Команда ученых из России и Израиля разработала новый алгоритм для классификации выраженности аутистических черт характера на основе мозговой активности. Точность алгоритма составляет 90%, и он может использоваться для диагностики в случаях, когда поведенческих данных не достаточно. Статья опубликована в Journal of Autism and Developmental Disorders.
Команда российских и израильских исследователей разработала и проверила алгоритм определения аутистических черт характера на основе активности мозга, измеряемой методом функциональной спектроскопии в ближней инфракрасной области. Точность предсказания нового алгоритма выше 90%. Технология может использоваться в качестве инструмента диагностики расстройств аутистического спектра, так как она более доступна и удобна при работе с людьми по сравнению с фМРТ.
Сегодня при диагностике аутизма и других расстройств психики в дополнение к классическому тестированию и наблюдению все чаще используются аппаратные методы нейровизуализации. Такие способы диагностики позволяют обнаружить наличие расстройства в случаях, когда недостаточно поведенческих данных, — например, в раннем возрасте. При разработке аппаратных методов необходимо подобрать алгоритм, способный выявить определенные паттерны в активности мозга.
Участникам эксперимента предлагалось заполнить опросник выраженности аутистических черт The Autism Spectrum Quotient, на основе результата теста их разделили на две группы — с сильно или слабо выраженными аутистическими чертами. После этого испытуемые выполняли задачу на синхронизацию движений — их просили двигать правой рукой синхронно с движениями экспериментатора на протяжении нескольких минут, пока фиксировалась активность его мозга с помощью метода функциональной спектроскопии в ближней инфракрасной области (fNIRS). Технология fNIRS основана на измерении динамики кислорода в крови сосудов мозга с помощью инфракрасного света. fNIRS — доступный и портативный метод, который не издает шума, поэтому хорошо подходит для изучения активности мозга людей с аутизмом.
Для анализа данных ученые использовали расчет коэффициентов ϵ-сложности. Этот подход позволяет извлекать значимую информацию из сложных и зашумленных паттернов. После этого классические методы классификации позволили разделить испытуемых на группы в зависимости от особенностей мозговой активности.
«Теория ϵ-сложности, развиваемая в последние несколько лет, в нашей работе применяется для разработки алгоритма классификации пациентов по записям мозговой активности fNIRS. Полученная безмодельная технология анализа временных рядов может применяться в случаях, когда нарушаются предпосылки классических методов анализа, например при работе с существенно нестационарными сигналами ЭКГ и ЭЭГ. Поэтому эта технология может использоваться для изучения других психических расстройств и особенностей, паттерны которых проявляются в данных», — отметил один из авторов статьи, сотрудник НИУ ВШЭ Юрий Дубнов.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
