基于静息态fNIRS信号，未纳入任务态数据或行为量表信息。未来可考虑多模态融合，以提升诊断的全面性和准确性。
预印本阶段：本文为SSRN Preprint预印本，尚未经过同行评审，结论需谨慎解读，期待后续正式发表和独立验证。

论文信息

Zhao, Y., Li, K., Chen, Y., Du, B., Chen, L., Zhang, J., Liu, X., Wang, M., Cao, Y., Han, R., Meng, Q., Jia, F., & Li, X. How to fast - track the early identification of pre-school autistic children? By comparing diverse machine learning methods with resting - state fNIRS features. https://doi.org/10.2139/ssrn.5564920!\[

（引自：10.2139/ssrn.5564920）](https://i-blog.csdnimg.cn/direct/0e3a39a5be0f4541890a759a22b8670a.png#pic_center)