自閉癥譜系障礙(ASD,Autism spectrum disorder )是一種神經(jīng)發(fā)育障礙，患病率為1-2%。特別是在低資源環(huán)境中，對ASD的早期識別和診斷是一個重大挑戰(zhàn)。因此，ASD迫切需要一種“語言自由、文化公平”，并且不需要專業(yè)人員參與的低成本篩選工具。在ASD和神經(jīng)發(fā)育障礙中，EEG可用來尋找生物標(biāo)記物。其中，關(guān)鍵挑戰(zhàn)之一是確定適當(dāng)?shù)亩嘣乱淮治龇椒ǎ?/span>multivariate, next-generation analytical methodologies），這些方法可以描述大腦中復(fù)雜的非線性神經(jīng)網(wǎng)絡(luò)動態(tài)性，同時也考慮到可能影響生物標(biāo)記物發(fā)現(xiàn)的技術(shù)和人口學(xué)混淆因素。開普敦大學(xué)兒童和青少年精神病科T. Heunis和P. J. de Vries等人在BMC Medicine雜志發(fā)文，評估定量遞歸分析（RQA，recurrence quantification analysis ）作為ASD潛在生物標(biāo)記物的穩(wěn)健性，并對一系列潛在的技術(shù)和人口混雜因素進(jìn)行系統(tǒng)的方法學(xué)探索。

研究方法：對連續(xù)5s/時間段的靜息態(tài)EEG（rsEEG，resting state EEG）數(shù)據(jù)進(jìn)行RQA特征提取，并測試線性和非線性分類器。為防止樣本偏差、技術(shù)和人口統(tǒng)計(jì)學(xué)混淆因素的影響，數(shù)據(jù)分析的樣本分為：16個ASD和46個正常發(fā)育（TD）個體的完整樣本、16個ASD和19個TD兒童的子樣本、以及7個ASD和7個TD兒童的年齡匹配樣本。使用留一交叉驗(yàn)證分類法（leave-one-subject-out method）模擬診斷一個未知被試的臨床場景。

研究結(jié)果：在年齡匹配樣本中，從TD中區(qū)分出ASD，使用非線性支持向量機(jī)（SVM）分類器的留一分類法結(jié)果顯示92.9%準(zhǔn)確率，100%敏感性和85.7%特異性。將年齡、性別、智力水平以及每組訓(xùn)練和測試部分的數(shù)據(jù)數(shù)量定義為可能的人口和技術(shù)混淆因素。一致的重復(fù)性（正確識別每個被試的所有時間段）仍是個挑戰(zhàn)。

研究結(jié)論：在年齡匹配樣本中，rsEEG的RQA（評估定量遞歸分析）是一種精確的ASD分類器，這反映出了該方法在ASD篩選中的潛在作用。然而，這項(xiàng)研究還在實(shí)驗(yàn)方面揭示了一系列技術(shù)挑戰(zhàn)，以及人口學(xué)混雜因素如何扭曲結(jié)果，并強(qiáng)調(diào)在未來研究中探索這些因素的重要性。研究者建議在因素匹配的嬰兒和兒童大樣本中驗(yàn)證此方法，尤其是在低收入和中等收入環(huán)境中進(jìn)行驗(yàn)證。 

研究背景

理想的生物標(biāo)記物應(yīng)是容易獲得的、準(zhǔn)確的、大眾可以承擔(dān)得起的，并且對區(qū)分不同群組具有高度的敏感性和特異性。該研究對EEG作為ASD和相關(guān)神經(jīng)發(fā)育障礙的潛在生物標(biāo)記物提出了挑戰(zhàn)：

1）描述一系列潛在的人口學(xué)、臨床和技術(shù)混淆因素，包括年齡、性別、智力、社會經(jīng)濟(jì)地位、共發(fā)病、藥物的使用、睜眼與閉眼的情況、電極的數(shù)量和位置以及測試-重測的可靠性。這些因素均需要評估，EEG生物標(biāo)記物才是足夠可靠的，才能應(yīng)用于臨床環(huán)境。

2）描述在確定適當(dāng)?shù)摹⒍嘣⑾乱淮治龇椒ǚ矫娴年P(guān)鍵技術(shù)挑戰(zhàn)，這些方法可以描述大腦中復(fù)雜的非線性神經(jīng)網(wǎng)絡(luò)動態(tài)性。

識別ASD風(fēng)險(xiǎn)的三種新的潛在rsEEG生物標(biāo)記物包括：

1）采用修正的(modified)多尺度熵方法（multiscale entropy; MME）對rsEEG進(jìn)行分析，比較ASD高風(fēng)險(xiǎn)嬰兒（HRA，high risk for ASD, 有一個患ASD的兄弟姐妹）和TD嬰兒。準(zhǔn)確率為80-100%，但嬰兒從12個月到24個月，準(zhǔn)確率下降。有研究者反對該發(fā)現(xiàn)，因?yàn)橹挥行〔糠?/span>HRA嬰兒會發(fā)展成為ASD。

2）頻譜相干分析（spectral coherence analysis; CA）作為ASD的生物標(biāo)記物。在430名ASD患者和554名TD兒童的二分類中，準(zhǔn)確率為86%和88.5%。在限制年齡的子樣本中，準(zhǔn)確率提高。在ASD與TD的二元分類中，CA生物標(biāo)記物方法有用，但關(guān)于生物標(biāo)記物發(fā)展的臨床和分析問題仍未得到解答。

3）RQA（評估定量遞歸分析）作為ASD分類的新的生物標(biāo)記物。RQA是EEG應(yīng)用領(lǐng)域一種新興的非線性數(shù)據(jù)分析技術(shù)。這項(xiàng)技術(shù)是基于大腦等復(fù)雜系統(tǒng)固有的遞歸的基本特性。在之前的原理論證分析中，對7名ASD和5名TD被試的RQA進(jìn)行研究，并對12個好的分段進(jìn)行分析。結(jié)果表明，線性判別分析（LDA）分類器的準(zhǔn)確率為83.3%，敏感性為85.7%，特異性為80%。

該研究的目的是在大樣本中重復(fù)和延伸先前研究結(jié)果，并在系統(tǒng)的方法學(xué)探索中，將一些變量作為協(xié)變量或混雜因素，研究潛在的RQA生物標(biāo)記物的穩(wěn)健性。研究者細(xì)化生物標(biāo)記物參數(shù)，評估生物標(biāo)記物的潛在混雜因素，如年齡，性別和智力水平，以識別分類的準(zhǔn)確率，敏感性和特異性；并探索RQA生物標(biāo)記物的測試-重測可靠性。使用留一分類法模擬一個未知被試的臨床場景。因此，這項(xiàng)工作的新穎性在于RQA在rsEEG的多元應(yīng)用，以發(fā)現(xiàn)早期ASD的風(fēng)險(xiǎn)性，并在準(zhǔn)確率、敏感性和特異性方面對潛在的技術(shù)和人口混雜因素進(jìn)行系統(tǒng)評估。 

方法

遞歸分析：     

遞歸圖（RP）可以在二維圖中使高維相位空間可視化，可用來描述系統(tǒng)的基本動力學(xué)特征。根據(jù)公式（1），使用每個樣本對i和j的時間序列x以及具體的閾值距離ε（鄰域大小），計(jì)算遞歸事件，并儲存在N×N矩陣中（用于構(gòu)建RP）。在坐標(biāo)（i, j）處的RP，當(dāng)遞歸事件（Ri,j = 1）出現(xiàn)時，畫黑點(diǎn)；無事件時（Ri,j=0）畫白點(diǎn)。

將RQA應(yīng)用于RPs提供了一個定量系統(tǒng)動力學(xué)的客觀測量。從RPs可以提取幾個特征，例如：遞歸率（RR；任何狀態(tài)再次出現(xiàn)的概率）、決定論（DET；表明系統(tǒng)的可預(yù)測性）、熵（ENTR；提供遞歸結(jié)構(gòu)的復(fù)雜性度量）和分層性（LAM；下一步，狀態(tài)不會改變的概率）。Marwan et al.和Schinkel et al.為RPs和RQA特征提供了進(jìn)一步的數(shù)學(xué)細(xì)節(jié)。

編者注：RQA的具體數(shù)學(xué)細(xì)節(jié)也可參考更早的一篇文章（如需原文可添加微信siyingyxf或19962074063獲?。?/span>

被試：

從美國波士頓兒童醫(yī)院和洛杉磯加州大學(xué)塞梅爾研究所獲得rsEEG數(shù)據(jù)。16名非綜合征ASD患者（2-6歲）和46名TD（正常發(fā)育）被試（0-18歲）。收集每個被試的年齡、性別并測試智力水平。

Table 1 人口學(xué)特征和樣本組成

EEG信號處理方法：

EEG信號處理流程主要包括：數(shù)據(jù)采集、預(yù)處理、特征提取和分類，參見Fig.1。流程細(xì)節(jié)在后續(xù)詳述。

Fig. 1 EEG信號處理方法

      數(shù)據(jù)獲?。?span>

從常規(guī)臨床EEG記錄或長期EEG監(jiān)測中收集EEG數(shù)據(jù)，數(shù)據(jù)來源于兩個研究機(jī)構(gòu)。波士頓兒童醫(yī)院的數(shù)據(jù)：使用Biologic記錄系統(tǒng)（采樣率為256-512Hz，帶通濾波為0.1-100Hz）或Natus Neuroworks系統(tǒng)（采樣率為200Hz，帶通濾波為0.1-100Hz），19個標(biāo)準(zhǔn)電極（(Fp2, Fp1, F4, F3, Fz, C4, C3, Cz, P4, P3, Pz, F8, F7, T8, T7, P8, P7, O2, O1）。加州大學(xué)洛杉磯分校的數(shù)據(jù)：使用EGI 128導(dǎo)聯(lián)系統(tǒng)、NetAmps Amplifiers和NetStation軟件（采樣率為250Hz）采集數(shù)據(jù)，并且采用National Instruments Board進(jìn)行數(shù)字化。所有EEG系統(tǒng)均采用標(biāo)準(zhǔn)10-20電極定位。

 數(shù)據(jù)預(yù)處理：

1. 原始數(shù)據(jù)進(jìn)行分段，刪除包含偽跡的時間段；

2. 進(jìn)行60Hz的陷波濾波，重采樣為200Hz，空間降采樣為標(biāo)準(zhǔn)的臨床19個電極點(diǎn)。由于Fp1和Fp2主要包含眼部偽跡信息，因此在進(jìn)一步分析中刪除這兩個電極。17個電極用于后續(xù)的多元分析。

3. 使用BESA Rsearch 3.5軟件對數(shù)據(jù)進(jìn)行平均參考。

4. 使用EEGLAB工具包中的FIR濾波器（1-70Hz）對數(shù)據(jù)進(jìn)行濾波。兒科神經(jīng)科醫(yī)生和臨床神經(jīng)生理學(xué)家檢查數(shù)據(jù)，手動刪除偽跡段（長度至少2min），并且挑選清醒的無任務(wù)數(shù)據(jù)。有可能的話，也刪除肌電偽跡。采用EEGLAB中的ICA方法進(jìn)行眼電偽跡矯正。       

5. 提取每個被試所有連續(xù)5s的可用數(shù)據(jù)。

特征提?。?span>

1. 采用多元嵌入方法，利用17個電極點(diǎn)和時間滯后嵌入方法構(gòu)建EEG動態(tài)的相位空間表征。對每個被試每個時間段創(chuàng)建多通道滯后軌跡矩陣，每列嵌入相同的滯后和維度，然后水平拼接形成多通道滯后軌跡矩陣。使用每個被試所有可用的連續(xù)5s時間段。

2.使用PCA方法對每個多通道滯后軌跡矩陣進(jìn)行降維。使用每個主成分（PC）向量重建多維相位空間中的吸引子。

3. 使用The Cross Recurrence Plot MATLAB工具包畫RPs（遞歸圖），并且從每個被試的多維約簡嵌入段矩陣中提取10個RQA特征。提取的10個RQA（Table S1）分別是：RR, DET, 平均對角線長度, 最長對角線, ENTR, LAM, 捕獲時間, 最長垂直線, 第一次Poincaré遞歸的遞歸時間（T1），第二次Poincaré遞歸的遞歸時間（T2）。用Kolmogorov–Smirnoff和Wilcoxon秩和檢驗(yàn)（分布和形狀）分析訓(xùn)練數(shù)據(jù)特征的特征統(tǒng)計(jì)顯著性。

Table S1 10個RQA特征的具體描述。

采用迭代方法確定最優(yōu)參數(shù)和特征集組合。產(chǎn)生最好分類結(jié)果的組合即為最優(yōu)。對PCA降維后的嵌入滯后、嵌入維數(shù)、保留百分比變異（PVR）和RQA鄰域大小進(jìn)行了評價。使用交叉驗(yàn)證run1和“顯著RQA特征集”的數(shù)據(jù)確定最優(yōu)參數(shù)；這些參數(shù)值用于所有交叉驗(yàn)證runs。

1. 嵌入滯后：使用每個電極平均互信息指數(shù)的第一個最小值評估15-25的嵌入滯后估計(jì)。

2. 嵌入維數(shù)：使用Quick-Ident MATLAB工具包的假最近鄰法計(jì)算每個通道的相應(yīng)最優(yōu)嵌入維數(shù)，并且產(chǎn)生的數(shù)值為10。

3. PVR：在測試PVR參數(shù)的敏感性時，評估10-100個不同增量的PVR范圍。

4. 鄰域大?。?/span>用最大范數(shù)鄰域形狀定義檢測遞歸事件的鄰域，采用“最大相位空間直徑的幾個百分點(diǎn)”的啟發(fā)式方法確定鄰域大小。以0.1的間隔評估2.0-4.0的鄰域大小。考慮到上述啟發(fā)式的方法以及遞歸圖的視覺檢查，初步估計(jì)鄰域大小為3.0。

在確定最優(yōu)參數(shù)值后，通過特征打亂分析確定最優(yōu)特征集，以確認(rèn)所有特征都為分類器提供了用于類成員預(yù)測的有用區(qū)分信息。

1. 逐一對每個特征的測試標(biāo)簽進(jìn)行打亂，同時對所有特征進(jìn)行分類，使用打亂標(biāo)簽對包括相關(guān)特征的所有特征集進(jìn)行分類；

2. 將打亂特征集的分類性能與未打亂特征集的分類性能進(jìn)行比較。此外，特征被逐個分類，并按特征重要性進(jìn)行排序；

3. 通過在集合中每次添加一個特征（根據(jù)重要性遞減的順序添加）來確定最優(yōu)特征集。實(shí)現(xiàn)最佳分類性能所需的特征被確定為最優(yōu)集。為了本研究的目的，僅選擇顯著的RQA特征。然而，這一決定值得懷疑，因?yàn)橐粋€特征在組間可能沒有統(tǒng)計(jì)學(xué)意義，但結(jié)合其他特征，它可以使分類后的群體區(qū)分更加明確。為解決Heunis等人確定的一些臨床挑戰(zhàn)，將年齡和性別作為協(xié)變量進(jìn)行研究。測試的特征集是所有顯著的RQA特征（‘RQA’）、包含顯著RQA特征和人口學(xué)特征的組合特征集（‘RQA + age’, ‘RQA + sex’, ‘RQA + age + sex’）以及沒有RQA特征的人口學(xué)特征。使用10折交叉驗(yàn)證分析，研究兩個特征集選擇：特征集1包括所有顯著的RQA特征，特征集2包括所有顯著的RQA和人口學(xué)特征（包括年齡和性別）。

分類：

采用10折交叉驗(yàn)證（10-fold cross-validation；將“k折交叉驗(yàn)證”中的k=10，即將數(shù)據(jù)集分成十份，輪流將其中9份作為訓(xùn)練數(shù)據(jù)，1份作為測試數(shù)據(jù)，進(jìn)行試驗(yàn)。）和留一法（leave-one-subject-out；指將“k折交叉驗(yàn)證”中的k等于數(shù)據(jù)集中數(shù)據(jù)的個數(shù)，每次只使用一個作為測試集，剩下的全部作為訓(xùn)練集）。使用10折交叉驗(yàn)證方法優(yōu)化參數(shù)值，然后使用留一法驗(yàn)證交叉驗(yàn)證分類的結(jié)果，并模擬臨床場景，評估“診斷”一個未知被試的結(jié)果。10折交叉驗(yàn)證法創(chuàng)建10個訓(xùn)練集和10個測試集。每個訓(xùn)練集和測試集分別包括從每個被試隨機(jī)選取70%的訓(xùn)練數(shù)據(jù)和30%的測試數(shù)據(jù)。由于有14名被試的年齡匹配樣本（Table 1），因此，留一法創(chuàng)建14個訓(xùn)練集和14個測試集。每個訓(xùn)練集包括13個被試，測試集包括另外一個被試（14個leave-one-out runs）。按要求對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化（平均值為零，標(biāo)準(zhǔn)差為1）。利用MATLAB實(shí)施3種分類算法：             

（1）LDA，線性判別分析；

（2）MLP，多層感知機(jī)神經(jīng)網(wǎng)絡(luò)（multilayer perceptron），一個隱藏層包含9個節(jié)點(diǎn)，利用尺度化共軛梯度反向傳播訓(xùn)練算法;

（3）SVM，支持向量機(jī)，使用非線性徑向基核函數(shù)。

報(bào)告訓(xùn)練和測試數(shù)據(jù)集中的準(zhǔn)確率、敏感性、特異性、樣本大小、時間段數(shù)量和樣本組成（每組中時間段的比例），以便對分類性能結(jié)果進(jìn)行有意義的解釋。

編者注：交叉驗(yàn)證是機(jī)器學(xué)習(xí)中的一種常用技術(shù)，通常具有兩種應(yīng)用場景：

（1）優(yōu)化超參數(shù)。比如多項(xiàng)式模型，多項(xiàng)式的最高次數(shù)便是一個超參數(shù)，可以用交叉驗(yàn)證的方式選擇使得預(yù)測性能最佳的最高次數(shù)作為超參數(shù)。

（2）評估模型預(yù)測精度。超參數(shù)確定后，為了量化模型的預(yù)測效果，也可以用交叉驗(yàn)證的方式計(jì)算一些常見的預(yù)測精度指標(biāo)，比如總預(yù)測正確率、敏感性、特異性等。

抽樣人口分析：

評估完整樣本、子樣本以及年齡匹配樣本。完整樣本包含所有被試；子樣本包含年齡在6歲以下的被試；年齡匹配樣本要求年齡、性別、智力水平一致。細(xì)節(jié)參見Fig. 2。

Fig. 2 抽樣人口分析的處理

結(jié)果

完整樣本（交叉驗(yàn)證方法，Fig. 3）：

確定的最優(yōu)參數(shù)集：嵌入滯后為25、嵌入維數(shù)為10、PVR為22.12（相當(dāng)于6個PCs）、鄰域大小為3.0。MLP分類器結(jié)果顯示RQA特征集的分類準(zhǔn)確率為96.18%，組合特征集的分類準(zhǔn)確率為99.08%。結(jié)合RQA特征集，年齡和性別似乎是有用的協(xié)變量，有助于提高分類準(zhǔn)確率。然而，‘年齡’的分類準(zhǔn)確率是98.3%，‘性別’的分類準(zhǔn)確率是93.92%，‘年齡+性別’的分類準(zhǔn)確率是98.66%。考慮到隨機(jī)樣本中的年齡和性別不能預(yù)測ASD或TD組成員，這些虛假結(jié)果可能是樣本偏差。為解決虛假結(jié)果問題，選取所有年齡小于6歲的被試子樣本進(jìn)行進(jìn)一步分析。對完整樣本的進(jìn)一步觀察發(fā)現(xiàn)rsEEG測試數(shù)據(jù)時間段中93.9%是TD，6.1%是ASD。為避免對分類結(jié)果的誤解，在子樣本中，每組使用相同數(shù)量的測試時間段進(jìn)行分析，從而使分類器有50/50的機(jī)會正確地猜測每組成員。

Fig. 3 完整樣本交叉驗(yàn)證run1的不同特征集的分類準(zhǔn)確率。

子樣本（交叉驗(yàn)證法，Fig. 4）：

確定的最優(yōu)參數(shù)集：嵌入滯后為25、嵌入維數(shù)為10、PVR為12.60（相當(dāng)于3個PCs）、鄰域大小為3.0。SVM分類結(jié)果顯示RQA特征集的分類準(zhǔn)確率為86.63%，組合特征集的分類準(zhǔn)確率為96.51%，‘年齡’的分類準(zhǔn)確率是83.72%，‘性別’的分類準(zhǔn)確率是66.28%，‘年齡+性別’的分類準(zhǔn)確率是88.37%。考慮到子樣本中年齡和性別的分布情況，人口學(xué)特征仍然足以對ASD和TD被試進(jìn)行分類，其準(zhǔn)確率高于“RQA”特征集。因此，樣本偏差仍是問題。為解決這個問題，下一步是分析匹配樣本。此外，將年齡四舍五入，以防止分類器根據(jù)訓(xùn)練數(shù)據(jù)中的確切年齡值預(yù)測組成員。

Fig. 4 子樣本交叉驗(yàn)證run1的不同特征集的分類結(jié)果

年齡匹配樣本：

確定的最優(yōu)參數(shù)集：嵌入滯后為25、嵌入維數(shù)為10、PVR為30.09（相當(dāng)于10個PCs）、鄰域大小為2.9。這一鄰域大小約占所有交叉驗(yàn)證runs的平均最大相位空間大?。?/span>43.13）的6.7%。每次交叉驗(yàn)證run時，都會對訓(xùn)練和測試數(shù)據(jù)進(jìn)行不同的隨機(jī)70/30%拆分，并可能識別出不同的具有統(tǒng)計(jì)意義的特征集。臨床意義是，一旦為ASD和TD樣本中確定了一個穩(wěn)健范圍，根據(jù)新提取的RQA特征下降的范圍，未知被試就可以被“診斷”為“有ASD的風(fēng)險(xiǎn)”或“TD”（Table 2）。

Table 2年齡匹配樣本的交叉驗(yàn)證run1的特征集1的總結(jié)

對交叉驗(yàn)證run1的SVM分類結(jié)果顯示‘RQA’特征集的分類準(zhǔn)確率為93.94%，組合特征集的分類準(zhǔn)確率為90.91%，‘年齡’的分類準(zhǔn)確率是53.03%，‘性別’的分類準(zhǔn)確率是63.64%，‘年齡+性別’的分類準(zhǔn)確率是63.64%（Fig. 5）。使用年齡匹配樣本以及四舍五入的年齡，顯著最小化了先前取得的虛假結(jié)果。

Fig. 5 年齡匹配樣本交叉驗(yàn)證run1的不同特征集的分類準(zhǔn)確率。
   敏感性和特異性測量都很重要——理想的診斷測試是100%敏感性和100%特異性。SVM顯示了最好的泛化性能，即可接受的敏感性和特異性。特征集1包含6個RQA特征，特征集2包含6個RQA特征以及性別。加上性別，SVM準(zhǔn)確從93.94%增加到95.46%，敏感性從90.91%增加到93.94%，特異性仍為96.97%（Fig. 6）。

編者注：敏感性強(qiáng)可以保證病人一定能被檢測出來，但也可能存在正常人被誤診為病人的情況；特異性強(qiáng)可以保證正常人一定不會被誤診，但也可能存在病人沒有被檢測出來的情況。（請仔細(xì)品品）

Fig. 6 年齡匹配樣本交叉驗(yàn)證run1的泛化性能。

10折的交叉驗(yàn)證結(jié)果（Fig. 7）顯示特征1（顯著的RQA特征）的分類優(yōu)于特征2（所有顯著的特征，RQA和人口學(xué)）的分類。特征1的分類準(zhǔn)確率分別為：87.27%（LDA）、86.67%（MLP）、85%（SVM）。

Fig. 7 LDA、MLP以及SVM分類器的交叉驗(yàn)證性能。

特征打亂分析結(jié)果（Fig. 8）顯示對于3個分類器來說，LAM（Laminarity，層流性）是最重要的特征。當(dāng)對LAM的打亂標(biāo)簽的測試特征集進(jìn)行分類時，分類準(zhǔn)確率的顯著下降說明了這一點(diǎn)。這一特征表明層流狀態(tài)的發(fā)生，即狀態(tài)在下一步中不會改變的概率。從每種情況下的分類準(zhǔn)確率下降可以看出，6個顯著RQA特征對SVM分類器都很重要。同時對6個顯著RQA特征的測試標(biāo)簽進(jìn)行打亂后，準(zhǔn)確率大約為50%，證實(shí)所有特征都對分類器提供了重要的區(qū)分性信息。

Fig. 8 年齡匹配樣本交叉驗(yàn)證run1的特征集1的特征打亂分析。

用SVM對各個特征進(jìn)行分類顯示準(zhǔn)確率分別為：78.79%（LAM）、78.79%（DET）、69.70%（ENTR）、65.15%（T2）、62.12%（RR）、59.09%（T1）。最優(yōu)特征子集的識別表明當(dāng)包含6個顯著的RQA特征時，分類準(zhǔn)確率達(dá)到最高水平（Fig. 9）。在該圖中，‘1 RQA’表示LAM特征，‘2 RQA’表示LAM+ DET，依次類推，‘6 RQA’表示LAM+ DET + ENTR + T2 + RR + T1。

Fig. 9 年齡匹配樣本交叉驗(yàn)證run1的最優(yōu)特征子集識別。

最優(yōu)RQA特征子集包括6個RQA特征，表示六維特征空間中的一個點(diǎn)（或狀態(tài)）。通過將數(shù)據(jù)投射到2D和3D PC子空間，使用PCA實(shí)現(xiàn)多維特征空間的可視化。PCA不是在數(shù)據(jù)的低維表征中對分類進(jìn)行優(yōu)化，而是將數(shù)據(jù)線性轉(zhuǎn)換為一組新的正交軸，其中每個后續(xù)成分試圖解釋數(shù)據(jù)中的最大剩余方差。Fig. 10和11顯示PC子空間中交叉驗(yàn)證run1的數(shù)據(jù)2D和3D表征，分別約占數(shù)據(jù)方差的94%和99%。根據(jù)訓(xùn)練數(shù)據(jù)特征確定PC方向；然后將測試數(shù)據(jù)特征投射到該PC子空間。在特征空間的2D表征中，很難直觀地區(qū)分ASD和TD組，但在3D表征中，分類變得更加清晰。在兩組樣本中似乎存在一些重疊。

Fig. 10 年齡匹配樣本交叉驗(yàn)證run1在2D PC子空間中的特征空間可視化。

Fig. 11 年齡匹配樣本交叉驗(yàn)證run1在3D PC子空間中的特征空間可視化。

研究每個被試的測試-重測信度：

在分類分析中，通常使用“多數(shù)投票”識別測試示例的預(yù)測標(biāo)簽，并采用50%的閾值進(jìn)行量化。在每個被試正確分類所有時間段的重復(fù)準(zhǔn)確率達(dá)到50%或50%以上的情況下，該被試被正確識別。SVM分類器識別了4/7個ASD，6/7個TD被試，準(zhǔn)確率為100%。LDA和SVM分類器均產(chǎn)生了相似的整體重復(fù)性性能，10/14個被試被正確識別（Fig. 12）。

Fig. 12 年齡匹配樣本交叉驗(yàn)證run1的LDA、MLP和SVM分類器的可重復(fù)性分析。

年齡匹配樣本（留一法）：

最優(yōu)參數(shù)和特征集的定義與交叉驗(yàn)證run1的參數(shù)一致。所有14個leave-one-subject-out runs中，鄰域大小為2.9，相當(dāng)于平均最大相位空間大小的6.7%。對特征集1使用MLP和SVM分類器的分類準(zhǔn)確率為92.86%（13/14個被試被正確識別），SVM分類器更加敏感，而MLP分類器更加特異（Fig. 13）。SVM分類器的敏感性為100%（7/7個ASD被正確識別），特異性為85.71%（6/7個TD被正確識別）；MLP分類器的敏感性為85.71%（7/7個ASD被正確識別），特異性為100%（7/7個TD被正確識別）。敏感性和特異性是同等重要的，但該研究選擇高敏感性的分類器（即SVM），這是由于讓“TD”接受第二步確認(rèn)診斷比排除掉“ASD”更為安全，因此SVM分類器更適合本研究。Fig. 14顯示測試-重測信度仍是一個挑戰(zhàn)。較大數(shù)量的TD時間段可能會使分類器偏向TD組，但結(jié)果表明，這種影響可以忽略不計(jì)，因?yàn)?/span>ASD被試的錯誤分類是很小的。

Fig. 13 年齡匹配樣本留一法分析的分類性能。

Fig. 14 年齡匹配樣本留一法的LDA、MLP、SVM分類器的可重復(fù)性分析。

總結(jié)：

RQA可能是識別ASD風(fēng)險(xiǎn)兒童的一個準(zhǔn)確的、敏感的和特異性的生物標(biāo)記物。本研究將rsEEG的RQA作為ASD風(fēng)險(xiǎn)的潛在新生物標(biāo)記物進(jìn)行評估，因?yàn)樗軌驅(qū)?/span>rsEEG的短、非線性和非平穩(wěn)時間段進(jìn)行多元分析?？紤]到潛在混雜因素對發(fā)現(xiàn)ASD和相關(guān)神經(jīng)發(fā)育障礙生物標(biāo)記物的影響，本研究控制年齡、性別和智力的三個關(guān)鍵潛在混雜因素。為檢驗(yàn)和排除潛在的混淆因素（樣本偏差、測試時間段數(shù)量不匹配與四舍五入年齡），該分析逐步從完整樣本（62個被試；4802個5-s rsEEG時間段）過渡到年齡匹配樣本（14個被試；666個5-s rsEEG時間段）。

結(jié)果發(fā)現(xiàn)：在年齡匹配樣本中，RQA在區(qū)分ASD和TD方面表現(xiàn)出很好的準(zhǔn)確率、敏感性和特異性。在顯著的RQA特征集上，SVM分類器使用留一法（模擬診斷一個未知被試的臨床場景）表現(xiàn)出穩(wěn)健的性能：92.86%準(zhǔn)確率, 100%敏感性和85.71%特異性。這項(xiàng)研究的結(jié)果證明RQA生物標(biāo)記物可能是用于ASD篩查的一種強(qiáng)有力、可靠的“語言自由、文化公平”技術(shù)解決方案；強(qiáng)調(diào)在生物標(biāo)記物研究中考慮年齡、性別和智力作為潛在混雜因素或協(xié)變量的重要性。但一致的重復(fù)性（即每個被試所有時間段的正確識別）仍是一個挑戰(zhàn)。

本研究的新穎之處：

1. 在更大的樣本中重復(fù)和擴(kuò)展了原理證明研究，并研究RQA生物標(biāo)記物在許多協(xié)變量或混雜因素中的穩(wěn)健性。

2. 采用留一法模擬診斷一個未知被試的臨床場景。3. 進(jìn)行測試-重測可靠性分析，確定正確分類每個被試數(shù)個時間段的準(zhǔn)確率。

微信掃碼或者長按選擇識別關(guān)注思影