相关实验视频
Updated: Jun 27, 2025
09:03
Eye Tracking Young Children with Autism
Published on: March 27, 2012
45.6K
使用动态时空图集结网络来识别自发功能红外光谱序列信号中的自闭症谱系障碍
Taoxing Wu1, Xiao Yin1, Lingyu Xu2
1School of Computer Engineering and Science, Shanghai University, Shanghai, China.
Journal of neuroscience methods
|May 5, 2024
概括
这项研究引入了一种使用功能近红外光谱 (fNIRS) 数据进行自闭症分类的新方法. 动态图形网络揭示了关键的大脑通道连接,以高准确度影响了自闭症的识别.
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:
- 使用功能近红外谱学 (fNIRS) 数据进行自闭症谱系障碍 (ASD) 的分类.
- 研究动态大脑通道连接对ASD的影响.
- 比较ASD和典型发育 (TD) 个体中的大脑通道连接模式.
研究的目的:
- 通过分析动态图形网络,使用fNIRS数据对ASD进行分类.
- 探索动态通道间大脑关系对ASD分类的影响.
- 通过大脑连接分析,识别影响自闭症发展的潜在因素.
主要方法:
- 使用动态图形构造来挖掘fNIRS数据中的时空相关性.
- 采用动态特征提取和时空图形聚合来增强网络信息提取.
- 开发一个动态时空图集结神经网络 (DSTGPN) 用于ASD分类.
主要成果:
- 使用短fNIRS序列 (1.75s) 实现了97.2%的分类准确度.
- 确定了特定的动态通道连接 (例如,5-19,12-25,7-34),显著影响了自闭症分类.
- 与以前的深度学习模型相比,使用短期fNIRS数据进行了有效的分类.
结论:
- 大脑通道之间的动态连接显著影响了自闭症的分类.
- DSTGPN有效地模拟了用于ASD识别的大脑通道关系.
- 在ASD大脑通道连接中观察到的明显的超链接集群表明了独特的网络特性.
