اوتیسم یا خوددرماندگی یک اختلال عصبی رشدی است که بر رفتار و تعاملات اجتماعی فرد تأثیر می‌گذارد.

طبق گزارش وزارت بهداشت جهانی شیوع اختلال طیف اوتیسم (ASD) رو به افزایش است. در حال حاضر تشخیص اوتیسم بر اساس مصاحبه‌های بالینی و مشاهدات مستقیم رفتار است. تشخیص این اختلال تنها با مشاهدات بالینی مستعد خطا می‌باشد. روش‌های مبتنی بر تصویربرداری تشدید مغناطیسی (MRI) مسیری هیجان‌انگیز برای بررسی مغز انسان به صورت غیرتهاجمی ایجادکرده‌اند. یکی از اهداف مطالعات علوم شناختی در زمینه‌ی اختلال طیف اوتیسم این است که با بررسی ارتباطات نواحی مغزی افراد به شناسایی این اختلال کمک کنند. در اینراستا محققان با استفاده از تصاویر تشدید مغناطیسی عملکردی در حالت استراحت (rs-fMRI) سری‌های زمانی نواحی مغزی را استخراج کرده‌اند و با محاسبه‌ی همبستگی بین سری‌های زمانی ارتباطات عملکردی مغز افراد را موردبررسی قرار داده‌اند همچنین در برخی پژوهش‌ها با استفاده از تصاویر تانسور پخش (DTI) به بررسی ارتباطات ساختاری نواحی مغزی پرداخته‌اند. از چشم‌انداز‌های نوین در مطالعات علوم اعصاب ادغام اطلاعات ساختاری و عملکردی نواحی مغزی به منظور شناسایی این اختلال است. یکی از روش‌هایی که در سال‌های اخیر بدین منظور به‌کاربرده شده است، استفاده از ابزارهای پردازش سیگنال روی گراف (GSP) به‌طور خاص تبدیل فوریه گراف (GFT) است. پروژه‌هایی که از GFT برای طبقه‌بندی افراد سالم و مبتلا به اوتیسم استفاده کرده‌اند، ساختار واقعی مغز افراد را در نظر نگرفته‌اند، یا از روی تصاویر rs-fMRI ساختار مغز را تخمین زده‌اند یا از ماتریس میانگین ساختاری یک گروه از افراد سالم استفاده کرده‌اند. در این پایان‌نامه با انتخاب زیرمجموعه‌ای از داده‌های ABIDE به مسأله‌ی طبقه‌بندی افراد مبتلا به اوتیسم از سالم پرداخته‌ایم.به‌طور مشخص با بهره‌گیری از تصاویرrs-fMRI و تصاویر DTI سیگنال‌های GFT 38 ناحیه‌ی مغزی را بر اساس میانگین اطلاعات ساختاری افراد سالم و اطلاعات ساختاری مختص هر فرد جداگانه حساب کرده‌ایم وهمبستگی پیرسون بین سیگنال‌های GFT جفت نواحی مغزی را به دست آورده‌ایم. با استفاده از آزمون آماری تحلیل واریانس(Anova) تنها تعدادی از ضرایب همبستگی را به‌عنوان ویژگی انتخاب کرده‌ و با استفاده از تحلیل مؤلفه‌های اساسی (PCA) ابعاد ویژگی‌ها را کاهش داده‌ایم. طبقه‌بندی داده‎ها را با ماشین بردار پشتیبان (SVM)، K نزدیک‌ترین همسایه (KNN) و تحلیل تفکیک کننده خطی (LDA) ‌انجام داده‌ایم. همبستگی بین سری‌های زمانی نواحی مغزی و ماتریس‌های ساختاری را جداگانه طبقه‌بندی کرده‌ایم. طبقه‌بندی داده‌ها با استفاده از محاسبه همبستگی بین سیگنال‌های تبدیل فوریه گراف با استفاده از ماتریس ساختاری اختصاصی هر فرد و ماتریس میانگینافراد سالم به ترتیب، عملکرد بهتری را نشان دادند. نتایج حاصل از این پژوهش به‌عنوان قدم‌های نخست در مسیر بهره‌گیری توأم از اطلاعات ساختاری و عملکردی مغز در شناسایی اختلال طیف اوتیسم امیدوارکننده است.