区域非对称自适应图卷积神经网络用于诊断休息状态儿童自闭症的EEG

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 静止电脑图 (rs-EEG) 是一种低成本的方法,用于识别儿童的自闭症谱系障碍 (ASD).
• 从原始的rs-EEG数据中提取有效的特征以改善ASD诊断仍然具有挑战性.
• 传统方法通常涉及单独的手动特征提取和分类,阻碍了同时优化.

研究的目的:

• 建议使用新型图形卷积神经网络对儿童ASD进行端到端的诊断方法.
• 为了利用有关异常大脑功能连接和自闭症半球不对称性的发现.
• 开发一种可以同时优化特征提取和分类的模型.

主要方法:

• 提出了一个区域非对称的自适应图卷积神经网络 (RAGNN) 用于ASD诊断.
• 在大脑区域,半球和全球范围内采用分层特征提取和融合.
• 利用卷积层用于时间特征提取和适应式图形卷积学习用于空间特征.
• 整合了一个注意层,以权衡左半球和右半球的贡献.

主要成果:

• 与现有的几种深度学习方法相比,RAGNN模型显示出更高的性能.
• 对自闭症儿童的rs-EEG数据进行了独立于对象的交叉验证,并对典型的发展对照进行了验证.
• 该模型成功地从不同大脑区域和半球中学习了可分离的时空EEG特征.

结论:

• 拟议的RAGNN模型为使用rs-EEG的儿童诊断ASD提供了一种有希望和有效的方法.
• 端到端学习框架通过整合特征提取和分类来解决传统方法的局限性.
• 该模型能够捕捉区域不对称性和功能连接,从而推进自动自闭症诊断.