摘要
孤独症谱系障碍（Autism Spectrum Disorder，ASD）虽被视为一种终身性障碍，但通过及时的诊断及治疗能够显著改善患儿的症状。然而，孤独症症状的多样化、传统诊断方法的局限性和相关医疗资源的稀缺，导致孤独症诊断面临着巨大的挑战。随着神经影像学的发展，基于脑电信号脑电图（Eletroencephalography，EEG）在孤独症诊断任务下的神经解码，有望突破传统孤独症诊断的局限。为了实现高效、客观、精准的孤独症智能诊断，本文主要围绕脑电微状态分析和基于图卷积的特征提取两方面展开深入研究。主要创新、具体研究内容及成果如下： 1. 针对传统脑电特征提取方法空间拓扑结构描述不足导致孤独症诊断效果不佳的问题，提出一种基于脑电微状态分析的孤独症智能诊断模型。首先，通过脑电微状态分析技术对大脑拓扑结构进行建模。其次，将脑电信号反向拟合为微状态序列，提取微状态序列的激活强度、空间结构和时间属性特征，以解决脑电时空动态表示易被忽略的问题。最后，采用支持向量机、多层感知机、线性判别分析等分类器实现基于脑电信号的孤独症智能诊断。通过对比分析两组特征发现，孤独症儿童与典型发育儿童的脑电微状态存在明显差异。经实验验证，微状态分析提取的特征在识别孤独症儿童方面表现出较高的效能，识别准确率最高达到 91.03%，初步证明基于微状态分析的特征能够作为孤独症诊断的潜在生物标志物。 2. 为了进一步探索孤独症儿童的脑电拓扑结构的动态变化，提出一种基于脑电微状态转换概率的多尺度图卷积模型。首先，基于脑电微状态分析构建微状态转换概率图，揭示大脑的功能拓扑结构和动态信息。其次，针对微状态转换概率特征个体差异大、数据结构不规则等特点，通过多层次图卷积对图中节点进行多尺度表示，并引入自注意力图池化来提取判别性节点特征，对脑电微状态转化模式进行空间建模。最后，将提取到的图级嵌入作为孤独症诊断的判别特征，实现更加精准的孤独症识别。通过对比分析两组微状态转换概率发现，孤独症儿童的某些微状态间的转换发生明显变化。经实验验证，该方法的孤独症识别准确率最高达到94.56%，进一步证明基于脑电微状态转换概率的图卷积的能够有效揭示孤独症儿童的异质性脑电微状态模式。
NETL