欧美激情久久久,日韩一区免费,麻豆视频一区

基于SABNet的自閉癥譜系障礙多模態腦影像識別研究

電子技術應用

馬云云，譚理澤，王鵬

昆明理工大學信息工程與自動化學院

摘要： 自閉癥譜系障礙（ASD）是一種影響社交互動、溝通和行為的神經發展障礙，早期診斷至關重要，但在處理多模態腦數據時仍面臨挑戰。為此，提出了一種基于多模態特征融合的端到端模型SABNet，該模型通過稀疏自編碼器對功能數據進行特征篩選，并結合結構數據構建聯合特征。最終，結合雙向長短期記憶網絡和注意力機制提取動態序列中的重要信息，實現高效分類。通過在中型ASD-MRI數據集上的實驗，SABNet在分類準確率（91.21%）等核心指標上明顯優于傳統方法，主成分分析進一步驗證了其有效性。該研究表明了SABNet在ASD識別中的優異性能，并展示了多模態特征融合在腦疾病分類中的潛力。未來研究將致力于優化模型結構、擴大數據集規模，并提升其適用性和泛化能力。

關鍵詞： 自閉癥譜系障礙多模態特征融合稀疏自編碼注意力機制雙向長短期記憶網絡

中圖分類號：TP39 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.256349
中文引用格式： 馬云云，譚理澤，王鵬. 基于SABNet的自閉癥譜系障礙多模態腦影像識別研究[J]. 電子技術應用，2025，51(12)：110-114.
英文引用格式： Ma Yunyun，Tan Lize，Wang Peng. A study on multimodal brain imaging recognition of autism spectrum disorder based on SABNet[J]. Application of Electronic Technique，2025，51(12)：110-114.

A study on multimodal brain imaging recognition of autism spectrum disorder based on SABNet

Ma Yunyun，Tan Lize，Wang Peng

Faculty of Information Engineering and Automation， Kunming University of Science and Technology

Abstract： Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder that affects social interaction, communication, and behavior. Early diagnosis is crucial, but challenges remain in handling multimodal brain data. To address this, this study proposes an end-to-end model, SABNet, based on multimodal feature fusion. The model uses sparse autoencoders for feature selection on functional data and combines structural data to construct joint features. Finally, bidirectional Long Short-Term Memory (LSTM) networks and attention mechanisms are employed to extract important information from dynamic sequences for efficient classification. Experiments on a medium-sized ASD-MRI dataset show that SABNet outperforms traditional methods in key metrics such as classification accuracy (91.21%). Principal component analysis further validates its effectiveness. This study demonstrates the excellent performance of SABNet in ASD recognition and highlights the potential of multimodal feature fusion in brain disease classification. Future research will focus on optimizing the model architecture, expanding the dataset, and improving its applicability and generalization ability.

Key words : autism spectrum disorder；multimodal feature fusion；sparse autoencoder；attention mechanism；bidirectional long short-term memory network

引言

自閉癥譜系障礙（Autism Spectrum Disorder，ASD）是一類復雜且多樣化的神經發育障礙，主要特征包括廣泛的社交互動和溝通挑戰，以及典型的刻板和重復性行為[1]。隨著醫學影像學的發展，磁共振成像作為一種無創、高分辨率的神經影像學技術檢測方法，在腦部疾病診斷中被廣泛應用[2-3]。早期發現和治療ASD對于延長患者生存時間至關重要，計算機輔助技術在此過程中可幫助醫生實現快速、準確的診斷，從而減少誤診和漏診的風險。

然而，傳統機器學習算法中的特征選擇過程往往伴隨著一定程度的主觀性。例如，劉雨晴等人[4]使用魯斯卡爾·沃利斯算法來選擇特征，并將其輸入支持向量機（Support Vector Machine，SVM）進行分類，取得了96.3%的AUC，但這種方法仍然需要額外去挑選特征。近年來，深度學習和人工智能技術的快速發展，為ASD的早期篩查和診斷提供了新的機遇。利用深度學習模型，研究者能夠從復雜的腦影像數據中自動提取特征，減少了傳統手工特征提取的主觀性和復雜性。例如，Jiang等人[5]提出的深度學習模型CNNG，結合了3D卷積神經網絡（Convolutional Neural Networks，CNN）和門控循環單元（Gated Recurrent Unit，GRU），在ASD分類任務中取得了72.46%的準確率。

盡管單一模態的MRI在ASD診斷中取得了一定進展，但由于ASD的異質性，單一模態的核磁共振成像（Magnetic Resonance Imaging,MRI）可能無法全面捕捉到疾病的復雜特征。因此，結合多模態MRI數據進行分析，能夠從結構、功能多個層面提供更全面的信息，有助于提高診斷的準確性和可靠性。為此，本研究提出了一種基于多模態特征融合的端到端深度學習模型（Sparse Autoencoder BiLSTM Network,SABNet），使用雙向長短期記憶網絡和注意力機制提取聯合特征中的重要動態信息，實現高效分類。

本文詳細內容請下載：

http://www.jysgc.com/resource/share/2000006885

作者信息：

馬云云，譚理澤，王鵬

（昆明理工大學信息工程與自動化學院，云南昆明 650031）

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容