基于边缘权重增强图注意力网络与静息态fNIRS多特征融合的自闭症谱系障碍分类研究

来自中国的研究人员针对自闭症谱系障碍(ASD)的精准识别难题，创新性地将边缘权重增强图注意力网络(EWE-GAT)与静息态功能近红外光谱(fNIRS)多特征相结合，通过分析双侧颞叶的氧合血红蛋白(HbO)和脱氧血红蛋白(Hb)波动耦合等7种特征，实现了97.92%的惊人分类准确率，为ASD早期诊断提供了突破性技术方案。

　　

功能近红外光谱(fNIRS)作为一种非侵入式脑成像技术，在与机器学习结合后展现出自闭症谱系障碍(ASD)识别的巨大潜力。这项研究创新性地构建了边缘权重增强图注意力网络(EWE-GAT)模型，通过分析22名典型发育(TD)儿童和25名ASD儿童双侧颞叶的静息态fNIRS信号，精选了7个关键特征：包括氧合血红蛋白(HbO)与脱氧血红蛋白(Hb)波动耦合等5个节点特征，以及通道间HbO和Hb的静息态功能连接(RSFC)等2个边特征。该模型以97.92%的准确率、100%的灵敏度和98.08%的F1值实现了ASD的精准识别，其性能显著超越传统机器学习方法和卷积神经网络。研究证实，即使采用短时程采集或少量fNIRS通道数据，该技术仍能保持优异预测能力，为临床ASD早期筛查提供了高效可靠的解决方案。