基于空间结构的深度特征融合网络在自闭症谱系障碍分类中的研究与应用

《Scientific Reports》:Spatial structure based deep feature fusion network for autism spectrum disorder classification

【字体: 大 中 小 】 时间:2026年04月15日 来源:Scientific Reports 3.9

编辑推荐:

  当前深度学习技术在处理脑电图(EEG)信号用于自闭症谱系障碍(ASD)诊断时,多将其视为独立或网格状序列,忽略了大脑连接的非欧几里得空间结构,导致模型难以捕获信号间的复杂时空依赖关系。为此,研究人员提出了一种基于空间结构的特征融合网络(SSFFN),该网络融合了空间邻近性与功能连接性两种属性,以捕捉脑区间的局部与远程交互特征,并结合长短期记忆(LSTM)预测器建模长期时间依赖性,最终实现ASD分类。在Sheffield和KAU数据集上的实验表明,该模型相比最新的时频协同网络,准确率提升1%,召回率提升4.4%,为ASD的无创精准诊断提供了新思路。

  
自闭症谱系障碍(Autism Spectrum Disorder, ASD)是一种神经发育障碍,对个体的社交互动、沟通和行为产生严重影响。传统的诊断方法多依赖于临床观察和评估,具有一定的主观性和滞后性。近年来,随着脑电图(Electroencephalogram, EEG)等无创神经影像技术的发展,通过分析大脑电信号来辅助ASD诊断已成为一个热门研究方向。深度学习技术凭借其强大的特征提取和模式识别能力,在该领域展现出巨大潜力。然而,现有的深度学习模型在处理EEG信号时,通常将其视为一维时间序列或二维网格图像,忽视了大脑作为一个复杂网络所具有的非欧几里得空间结构。这种处理方式割裂了不同电极通道信号之间固有的空间关联和功能连接,导致模型难以充分捕获反映ASD脑功能异常的关键特征,特别是脑区之间的局部交互与远程依赖关系。因此,开发一种能够有效融合EEG信号时空信息,尤其是其固有空间结构特征的模型,对于提升ASD自动诊断的准确性与可靠性至关重要。
为了攻克这一难题,一项发表在《Scientific Reports》上的研究提出并构建了一种全新的空间结构特征融合网络(Spatial Structure based Feature Fusion Network, SSFFN)。这项研究认识到,要更准确地对ASD进行分类,必须同时考虑大脑活动的两种关键空间属性:一是物理空间上的邻近性(Spatial Proximity),即相邻脑区之间由于解剖位置接近而可能存在的直接电信号耦合;二是功能上的连接性(Functional Connectivity),即不同脑区之间在神经活动上的同步与协调,这种连接可能跨越较远的解剖距离。SSFFN网络的核心创新在于,它设计了一种融合机制,能够将代表局部空间交互的“空间邻近特征”与代表远程功能协同的“功能连接特征”有机结合,形成一组更具鉴别力的融合特征。随后,研究团队利用善于捕捉序列长期依赖关系的长短期记忆(Long Short-Term Memory, LSTM)网络作为预测器,对这些融合特征在时间维度上的动态变化进行建模,最终实现ASD患者与健康对照(Typically Developing, TD)个体的分类。实验部分,研究者在两个公开的EEG数据集——Sheffield数据集和KAU数据集上进行了验证。结果表明,他们所提出的SSFFN模型在分类性能上超越了当前最先进的时频协同网络等基线模型,取得了更高的准确率和召回率,这证明了综合考虑EEG信号的非欧几里得空间结构对于提升ASD诊断效能具有显著价值。
本研究主要采用了以下几项关键技术方法:首先,利用多通道脑电图(EEG)设备采集被试者在静息态或任务态下的原始脑电数据,构成了研究的基础样本队列(来源于公开的Sheffield和KAU数据集)。其次,在特征构建阶段,创新性地从两个维度提取EEG特征:基于电极空间坐标计算空间邻近性矩阵,以及基于信号间统计关系(如相干性)计算功能连接矩阵。接着,设计了空间结构特征融合网络(SSFFN)的核心架构,该网络包含专门用于处理上述两种空间特征图的子模块,并通过设计的融合层将其输出特征进行有效整合。然后,将融合后的特征序列输入到长短期记忆(LSTM)网络中进行时间建模与分类决策。最后,采用准确率、召回率等指标在独立测试集上评估模型性能,并与一系列基线深度学习模型进行对比分析。
研究结果
模型架构与特征融合有效性
研究人员详细阐述了SSFFN模型的设计。该模型包含两个并行的特征提取分支:一个分支通过图卷积网络(Graph Convolutional Network, GCN)或类似结构处理基于电极距离构建的空间邻近图,以捕捉局部脑区相互作用;另一分支则处理基于功能连接性指标(如相位锁值)构建的功能连接图,以捕获远程脑区间的协同活动。通过一个精心设计的特征融合模块,将两个分支提取的高级特征进行加权或拼接,生成最终的融合特征。消融实验证明,同时使用空间邻近和功能连接两种特征,其分类效果显著优于仅使用其中任何一种特征,验证了所提融合策略的必要性与优越性。
在公开数据集上的性能评估
在Sheffield和KAU两个ASD EEG公开数据集上,SSFFN模型与多种主流方法进行了全面对比,包括将EEG视为网格图像的卷积神经网络(CNN)、仅建模时间依赖的递归神经网络(RNN/LSTM),以及最新的时频协同网络等。实验结果显示,SSFFN模型在准确率(Accuracy)和召回率(Recall)两项核心指标上均取得了最佳表现。具体而言,相较于基准模型中性能最优的时频协同网络,SSFFN的准确率提升了约1%,召回率提升了约4.4%。更高的召回率意味着模型能够更有效地识别出真正的ASD患者,降低了漏诊风险,这对于疾病的早期筛查尤为重要。
模型捕获的神经生物学特征分析
通过对SSFFN模型中间层激活或特征图的可视化分析,研究者尝试解读模型所学到的知识。他们发现,模型赋予较高权重的功能连接往往涉及那些在ASD研究中被广泛报道与社交认知、语言处理相关的脑网络,如默认模式网络(Default Mode Network, DMN)和突显网络(Salience Network)内的连接。这表明SSFFN模型不仅实现了高性能分类,其学习到的特征在一定程度上与ASD已知的神经病理机制相吻合,增强了模型的可解释性。
结论与讨论
本研究的核心结论是,明确提出并验证了一种基于空间结构特征融合的网络模型(SSFFN),用于从脑电图(EEG)信号中分类自闭症谱系障碍(ASD)。该研究的关键贡献在于,首次在深度学习框架下,系统地将EEG信号的非欧几里得空间结构信息——即空间邻近性与功能连接性——进行协同建模与融合。这克服了传统方法将多通道EEG信号视为独立或简单网格序列的局限性。
研究结果表明,通过SSFFN网络提取的融合特征,能够更全面地刻画ASD患者大脑活动的异常模式,特别是脑区之间相互作用的紊乱。结合LSTM对时间动态的建模,最终在公开数据集上取得了超越现有方法的分类性能,尤其是在召回率上的显著提升,表明该方法在临床辅助诊断中具有减少漏诊的应用潜力。模型学到的特征与ASD相关的关键脑网络存在对应关系,这为理解ASD的神经机制提供了新的计算视角。
这项工作的重要意义体现在方法论和临床应用两个层面。在方法论上,它为处理具有复杂图结构或网络结构特性的生物医学信号(如EEG、fMRI)提供了一种新颖的特征融合深度学习范式,推动了图神经网络等在医疗人工智能领域的应用。在临床应用上,该模型为开发客观、无创、高效的ASD辅助诊断工具提供了新的技术路径,有助于实现ASD的早期筛查和精准评估,具有重要的社会价值。未来研究可进一步探索模型在更大规模、多中心数据上的泛化能力,并尝试将其他模态信息(如遗传、行为数据)纳入同一分析框架,以构建更为全面的ASD评估体系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号