【技术实现步骤摘要】
基于可微神经结构搜索的大脑时-空网络分解方法及系统
本专利技术涉及人工智能大脑网络分解
，特别是涉及一种基于可微神经结构搜索的大脑时-空网络分解方法及系统。
技术介绍
大脑功能网络是研究大脑认知及思维过程的重要依据，能够为智慧教育、精准医疗等领域提供重要支持。循环神经网络(recurrentneuralnetwork,RNN)由于对时间维度的刻画具有天然的优势，因此已被广泛应用于脑网络的动态分析中。然而，受到当前算法模型本身结构的限制，目前针对大脑网络的分析研究非常依赖于具体独立任务的先验知识，无法对特定领域的所有场景进行泛化地刻画分析，如：不同的认知任务、不同的个体等。因此，引入更具有泛化能力的模型框架，摒弃完全依赖于人工设计的网络模型，能够为大脑网络的个性化综合分析提供更加全面的技术框架。神经网络结构搜索(neuralarchitecturesearch，NAS)受大脑本身泛化能力的启发，能够为更加精准地实现基于时-空共变特性的脑网络分析提供技术支持。目前，在搜索策略上，NAS模型主要基于强化学习(rein...
【技术保护点】
1.一种基于可微神经结构搜索的大脑时-空网络分解方法，其特征在于，所述方法包括：/n步骤S1：基于HCP数据集的七个认知任务构建大脑原始数据矩阵；/n步骤S2：根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵；/n步骤S3：根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构；/n步骤S4：引入早停机制，根据所述最优细胞结构确定最终细胞结构；/n步骤S5：根据所述最终细胞结构对大脑时-空网络进行分解，获得时间动态特征和空间网络特征。/n
【技术特征摘要】
1.一种基于可微神经结构搜索的大脑时-空网络分解方法，其特征在于，所述方法包括：
步骤S1：基于HCP数据集的七个认知任务构建大脑原始数据矩阵；
步骤S2：根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵；
步骤S3：根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构；
步骤S4：引入早停机制，根据所述最优细胞结构确定最终细胞结构；
步骤S5：根据所述最终细胞结构对大脑时-空网络进行分解，获得时间动态特征和空间网络特征。
2.根据权利要求1所述的基于可微神经结构搜索的大脑时-空网络分解方法，其特征在于，所述根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构，具体包括：
步骤S31：将所述输入特征矩阵输入嵌入层进行压缩，获得循环神经网络RNN层的维度；
步骤S32：将离散操作转变到可微的连续搜索空间中，对RNN层细胞结构中的内部节点间的操作进行更新搜索；
步骤S33：将连续空间搜索后的节点间操作进行离散化，获得离散域内的节点间操作，并根据离散域内的节点间操作确定细胞结构；
步骤S34：利用损失函数公式，根据所述输出层矩阵和所述目标输出矩阵确定损失函数值；
步骤S35：基于损失函数值进行迭代更新，获得最优细胞结构。
3.根据权利要求1所述的基于可微神经结构搜索的大脑时-空网络分解方法，其特征在于，所述引入早停机制，根据所述最优细胞结构确定最终细胞结构，具体包括：
步骤S41：判断当前的所述最优细胞结构中是否存在小于或等于3个“等于”操作；
步骤S42：如果当前的所述最优细胞结构中存在小于或等于3个“等于”操作，则将当前的所述最优细胞结构作为最终细胞结构；
步骤S43：如果当前的所述最优细胞结构中存在大于3个“等于”操作，则采用反推法回溯历史搜索细胞结构，对“等于”操作进行删减；
步骤S44：依次判断反推过程中的细胞结构中是否存在小于或等于2个“等于”操作，如果所述细胞结构中存在小于或等于2个“等于”操作，则将所述细胞结构作为最终细胞结构；否则将拥有最少“等于”操作的所述细胞结构作为最终细胞结构。
4.根据权利要求1所述的基于可微神经结构搜索的大脑时-空网络分解方法，其特征在于，所述根据所述最终细胞结构对大脑时-空网络进行分解，获得时间动态特征和空间网络特征，具体包括：
步骤S51：根据所述最终细胞结构确定大脑网络的时间动态特征；
步骤S52：根据弹性网络回归，利用所述时间动态特征对大脑网络的空间特征进行估计...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。