基于图卷积神经网络融合多种人脑图谱的受试者分类方法技术

本发明专利技术公开了一种基于图卷积神经网络融合多种人脑图谱的受试者分类方法，人脑图谱是一种数据结构，表示人脑中不同脑区之间的互动信息，通过对受试者的五种人脑图谱进行识别从而对该受试者进行分类预测，属于脑科学研究以及深度学习研究领域。该分类方法步骤如下：获取人脑功能磁共振时序信号并进行预处理；根据不同的功能连接强度计算方法对每个样本构建五种类型的人脑图谱从而得到五个数据集；构建五个图卷积神经网络分类器；分别在对应的人脑图谱数据集上进行训练，从而获得对特定人脑图谱的二分类能力；综合五个图卷积神经网络分类器的预测结果，对受试者进行分类预测，即预测受试者属于哪一类人。

【技术实现步骤摘要】
基于图卷积神经网络融合多种人脑图谱的受试者分类方法
本专利技术涉及脑科学和深度学习
，具体涉及一种基于图卷积神经网络融合多种人脑图谱的受试者分类方法。
技术介绍
功能磁共振成像是一种快速成像技术，当大脑内某一部位进行活动，血流量增加，导致功能磁共振信号增强，因此功能磁共振成像(fMRI)技术被广泛应用于检测大脑内的血氧活动，进而检验大脑相关区域的功能活动变化。大量实验结果表明一些个体特征如年龄等与该个体的功能连接网络存在关系，所以人脑功能连接网络与生理特性息息相关，对fMRI中提取的脑功能连通性进行分析已成为对个体特征进行分类的流行方法。很多计算相关性的指标被用于测量脑区之间的功能连接强度，例如相关系数、稀疏表示、聚类系数、统计特性、因果特性等，其中因相关系数法具有简便性和有效性，广泛应用于功能连接强度的测量中，从而构建人脑图谱对人脑功能网络进行建模。目前，基于功能连接网络对多动症识别的研究中，主要为使用单一的功能连接方法进行研究，因为各种连接测量指标有其优点及缺点，对于某些样本数据，仅使用单一的功能连接强度测量方法容易陷入该测量本文档来自技高网...

【技术保护点】
1.一种基于图卷积神经网络融合多种人脑图谱的受试者分类方法，其特征在于，所述的受试者分类方法包括下列步骤：/nS1、获取人脑功能磁共振时序信号的数据集，数据集中每个样本为一个受试者大脑内各个脑区的功能磁共振时序信号的集合，将其表示为x，该样本中的第i个脑区的时间序列表示为x

【技术特征摘要】
1.一种基于图卷积神经网络融合多种人脑图谱的受试者分类方法，其特征在于，所述的受试者分类方法包括下列步骤：
S1、获取人脑功能磁共振时序信号的数据集，数据集中每个样本为一个受试者大脑内各个脑区的功能磁共振时序信号的集合，将其表示为x，该样本中的第i个脑区的时间序列表示为xi，描述该脑区在一定时间范围内的活动状态，对该数据集进行预处理，其中，预处理为制作样本标签以及平衡类间样本数量；
S2、对数据集中每个样本构建五种人脑图谱，分别为低阶人脑功能网络图谱LON、高阶人脑功能网络图谱HON、混合高阶人脑功能网络图谱HHON、基于KS检验的人脑功能网络图谱KSN、基于格兰杰因果检验的人脑功能网络图谱GN，以上五种人脑图谱分别反映人脑中五种不同类型的功能连接信息，从而获得用于训练图卷积神经网络分类器的五个数据集，分别表示为DLON、DHON、DHHON、DKSN、DGN，其中，LON用于描述脑区之间的时间相关性，HON用于描述低阶子网络之间的结构相关性，HHON用于描述低阶子网络与高阶子网络之间的结构相关性，KSN根据脑区时间序列的统计分布特性从而衡量不同脑区之间的是否建立连接，GN根据不同脑区的时间序列之间的因果关系从而衡量不同脑区是否建立连接；
S3、构建五个图卷积神经网络分类器对五种人脑图谱进行二分类，将特定的人脑图谱的功能连接矩阵输入至图卷积神经网络分类器，从而获得对该人脑图谱预测为正样本以及负样本的概率，其中，五个图卷积神经网络分类器分别表示为LON分类器、HON分类器、HHON分类器、KSN分类器、GN分类器，每个图卷积神经络分类器均由5层多尺度消息传递层MS_MP、3层跨层节点特征提取层CLN、2层全局节点特征提取层GNR、1层图特征提取层GFR以及1层全连接层FC构成，其中多尺度消息传递层MS_MP对输入的人脑功能连接矩阵进行处理，根据连接边两端节点的多尺度拓扑结构信息对该连接边权值进行更新，经过多层迭代使连接边获得更加抽象的功能信息；跨层节点特征提取层CLN将相邻两层多尺度消息传递层MS_MP输出的连接矩阵作为输入，并从中聚合出节点的特征向量作为输出，使用跨层的特征提取策略增加了节点特征信息的多样性，该向量称为跨层节点特征向量；全局节点特征提取层GNR将多个跨层节点特征进行聚合，经过两层迭代，生成各个节点的全局特征向量，称为全局节点特征向量；图特征提取层GFR对全局节点特征向量进行聚合，生成图特征向量；全连接层FC将图特征向量作为输入，输出概率向量，表示将人脑图谱预测为正样本以及负样本的概率；
S4、对步骤S3中得到的五个图卷积神经网络分类器进行训练，将LON分类器、HON分类器、HHON分类器、KSN分类器、GN分类器分别在DLON、DHON、DHHON、DKSN、DGN五个数据集上进行训练，使用交叉熵衡量预测输出与训练标签之间的误差，并使用随机梯度下降法对交叉熵误差进行优化，从而提升各个分类器对特定人脑图谱的分类能力；
S5、根据步骤S4中五个图卷积神经网络分类器输出的概率向量进行投票，每个概率向量中含有对正样本以及负样本的预测概率，选择最大预测概率的类别进行投票，最终获得最多票数的类别作为对受试者的预测分类结果。


2.根据权利要求1所述的基于图卷积神经网络融合多种人脑图谱的受试者分类方法，其特征在于，所述的步骤S1中预处理过程如下：
S1.1、将人脑功能磁共振时序信号的数据集中全部样本分为两类，分别为正样本与负样本，标注样本的标签为y∈[1,0]，其中1代表正样本，0代表负样本；
S1.2、对较少样本数量的类别进行随机重复采样，增加该类别的样本数量，使得正样本与负样本数量平衡。


3.根据权利要求1所述的基于图卷积神经网络融合多种人脑图谱的受试者分类方法，其特征在于，所述的步骤S2过程如下：
构建低阶人脑功能网络图谱LON，其中，低阶人脑功能网络图谱表示为LON＝(V,AL)，节点集V表示脑区的集合，AL为LON的功能连接矩阵，矩阵中元素表示脑区i、j之间的功能连接强度，对两者的时序信号xi与xj求皮尔逊相关性Pearson(xi,yj)作为两者的连接强度，其数学表达式如下：



构建高阶人脑功能网络图谱HON，其中，高阶人脑功能网络图谱表示为HON＝(V,AH)，节点集V表示以特定脑区为中心的低阶子网络的集合，该子网络中的脑区均为中心脑区的低阶邻居，邻边序列表示一个子网络的邻居拓扑结构信息，因此该子网络由LON中脑区的邻边序列表示，AH为HON的功能连接矩阵，矩阵中元素表示以脑区i为中心的低阶子网络与以脑区j为中心的低阶子网络的功能连接强度，对两者的序列与求皮尔逊相关性作为两者的功能连接强度，其数学表达式如下：



构建混合高阶人脑功能网络图谱HHON，其中，混合高阶人脑功能网络图谱表示为HHON＝(V,AHH)，节点集V表示低阶子网络与高阶子网络的集合，低阶子网络由LON中节点的邻边序列表示，高阶子网络由HON中节点的邻边序列表示，AHH为HHON的功能连接矩阵，矩阵中元素表示表示以脑区i为中心的低阶子网络与以脑区j为中心的高阶子网络之间的连接强度，对两者的序列与求皮尔逊相关性表示两者的功能连接强度，其数学表达式如下：



构建基于KS检验的人脑功能网络图谱KSN，其中，基于KS检验的人脑功能网图谱络表示为KSN＝(V,AKS)，节点集V表示脑区的集合，AKS为KSN的功能连接矩阵，矩阵中元素表示脑区i、j之间的功能连接强度，对两者的时序信号xi与xj进行进行KS检验KS_test(xi,xj)，检验中的原假设为两个时序信号服从同一总体分布，设置P的阈值为0.05，当P≥0.05则至少有95％的置信度认为脑区i与脑区j的时序信号服从同一总体分布，即两者已进行连接，用1表示连接强度，否则认为没有连接，用0表示连接强度，该检验的数学表达式如下：



构建基于格兰杰因果性检验的人脑功能网络图谱GN，其中，基于格兰杰因果性检验的人脑功能网络图谱表示为GN＝(V,AG),节点集V表示脑区的集合，AG为GN的功能连接矩阵，矩阵中元素表示脑区i、j之间的功能连接强度，对两者的时序信号xi与xj进行格兰杰因果性检验Granger_test(xi,xj)，检验中设置滞后系数为1，采用基于回归系数的F检验，原假设为两个脑区的时间序列不构成格兰杰因果关系，P的阈值设置为0.05，当P≥0.05则至少有95％的置信度认为两个脑区不具有因果关系，即两者没有进行连接，用0表示功能连接强度，否则认为两者已建立连接，用1表示功能连接强度，该检验的数学表达式如下：





4.根据权利要求1所述的基于图卷积神经网络融合多种人脑图谱的受试者分类方法，其特征在于，所述的步骤S3过程如下：
S3.1、构建多尺度消息传递层...

【专利技术属性】
技术研发人员：张鑫，梁成波，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44