基于SABNet的自闭症谱系障碍多模态脑影像识别研究-AET-电子技术应用

基于SABNet的自闭症谱系障碍多模态脑影像识别研究

电子技术应用

马云云，谭理泽，王鹏

昆明理工大学信息工程与自动化学院

摘要： 自闭症谱系障碍（ASD）是一种影响社交互动、沟通和行为的神经发展障碍，早期诊断至关重要，但在处理多模态脑数据时仍面临挑战。为此，提出了一种基于多模态特征融合的端到端模型SABNet，该模型通过稀疏自编码器对功能数据进行特征筛选，并结合结构数据构建联合特征。最终，结合双向长短期记忆网络和注意力机制提取动态序列中的重要信息，实现高效分类。通过在中型ASD-MRI数据集上的实验，SABNet在分类准确率（91.21%）等核心指标上明显优于传统方法，主成分分析进一步验证了其有效性。该研究表明了SABNet在ASD识别中的优异性能，并展示了多模态特征融合在脑疾病分类中的潜力。未来研究将致力于优化模型结构、扩大数据集规模，并提升其适用性和泛化能力。

关键词： 自闭症谱系障碍多模态特征融合稀疏自编码注意力机制双向长短期记忆网络

中图分类号：TP39 文献标志码：A DOI: 10.16157/j.issn.0258-7998.256349
中文引用格式： 马云云，谭理泽，王鹏. 基于SABNet的自闭症谱系障碍多模态脑影像识别研究[J]. 电子技术应用，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

自闭症谱系障碍（Autism Spectrum Disorder，ASD）是一类复杂且多样化的神经发育障碍，主要特征包括广泛的社交互动和沟通挑战，以及典型的刻板和重复性行为[1]。随着医学影像学的发展，磁共振成像作为一种无创、高分辨率的神经影像学技术检测方法，在脑部疾病诊断中被广泛应用[2-3]。早期发现和治疗ASD对于延长患者生存时间至关重要，计算机辅助技术在此过程中可帮助医生实现快速、准确的诊断，从而减少误诊和漏诊的风险。

然而，传统机器学习算法中的特征选择过程往往伴随着一定程度的主观性。例如，刘雨晴等人[4]使用鲁斯卡尔·沃利斯算法来选择特征，并将其输入支持向量机（Support Vector Machine，SVM）进行分类，取得了96.3%的AUC，但这种方法仍然需要额外去挑选特征。近年来，深度学习和人工智能技术的快速发展，为ASD的早期筛查和诊断提供了新的机遇。利用深度学习模型，研究者能够从复杂的脑影像数据中自动提取特征，减少了传统手工特征提取的主观性和复杂性。例如，Jiang等人[5]提出的深度学习模型CNNG，结合了3D卷积神经网络（Convolutional Neural Networks，CNN）和门控循环单元（Gated Recurrent Unit，GRU），在ASD分类任务中取得了72.46%的准确率。

尽管单一模态的MRI在ASD诊断中取得了一定进展，但由于ASD的异质性，单一模态的核磁共振成像（Magnetic Resonance Imaging,MRI）可能无法全面捕捉到疾病的复杂特征。因此，结合多模态MRI数据进行分析，能够从结构、功能多个层面提供更全面的信息，有助于提高诊断的准确性和可靠性。为此，本研究提出了一种基于多模态特征融合的端到端深度学习模型（Sparse Autoencoder BiLSTM Network,SABNet），使用双向长短期记忆网络和注意力机制提取联合特征中的重要动态信息，实现高效分类。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000006885

作者信息：

马云云，谭理泽，王鹏

（昆明理工大学信息工程与自动化学院，云南昆明 650031）

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容