基于使用自适应图神经网络的短期自发血动力学波动来对自闭症进行分类
Yifan Zhu1, Lingyu Xu2, Jie Yu1
1School of Computer Engineering and Science, Shanghai University, Shanghai, China.
Journal of neuroscience methods
|June 9, 2023
概括
功能近红外光谱学 (fNIRS) 和图形神经网络准确地确定了儿童的自闭症谱系障碍 (ASD). 左下额叶回形在患有自闭症的儿童中显示出显著的差异.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 发展心理学 发展心理学
背景情况:
- 自闭症谱系障碍 (ASD) 诊断依赖于行为观察,需要客观的生物标志物.
- 通过功能近红外谱学 (fNIRS) 测量的自发血动力学波动为客观ASD评估提供了一个潜在的途径.
- 研究诸如左下额头 (LIFG) 这样的大脑区域,可能会揭示ASD中关键的神经差异.
研究的目的:
- 使用fNIRS数据对患有自闭症谱系障碍 (ASD) 和典型发育 (TD) 的儿童进行分类.
- 为了探索与ASD相关的左下额 (LIFG) 的潜在异常.
- 评估新型图形神经网络 (GNN) 模型用于ASD分类的有效性.
主要方法:
- 利用了来自25名自闭症儿童和22名TD儿童的fNIRS数据.
- 采用了一个包含时间和图形卷积模块的图形神经网络 (GNN) 模型.
- 从fNIRS数据中提取的时空特征用于分类.
主要成果:
- 在LIFG中使用GNN实现了对ASD的高分类准确性 (97.1%).
- 在LIFG (BA 10和BA 47) 和ASD中的特定道之间展示了显著的相关性.
- 开发的GNN模型显示,与以前的深度学习模型相比,准确性提高了13%.
结论:
- 适应图形神经网络 (AGNN) 模型显示了区分ASD和TD的前景.
- 左下额头 (LIFG) 是一个关键的大脑区域,用于研究ASD.
- fNIRS与先进的GNNs相结合,为客观的ASD诊断提供了一个强大的工具.
更多相关视频
05:32Comparing Eye-tracking Data of Children with High-functioning ASD, Comorbid ADHD, and of a Control Watching Social Videos
Published on: December 7, 2018
9.0K
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
11.0K
