19 Novembre 2026

Psicologia Punto One | Psicologia e Psicologi nel Web

Menu

Menu

SCHEDA SCIENTIFICA2026Altra ricerca

Spettroscopia Funzionale nel Vicino Infrarosso combinata con Apprendimento Automatico per la Classificazione Esplorativa del Disturbo dello Spettro Autistico in Bambini Piccoli

Titolo originaleFunctional Near-Infrared Spectroscopy Combined with Machine Learning for Exploratory Classification of Autism Spectrum Disorder in Young Children.

Ziyun Zhou, Lili Zhang, Shuqing Zhou, Yanru Guo, Huanxi Lin, Xin Zhang, Meiling Tong

Journal of visualized experiments : JoVE · 2026

PER COMPRENDERE LO STUDIO

Sintesi in italiano

Lo studio esplorativo ha mirato a valutare l'efficacia di caratteristiche derivate dalla spettroscopia funzionale nel vicino infrarosso (fNIRS) combinate con algoritmi di apprendimento automatico per classificare bambini di 2-6 anni con disturbo dello spettro autistico (ASD) rispetto a bambini con sviluppo tipico (TD). Sono stati analizzati due set di dati basati su paradigmi di stimoli diversi e composti rispettivamente da 60 e 58 partecipanti. Le caratteristiche utilizzate per la classificazione erano valori di attivazione β estratti da otto canali. I dati sono stati sottoposti a leave-one-out cross-validation con normalizzazione e analisi delle componenti principali. Sette classificatori sono stati testati con misure di accuratezza, specificità, sensibilità e area sotto la curva (AUC), accompagnati da test di permutazione per valutare la significatività statistica. Nel primo paradigma, il classificatore K-nearest neighbors ha ottenuto l'accuratezza più alta (0.567) e l'albero decisionale la miglior AUC (0.582). Nel secondo paradigma, alcune metriche sono risultate migliori, ma nessun classificatore ha superato significativamente la casualità. Lo studio dimostra la fattibilità tecnica della raccolta e analisi dei dati fNIRS basati su compiti, ma non ha evidenziato un valore diagnostico indipendente rispetto a parametri demografici quali età e sesso. Sono necessari studi con coorti più ampie e bilanciate per validare i risultati. Complessivamente, le prestazioni di classificazione sono state modeste senza significatività statistica nei test di permutazione.

Sintesi generata con IA. Verifica metodi, risultati e limiti nella pubblicazione originale.

Abstract e pubblicazione originale

L’abstract è consultabile nella fonte originale. Non viene ripubblicato qui perché non risulta verificata una licenza compatibile.

Leggi nella fonte originale ↗

Parole chiave

spettroscopia funzionale nel vicino infrarossoautismodisturbo dello spettro autisticoapprendimento automaticoclassificazionebambini piccolianalisi delle componenti principaliK-nearest neighborsalbero decisionaleleave-one-out cross-validation

Come citare questo studio

Ziyun Zhou, Lili Zhang, Shuqing Zhou, Yanru Guo, Huanxi Lin, Xin Zhang, Meiling Tong. (2026). Functional Near-Infrared Spectroscopy Combined with Machine Learning for Exploratory Classification of Autism Spectrum Disorder in Young Children.. Journal of visualized experiments : JoVE. DOI: 10.3791/72520

Consulta la pubblicazione originale ↗