Cadre de fusion de caractéristiques EEG hybrides pour un diagnostic précis du trouble du spectre autistique utilisant l'apprentissage d'ensembleHybrid EEG Feature Fusion Framework for Accurate Autism Spectrum Disorder Diagnosis Using Ensemble Learning.
- Utilisation de signaux EEG (potentiels évoqués P300) pour le diagnostic du TSA.
- Extraction de 22 caractéristiques multi-domaines (temporel, fréquentiel, temps-fréquence).
- Fusion de caractéristiques au niveau des caractéristiques et des décisions avec cinq méthodes optimales.
L'article propose une méthode novatrice de diagnostic du TSA par EEG avec des performances élevées, mais il se limite à un seul dataset et l'accès est restreint au résumé. L'approche est pertinente pour la veille clinique, mais nécessite des validations supplémentaires avant une application clinique.
Basé sur un seul dataset (BCIAUT-P300) avec un nombre limité d'électrodes (8). Nécessite une validation sur des cohortes plus larges et diverses pour confirmer la généralisabilité. Étude préliminaire ; la disponibilité en résumé seul limite l'évaluation complète de la méthodologie. Les facteurs de confusion potentiels (comédications, comorbidités) ne sont pas discutés.
Cette étude propose un cadre de fusion de caractéristiques EEG hybrides pour le diagnostic non invasif du trouble du spectre autistique (TSA) à partir de potentiels évoqués P300 issus du dataset BCIAUT-P300. Vingt-deux caractéristiques temporelles, fréquentielles et temps-fréquence ont été extraites, et cinq méthodes optimales (PCA, HOS, PSD, FDA, CWT) ont été fusionnées aux niveaux des caractéristiques et des décisions. Des classifieurs ensemble (SVM, XGBoost, LDA, Random Forest) ont atteint une précision de 97,7%, une sensibilité de 96,8% et une spécificité de 98,5%, surpassant les approches traditionnelles. Ce travail démontre la faisabilité d'utiliser des biomarqueurs EEG avec apprentissage automatique pour soutenir le diagnostic précoce du TSA.
Utilisation de signaux EEG (potentiels évoqués P300) pour le diagnostic du TSA. Extraction de 22 caractéristiques multi-domaines (temporel, fréquentiel, temps-fréquence). Fusion de caractéristiques au niveau des caractéristiques et des décisions avec cinq méthodes optimales. Classifieurs ensemble (SVM, XGBoost, LDA, Random Forest) atteignant 97,7% de précision. Potentiel pour un outil de dépistage portable non invasif et objectif.
Offre une méthode objective et non invasive pour le diagnostic précoce du TSA, réduisant la subjectivité des évaluations comportementales. Permet une intégration dans des systèmes EEG portables pour un dépistage à grande échelle. Améliore la précision diagnostique grâce à la fusion de caractéristiques et l'apprentissage d'ensemble. Pourrait faciliter un diagnostic plus précoce et personnalisé du TSA en milieu clinique.
Faible