1st ITMA

Abstract information

English title:	Detection of autism using multilevel wavelet decomposition and support vector machines
Spanish title:	Detecci�n del autismo utilizando descomposici�n multinivel de wavelet y m�quinas de soporte vectorial
English abstract:	Autism spectrum disorder (ASD) is a neurodevelopmental disorder characterized by deficits in communication and social interaction, restricted activities and interest, and repetitive behavior patterns. The current diagnosis of ASD is highly subjective and can lead to inaccuracies, as it is based on purely behavioral observations. In addition, due to the complex symptoms of the disease, a proper diagnosis can take time. However, early and accurate detection of ASD is essential to implement treatments that improve the patient's condition and quality of life. For this reason, the combination of machine learning techniques and neuroimaging has become a promising candidate to reduce subjectivity and improve the diagnostic process. Specifically, resting-state functional magnetic resonance imaging (rs-fMRI) is of special interest as it allows the study of possible abnormalities in functional brain connectivity associated with autism. Thus, in our work we propose a classification framework for ASD based on Support Vector Machines (SVM) and Multilevel Discrete Wavelet Decomposition (MDWD). For this purpose, we used 175 rs-fMRI sequences from the Autism Brain Imaging Data Exchange dataset. From these images, we extract time series of regions of interest defined by a brain atlas. In the next stage, these time series are analyzed in different frequency bands by MDWD and the resulting subseries are used to build functional connectivity matrices. Finally, the features extracted from such matrices serve as input to the SVM classifier. The results of a 5-fold cross validation show that the use of MDWD in signal analysis provides an improvement in classifier performance. Our best model achieves accuracy, precision and area under the curve of 72.5%, 81.3% and 0.788, respectively.
Spanish abstract:	El trastorno del espectro autista (TEA) es un trastorno del neurodesarrollo caracterizado por d�ficits en la comunicaci�n e interacci�n social, actividades e intereses restringidos, y patrones de comportamiento repetitivos. El diagn�stico actual del TEA es altamente subjetivo y puede conducir a imprecisiones, ya que se basa en observaciones puramente conductuales. Adem�s, debido a la complejidad de los s�ntomas de la enfermedad, un diagn�stico adecuado puede tomar tiempo. Sin embargo, la detecci�n temprana y precisa del TEA es esencial para implementar tratamientos que mejoren la condici�n y calidad de vida del paciente. Por esta raz�n, la combinaci�n de t�cnicas de aprendizaje autom�tico y neuroimagen se ha convertido en un candidato prometedor para reducir la subjetividad y mejorar el proceso de diagn�stico. Espec�ficamente, las im�genes de resonancia magn�tica funcional en estado de reposo (rs-fMRI) son de especial inter�s ya que permiten el estudio de posibles anomal�as en la conectividad funcional del cerebro asociadas al autismo. As�, en nuestro trabajo proponemos un marco de clasificaci�n para el TEA basado en M�quinas de Soporte Vectorial (SVM) y Multilevel Discrete Wavelet Decomposition (MDWD). Para ello, utilizamos 175 secuencias de rs-fMRI del conjunto de datos Autism Brain Imaging Data Exchange. A partir de estas im�genes, extraemos series temporales de regiones de inter�s definidas por un atlas cerebral. En la siguiente etapa, estas series temporales se analizan en diferentes bandas de frecuencia mediante MDWD y las subseries resultantes se utilizan para construir matrices de conectividad funcional. Por �ltimo, las caracter�sticas extra�das de dichas matrices sirven de entrada al clasificador SVM. Los resultados de una validaci�n cruzada de 5 folds muestran que el uso de MDWD en el an�lisis de se�ales proporciona una mejora en el rendimiento del clasificador. Nuestro mejor modelo alcanza una exactitud, precisi�n y �rea bajo la curva del 72.5%, 81.3% y 0.788, respectivamente.
Topic:
Presentation Type:
Speaker:

Authors

Name	Institution	Email
William Cancino	Universidad Industrial de Santander	william.cancino1998@gmail.com

Presentation

Room:	Aula Máxima de Ingeniería Mecánica Auditorium
Date:	1 December 2022
Hour:	11:30 - 11:50

Home

1^st ITMA

Innovative Technologies for Medical Applications

Universidad Industrial de Santander

Contact information:

Research group CPS: cps.info@uis.edu.co

Copyright © FORISTOM Foundation, 2022
All rights reserved