摘要

本文介绍了一种使用条件生成对抗网络（CGAN）生成合成电生理图（ERG）信号的方法，以增强自闭症谱系障碍（ASD）的分类。ERG是一种记录视网膜对光反应的临床测试，对于研究神经发育和神经退行性疾病具有潜在价值。然而，在ASD等异质性群体中，收集大型数据集的能力受限，使得人工智能（AI）应用复杂化。本文提出的方法通过生成与自然ERG信号相似的合成ERG信号，扩展了数据集，从而使AI应用得以充分利用。研究还应用了时间序列变换器（TST）和视觉变换器（ViT），通过连续小波变换（CWT）增强分类结果。这种方法有望支持相关精神疾病的分类模型，其中ERG可能有助于区分疾病。

原理

本文的核心技术是使用条件生成对抗网络（CGAN）生成合成ERG信号。CGAN由生成器（G）和判别器（D）组成，生成器学习从潜在分布pz到真实数据分布pd的转换，而判别器学习区分真实信号和合成信号。生成器和判别器都接收辅助类信息y作为额外的输入层。CGAN通过最小-最大优化游戏进行训练，生成器试图生成逼真的合成信号，而判别器则试图区分真实和合成信号。此外，研究中还使用了视觉变换器（ViT）和时间序列变换器（TST），这些变换器在时间-频率域和时间域上分别对ERG信号进行训练，以提高分类性能。

流程

研究首先将数据集分为测试集和训练集，确保生成模型不在与测试相关的数据上训练，以进行公平评估。然后，使用训练集训练CGAN以生成合成ERG信号，这些信号随后与真实信号合并，形成扩展数据集。分类模型（ViT和TST）在合并和未合并的数据集上进行训练，使用五折交叉验证进行评估。ViT模型使用CWT生成的波形图作为输入，而TST模型则使用原始时间序列信号。通过这种方式，研究展示了合成信号如何显著提高分类模型的性能。

应用

本文提出的方法不仅限于ASD的分类，还可能应用于其他需要ERG信号进行疾病分类或早期检测的精神疾病。合成ERG信号的生成和使用为数据集扩展提供了新的途径，特别是在数据稀缺或异质性高的领域。此外，合成信号的非个人性质使其适合公开发布，有助于推动ERG在临床和研究中的应用。