基于EEG微状态与混沌游戏表征的自闭症谱系障碍诊断：揭示神经动力学改变的新型生物标志物研究

　　本研究创新性地整合EEG微状态分析与混沌游戏表征（CGR）技术，首次在自闭症谱系障碍（ASD）研究中揭示其毫秒级非线性神经动态特征。通过CGR将微状态序列转化为空间模式并提取频谱（RMSF/RVF/CF）及时频特征，发现ASD患者存在微状态C稳定性降低、特定网络间异常转换及高频振荡活动增强等特征。机器学习模型基于CGR特征实现95%分类准确率，为ASD诊断提供了高灵敏度且可解释的神经生物标志物。

　　

Highlight

本研究首次将混沌游戏表征（CGR）应用于自闭症谱系障碍（ASD）的静息态脑电图（EEG）微状态动态分析。通过整合微状态分析与CGR衍生的空间模式和频谱特征，我们识别出ASD特异的神经生理学改变，支持其作为诊断生物标志物的潜力。

Results

四个微状态类别（A、B、C、D）的地形图如图3所示。基于其独特的地形特征进行命名。

ASD患者表现出微状态C的稳定性和参与度降低，以及特定网络（视觉、注意、突显和语义网络）间的异常动态转换。同时存在高频神经振荡活动增强（均方根频率，RMSF）、频谱离散度增加（中心频率，CF；根方差频率，RVF）以及总功率降低等特征。基于CGR时频特征的机器学习模型对ASD患者的分类准确率达到95%。

Discussion

本研究开创性地应用CGR探究ASD静息态EEG微状态动力学。关键发现及意义讨论如下：

EEG微状态序列有潜力表征动态功能网络。既往研究表明[39]，微状态A与听觉网络相关，微状态B涉及视觉网络，微状态C与突显网络相关，微状态D则涉及注意力网络。本研究观察到ASD组微状态C的出现率和覆盖率显著降低，表明突显网络功能受损，这与ASD患者感觉信息整合异常的理论一致。微状态C的持续时间缩短和发生频率降低，可能反映了ASD患者对相关刺激的注意分配异常。

本研究首次将CGR应用于EEG微状态序列分析。CGR成功地将微状态序列的非线性动态转换编码为二维空间分形图案。从CGR空间提取的频谱特征（D_n和Z_n序列的CF、RMSF、RVF）揭示了ASD组高频振荡活动增强和频谱离散度增加的独特模式。RMSF和RVF的升高表明神经活动更不稳定且更不可预测，这与ASD中观察到的神经噪声增加和神经同步异常的理论一致。

FCGR通过量化CGR平面内网格点的密度，提供了对微状态子序列频率的鲁棒性估计。本研究观察到ASD患者在特定FCGR区域存在显著差异，表明其微状态转换模式存在特定异常。这些发现为理解ASD的神经动力学提供了新的空间视角。

机器学习结果表明，结合传统微状态参数和CGR衍生的时频特征，能够最优地区分ASD与正常对照（NC），准确率高达95%。这显著优于仅使用传统微状态特征或FCGR特征的模型。CGR时频特征（如RVF和RMSF）表现出最高的判别能力，凸显了它们作为ASD潜在生物标志物的价值。

Conclusion

本研究建立了一个整合EEG微状态分析与混沌游戏表征（CGR）的新框架，以解码ASD的神经生理学特征。主要贡献包括：

1. 1.

   病理机制见解

   首先，通过CGR衍生的频谱特征（CF、RMSF和RVF升高）揭示了神经局部过度连接和不稳定的神经动力学。其次，识别出ASD特异的微状态改变，表明视觉、突显和语义网络间的跨模态整合异常。

2. 2.

   方法论创新

   成功将CGR/FCGR从基因组学拓展到神经科学领域，为分析微状态序列的非线性动态提供了新颖的计算工具。

3. 3.

   诊断应用

   开发的机器学习模型实现了高精度（95%）的ASD分类，展示了CGR时频特征作为客观诊断生物标志物的巨大潜力。