基于LSTM-注意力机制的脑时间序列深度学习模型在自闭症谱系障碍早期诊断中的创新应用

本文推荐：研究者创新性地提出结合长短期记忆网络（LSTM）与注意力机制的轻量级混合模型，通过滑动窗口数据预处理和通道注意力残差块（channel Attention）实现自闭症谱系障碍（ASD）的高效诊断。模型在ABIDE数据集HO脑图谱上达到81.1%准确率，并构建脑功能连接拓扑图，为ASD早期干预提供新范式。

　　

亮点

• 轻量级混合模型：我们提出基于LSTM和注意力机制的轻量级混合模型，并开发了结合通道注意力（channel Attention）的残差块结构用于特征融合。该方法在多数脑图谱数据集中表现最优，其中HO脑图谱准确率达81.1%。

• 滑动窗口数据预处理：创新性引入滑动窗口数据预处理方法。大量实验表明，该方法显著提升了模型对ASD的分类性能。

• Top-N脑功能连接图谱：通过计算不同脑图谱中患者与正常对照的平均皮尔逊相关系数，构建了Top-N脑功能连接拓扑结构图，为未来自闭症研究提供宝贵资源。

数据预处理

本研究使用的ROI时间序列数据来自自闭症脑成像数据交换库（ABIDE），涵盖7个脑图谱的1035名受试者（17个站点）。各站点序列长度差异显著（78-296个时间点），因此采用两种处理方法：皮尔逊相关矩阵构建和滑动窗口分割。

数据集

模型评估基于ABIDE的ROI时间序列数据集（1035名受试者）。按受试者级别划分80%/20%用于训练/验证集，所有滑动窗口片段严格归属同一集合以避免数据泄露。因数据量有限，未单独划分测试集。

作者贡献声明

王贤臣：初稿撰写、验证、软件、方法论；裴灿：可视化、软件、数据整理；何建标：审稿修订、方法论、概念设计；徐金阳：初稿撰写、可视化、验证、软件、方法论。

伦理声明

本研究使用公开数据集（ABIDE库，https://fcon_1000.projects.nitrc.org/indi/abide/），伦理审批与参与者知情同意已由ABIDE完成。

资金声明

本研究未接受任何资金支持。

利益冲突声明

作者声明无已知可能影响本研究的财务或个人利益冲突。

致谢

感谢同事在实验流程与数据分析中的协助。