共计 1359 个字符，预计需要花费 4 分钟才能阅读完成。
根据《自闭症研究》期刊最新发表的一项研究，人们在抓握日常物品时的细微动作差异可能成为识别自闭症的重要线索。研究人员通过分析年轻成年人在简单抓握任务中的精细运动表现，利用机器学习技术，成功以超过 84% 的准确率区分自闭症和非自闭症个体。这一发现为开发基于自然行为的非侵入性诊断工具提供了新的可能性。
自闭症作为一种神经发育障碍，其核心特征通常表现为社交沟通困难和重复性行为。然而，运动差异——即所谓的运动异常——也是该病症的常见表现之一，且往往在婴儿期就已显现，早于其他核心症状的出现。既往研究表明，许多自闭症患者存在协调性改变、动作笨拙或不一致的运动模式。这些运动异常并非次要症状，而是反映了自闭症大脑在处理感觉和运动信息时的根本性差异。
基于这一认识，研究团队将目光投向了特定的运动模式，特别是抓握动作——这一人类最基本且频繁执行的动作，为研究运动规划和控制提供了理想窗口。此前研究已发现，自闭症个体在抓握动作中表现出独特模式，如运动速度较慢或手部形态延迟。然而，这些研究大多采用人工任务或仅测量有限运动特征。本次研究创新性地采用最简设备，在自然、真实场景下进行抓握任务，以评估其是否足以提供可靠的诊断信息。
研究团队招募了 59 名年轻成年人（31 名自闭症患者和 28 名非自闭症个体），所有参与者年龄和智商水平相匹配。实验要求参与者仅用拇指和食指抓握一系列不同长度的矩形物体。通过配备两个被动标记（分别置于拇指和食指）的运动跟踪系统，研究人员记录了每次抓握过程中手指的三维位置。这种最小化设备设置相较于以往使用全身运动捕捉或复杂设备的研究更具实用性和可访问性。
每位参与者完成 120 次抓握试验后，研究团队从记录数据中提取了十余项运动学特征，包括抓握过程中手指的最大分离距离、移动速度、动作持续时间以及手指运动轨迹等。这些特征精准捕捉了大脑在物体互动过程中对手部动作的控制细节。
为验证这些特征对自闭症的预测能力，研究人员训练了五种机器学习模型，包括逻辑回归、支持向量机和决策树集成等。为确保结果的可靠性和普适性，研究采用 ’ 留一法 ’ 进行模型训练和测试：算法从除一名参与者外的所有数据中学习，然后预测被排除的参与者是否为自闭症患者。这一过程循环进行，直至每位参与者均被排除一次。
研究结果显示，所有五种模型的分类准确率均超过 84%，部分模型甚至达到 89%。即使在单次试验水平上，这些结果仍然保持稳定。此外，模型在受试者水平上实现了超过 0.95 的曲线下面积（AUC）分数，显示出卓越的区分能力。
研究人员强调，其方法的优势在于简单易行。仅需两个标记和一个简单的抓握任务，就能在自然、不引人注目的环境中检测到与自闭症相关的运动差异。与依赖脑部扫描、复杂诊断访谈或人工任务的研究不同，这种方法更容易在诊所或学校环境中实施。它还可能帮助识别那些不符合传统诊断标准，但在运动控制方面仍面临挑战的自闭症个体。
然而，该研究也存在一些局限性。样本仅包括智商正常的年轻成年人，目前尚不清楚该方法是否适用于儿童群体——而儿童正是早期诊断的主要目标。此外，虽然模型在区分自闭症和非自闭症参与者方面表现良好，但它们并未尝试对自闭症亚型进行分类或预测症状严重程度。未来研究可以将这种方法扩展到更年轻的人群，或探索抓握模式是否与其他特征（如感觉敏感性或社交行为）相关。
