Une prédiction efficace du trouble du spectre autistique basée sur LRSF-DLNN utilisant l'EEG et l'IRMfAn Effective LRSF-DLNN-Based Autism Spectrum Disorder Prediction Using EEG and fMRI.
- Une méthode hybride EEG et IRMf est utilisée pour la prédiction du TSA.
- Le pré-traitement comprend un filtre de Butterworth cosinus pour l'EEG et une correction temporelle avec lissage pour l'IRMf.
- La décomposition en bandes alpha et thêta utilise la décomposition variationnelle en modes avec facteur de pénalité pondérée (WPFVMD) et la perturbation spectrale liée à l'événement à échelle temporelle unique (SSTD-ERSP).
L'article présente une méthode technique intéressante pour la prédiction du TSA avec une haute précision, mais le niveau de preuve est faible car il s'agit d'un résumé sans validation clinique. Pertinence modérée pour NeuroWatch.
L'étude repose uniquement sur le résumé, sans détails sur la taille de l'échantillon ni la validation externe. La généralisabilité à différentes populations n'est pas établie. Aucune comparaison avec des méthodes cliniques standard n'est fournie.
Cet article propose une méthode de prédiction du trouble du spectre autistique (TSA) combinant des signaux EEG et des images IRMf. La méthode comprend un pré-traitement (filtre de Butterworth cosinus pour l'EEG, correction temporelle et lissage pour l'IRMf), une décomposition en bandes alpha et thêta par décomposition variationnelle en modes avec facteur de pénalité pondérée, une extraction de caractéristiques, une sélection par optimisation d'anaconda vert à fonction de distance, et une classification par réseau de neurones profond à régression logistique avec fonction d'échelle (LRSF-DLNN). Les résultats montrent une précision de 98,8%, supérieure aux modèles existants.
Une méthode hybride EEG et IRMf est utilisée pour la prédiction du TSA. Le pré-traitement comprend un filtre de Butterworth cosinus pour l'EEG et une correction temporelle avec lissage pour l'IRMf. La décomposition en bandes alpha et thêta utilise la décomposition variationnelle en modes avec facteur de pénalité pondérée (WPFVMD) et la perturbation spectrale liée à l'événement à échelle temporelle unique (SSTD-ERSP). La sélection de caractéristiques est effectuée par l'optimisation d'anaconda vert à fonction de distance (DFGAO). Le classifieur LRSF-DLNN atteint une précision de 98,8%.
Cette approche pourrait améliorer la prédiction précoce du TSA, permettant une intervention plus précoce. L'utilisation conjointe de l'EEG et de l'IRMf offre une complémentarité potentielle pour le diagnostic. La haute précision suggère une possible utilité clinique, mais des validations sur des cohortes réelles sont nécessaires.
Faible