Intégration de la dynamique des micro-états EEG dans un ensemble empilé pour l'évaluation neurodiagnostique du TSAIntegrating EEG microstate dynamics in a stacked ensemble for neurodiagnostic ASD assessment.
- Un ensemble empilé intégrant des caractéristiques EEG spatiales et temporelles améliore significativement la classification du TSA.
- La précision de 96,3% dépasse celle des modèles utilisant uniquement des caractéristiques spatiales (88,15%) ou temporelles (73,6%).
- La validation croisée GroupKFold et les intervalles de confiance bootstrap attestent de la robustesse du modèle.
Article présentant une méthode novatrice de classification EEG du TSA avec haute précision, validée par validation croisée et intervalles de confiance. Pertinent pour la neuropsychologie clinique et le diagnostic objectif.
La généralisabilité à des populations cliniques diverses et en conditions réelles reste à démontrer. L'utilisation de l'EEG nécessite un équipement spécialisé et une expertise technique. L'étude ne mentionne pas explicitement la taille de l'échantillon ni la représentativité des groupes.
Cette étude propose un cadre d'apprentissage automatique en ensemble empilé pour améliorer la classification du trouble du spectre autistique (TSA) à partir de l'EEG, en intégrant des caractéristiques spatiales (puissance spectrale, connectivité fonctionnelle, complexité) et temporelles (transitions de micro-états, dynamique HMM). L'ensemble, utilisant des forêts aléatoires, atteint une précision de 96,3% en validation croisée GroupKFold, surpassant les modèles unimodaux. Le système vise à fournir un outil diagnostique objectif basé sur la neurobiologie, avec des applications potentielles pour la détection précoce et la différenciation des sous-types.
Un ensemble empilé intégrant des caractéristiques EEG spatiales et temporelles améliore significativement la classification du TSA. La précision de 96,3% dépasse celle des modèles utilisant uniquement des caractéristiques spatiales (88,15%) ou temporelles (73,6%). La validation croisée GroupKFold et les intervalles de confiance bootstrap attestent de la robustesse du modèle. Le cadre combine mesures spectrales, connectivité, complexité, micro-états et dynamiques HMM pour capturer la complémentarité des données EEG au repos.
Offre une méthode potentiellement objective et neurobiologique pour le diagnostic du TSA, réduisant la dépendance aux évaluations comportementales subjectives. Pourrait permettre une détection précoce et une différenciation des sous-types de TSA, orientant des interventions personnalisées. Favorise le développement de neurotechnologies translationnelles pour la pratique clinique en neuropsychologie.
Élevé