基于切比雪夫谱图卷积与图注意力的增强图卷积网络：用于自闭谱系障碍分类
计算机视觉与模式识别
2025-12-01 v1 人工智能
摘要
自闭谱系障碍 (ASD) 是一种复杂的神经发育障碍，表现形式和神经学基础各异，使得早期客观诊断极具挑战性。本文提出一种图卷积网络 (GCN) 模型，融合切比雪夫谱图卷积和图注意力网络 (GAT)，以提高利用多模态神经影像和表型数据的 ASD 分类准确率。该模型利用包含 870 名患者 rs-fMRI、sMRI 和表型变量的 ABIDE I 数据集。模型采用多分支架构，对每种模态数据分别进行处理后通过拼接合并。图结构采用基于 site 的相似性生成人群图，有助于理解个体间的关系连接。切比雪夫多项式滤波器提供局部谱学习，计算复杂度较低；GAT 层通过注意力加权聚合周围信息来增加节点表示。该模型采用分层五折交叉验证训练，每个个体的总输入维度为 5,206 特征。大量实验表明，所提模型优于多种最新基线，包括常规 GCN、基于自编码器的深度神经网络和多模态 CNN，测试准确率达 74.82%，AUC 为 0.82。
引用
@article{arxiv.2511.22178,
title = {Enhanced Graph Convolutional Network with Chebyshev Spectral Graph and Graph Attention for Autism Spectrum Disorder Classification},
author = {Adnan Ferdous Ashrafi and Hasanul Kabir},
journal= {arXiv preprint arXiv:2511.22178},
year = {2025}
}
备注
6 pages, 2 figures, 2 tables, Accepted and presented at Image and Vision Computing New Zealand (IVCNZ) 2025