赵朔副教授课题组与南方医科大学附属深圳妇幼保健院儿童心理与康复科合作在国际神经科学与精神病学领域顶级期刊 Biological Psychiatry （中科院SCI医学大类1区, IF=9, 神经科学、精神病学top期刊）在线发表研究论文 “Classification of Autism Spectrum Disorder in Children Using EEG Power Ratios Obtained During a Naturalistic Mentalizing Task”。研究通过自然情境社会认知任务结合脑电（EEG）信号与机器学习方法, 发现社会认知任务中的脑电功率比特征能够以有效区分孤独症谱系障碍（ASD）儿童与典型发育（TD）儿童, 为ASD早期筛查提供了潜在神经生物学标志物。

一、研究背景

孤独症谱系障碍（Autism Spectrum Disorder, ASD）是一种个体高度异质性的神经发育障碍, 其核心特征包括社会交往困难和重复刻板行为。目前ASD诊断主要依赖行为观察和临床评估, 但由于专业诊断人员不足, 往往延误了最佳干预时机。大量研究表明, ASD与中枢神经系统结构和功能异常密切相关, 因此寻找客观的神经生物学指标（biomarkers）对于实现早期识别具有重要意义。脑电（EEG）由于具有无创、成本低、适合儿童研究等优势, 被认为是潜在的早期筛查工具。然而, 既往基于静息态脑电的研究结果并不一致, 其诊断效能仍存在较大争议。另一方面, ASD的核心社会缺陷之一是心理理论（Theory of Mind, ToM）能力受损, 即理解他人心理状态和意图的能力。因此, 在更接近真实社会情境的任务中记录脑电信号, 可能更有助于发现稳定的神经标志物。基于这一思路, 本研究运用自然情境动画视频任务, 探索社会认知加工过程中的脑电特征对ASD儿童与典型发育(typical development: TD)儿童的区分效果。

二、研究方法

本研究采用横断面诊断研究设计, 招募183名3–11岁儿童, 其中包括83名ASD儿童和100名TD儿童。 实验中, 儿童佩戴64通道脑电设备, 在观看动画短片《Partly Cloudy》的自然情境社会认知任务以及随后约3分钟的静息态注视任务时同步记录脑电信号。该动画包含心理理论（Theory of Mind, ToM）相关情节和非社会控制情节, 研究据此提取相应时间段的脑电数据, 并计算θ（4–8 Hz）、α（8–13 Hz）和β（13–30 Hz）频段的功率谱特征。

三、研究结果

结果表明, 在四种脑电特征模型中, 基于自然情境ToM任务的mental–control功率比模型表现最佳, 其分类准确率达到 92.5%, AUC为 0.98, 灵敏度为 89.3%, 精确率为 93.9%；相比之下, 基于静息态脑电绝对功率和相对功率构建的模型表现较差, 准确率仅为 54.9% 和 51.5%, 而基于功率差的模型准确率为 64.7%。这些结果表明, 相比静息态脑电特征, 社会认知任务中不同情境之间的脑电功率比更能有效区分ASD儿童与TD儿童（见图1）。

图1. 脑电特征分类模型的ROC曲线

进一步的SHAP解释分析发现, 额叶和颞顶区域的脑电特征对模型预测贡献最大, 其中 F2电极θ波功率和 FP1电极α波功率是最具诊断价值的指标；从频段贡献来看, θ波（37.6%）和β波（36.4%）在区分ASD与TD儿童中起主导作用, 而α波（25.9%）也具有重要作用, 这些特征主要分布在前额叶和颞顶联合区等社会认知相关脑区（见图2）。

图2. Mental–control 功率比模型的 SHAP 值分析

此外, 跨年龄迁移学习结果表明, 在较大年龄儿童上训练得到的模型在较小年龄儿童中的预测仍然保持较高准确性（约90%–92%）, AUC均超过97%, 说明该脑电特征具有良好的年龄泛化能力, 并显示出用于ASD早期筛查的潜在价值（见图3）。

图3跨年龄迁移学习模型的ROC曲线

四、研究结论

本研究表明, 相较于静息态脑电特征, 基于自然情境ToM任务获得的脑电功率比特征能够更有效地区分ASD儿童与TD儿童, 并在机器学习模型中实现了较高的分类准确率。同时, 该模型在不同年龄ASD儿童之间表现出良好的泛化能力, 说明ASD相关的社会认知神经特征在儿童早期即已形成并在发展过程中保持相对稳定。 该研究有望作为行为评估的重要补充, 用于ASD儿童的早期筛查与辅助诊断, 并为进一步理解ASD的神经机制提供新的研究框架。

五、作者贡献

深圳大学心理学院赵朔副教授为论文通讯作者。课题组硕士研究生彭奕童与南方医科大学附属深圳妇幼保健院儿童心理与康复科孙宾宾主治医生为共同第一作者。 南方医科大学附属深圳妇幼保健院儿童心理与康复科王虹主任、韦臻主任和华南师范大学心理学院李红教授为本研究做出重要贡献。 本研究受到国家社科基金一般项目(21BYY111)项目的资助。

参考文献：

Peng, Y., Sun, B., Wang, H., Wei, Z., Li, H., & Zhao, S.(2026). Classification of Autism Spectrum Disorder in Children Using EEG Power Ratios Obtained During a Naturalistic Mentalizing Task. Biological Psychiatry. https://doi.org/10.1016/j.biopsych.2026.02.017