基于静止状态EEG信号的ASD诊断的混合图形网络模型
Tian Tang1, Cunbo Li2, Shuhan Zhang2
1School of Computer Science, Chengdu University of Information Technology, Chengdu 610225, China.
Brain research bulletin
|December 1, 2023
概括
一个新的混合图形卷积网络,Rest-HGCN,有效地使用休息状态脑电图 (EEG) 大脑连接模式来诊断自闭症谱系障碍 (ASD). 这种方法显示了准确和方便的临床ASD诊断的希望.
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
- 机器学习 机器学习
背景情况:
- 自闭症谱系障碍 (ASD) 是一种流行的神经发育障碍,需要早期诊断才能进行有效的干预.
- 可靠的生物标志物对于理解自闭症病因和提高诊断精度至关重要.
- 电脑电图 (EEG) 信号为在ASD诊断中识别稳定的生物标志物提供了一个有希望的途径.
研究的目的:
- 引入Rest-HGCN,一种用于ASD诊断的新型混合图形卷积网络框架.
- 为了利用静止状态EEG信号来捕捉典型发育儿童和ASD儿童之间的不同大脑连接模式.
- 通过使用图形学习策略,开发一个强大而准确的ASD诊断系统.
主要方法:
- 该研究提出了一个混合图形卷积网络 (Rest-HGCN),集成脑网络分析和数据驱动方法.
- 休息状态EEG信号被用来提取代表大脑连接的歧视性图形特征.
- 使用图形学习策略来识别暗示ASD的差异模式.
主要成果:
- 休息-HGCN模型在ABC-CT休息EEG数据集上在ASD诊断中表现出高准确性.
- 在单个对象分析中获得了87.12%的准确性,在交叉实验分析中达到85.32%.
- 该框架有效地捕获来自静止EEG信号的歧视图形模式,以进行可靠的诊断.
结论:
- 休息-HGCN为临床ASD诊断提供了有效和方便的工具.
- 该模型捕获差异图形模式的能力突显了基于EEG的生物标志物的潜力.
- 这种方法为提高ASD诊断工具的准确性和效率提供了一个有希望的方向.
