一种基于超图注意力网络的脑功能网络分类方法技术

本发明专利技术涉及一种基于超图注意力神经网络的脑功能网络分类方法，属于脑科学研究和深度学习的交叉领域。首先，设计了一个超图生成模块，将每个脑网络建模为一个超图以保存高阶信息。然后，为了能够在节点间不存在显式连接边的超图中进一步提取信息，设计了一个超图注意力聚合模块，该模块共分为两个步骤：节点注意聚合和超边注意力聚合，分别用于节点和超边特征的聚合。接着，以端到端方式对两个模块进行联合优化，可随训练过程动态更新超图和节点特征。最后，本发明专利技术在ABIDE

【技术实现步骤摘要】
一种基于超图注意力网络的脑功能网络分类方法


[0001]本专利技术涉及脑科学研究领域，具体地说，针对脑功能网络分类目标，设计了一种基于超图注意力网络的脑功能网络分类方法。

技术介绍

[0002]脑功能网络研究是脑科学领域的一个热点,已被广泛扩展到脑疾病研究、脑认知研究等各方面。脑功能网络是对大脑功能连接的一种简单表示,其中,节点表示脑区,边表示节点间的功能连接。已有研究表明，许多神经和精神疾病通常伴随着部分脑区之间功能连接的中断或异常整合，因此，脑功能网络分析为探索脑疾病与潜在连接异常之间的关联提供了新的途径。近年来，深度学习由于能够自动地从数据中学习其高层特征表达，成为了图像识别、语音识别以及自然语言处理等领域的主流方法。特别地，许多深度学习模型也已经在脑功能网络分类任务中得到了很好的应用。目前，基于深度学习模型分类方法主要包括基于全连接神经网络(Fully connected neural network，FCNN)的方法、基于卷积神经网络(Convolutional neural network，CNN)的方法和基于图神经网络(Graph neural network，GNN)的方法。早期基于全连接神经网络(Fully connected neural network，FCNN)的方法，如深度自编码器(Deep auto
‑
encoder，DAE)通常将脑功能网络的邻接矩阵直接铺平为特征向量进行输入，忽略了脑网络拓扑结构这一重要特征。此外，这类方法往往需要大量参数，易使模型陷入过拟合。为了解决这些问题，基于卷积神经网络，如BrainNetCNN等采用权值共享机制，在一定程度上解决了过拟合的问题；同时，该方法通过设计特殊的卷积操作，在一定程度上考虑了拓扑结构信息。但CNN是专门为具有规则网状结构的图像设计的，不能直接应用于脑功能网络这类空间结构不规则的数据上；而将脑功能网络表示成规则网状结构不能准确地捕获节点间的非欧邻接关系。
[0003]近年来，研究人员开始研究如何将卷积神经网络迁移到图数据上，涌现出ChevNet、MoNet、GCN、GAT等一系列图神经网络方法，在基于图的半监督分类和图表示学习等任务中表现出很好的性能。基本思想是在一组相邻节点上设计参数局部共享的算子，通过消息传递框架将邻居信息聚合到目标节点上。由于能够在图结构的指导下更新节点特征，图神经网络方法在脑网络分析任务中展现出了很好的优势。
[0004]然而，目前基于图神经网络的方法仍然存在一些问题：首先，这些方法主要是基于具有成对连接的图结构。然而，脑区间往往存在高阶邻接关系性和复杂结构信息。例如，一组区域通常被组合在一起完成特定的大脑功能。在这种情况下，这些区域之间的邻接关系不再是二元的(成对的)了。其次，由rs
‑
fMRI数据构建的功能连接矩阵中含有许多噪声连接。由于GNNs中的消息传递过程在很大程度上取决于所构造图的质量，这可能会影响到GNNs的性能。现有方法在利用图结构时缺乏适当的策略来消除噪声的影响。

技术实现思路

[0005]针对图神经网络在脑网络分类中未能有效利用复杂高阶结构信息，导致性能难以
提高的问题，本专利技术公开了一种基于超图注意力网络的脑功能网络分类方法(Hypergraph Attention Network for Functional Brain Network Classification，FC
‑
HAT)。本专利技术目标是用超图表示脑功能网络中的高阶结构信息，并在此基础上发展新的卷积运算，以进一步提取信息。与边只能描述成对关系的简单图相比，超图由一组超边组成，超边可以连接任意数量的相关节点。超图可以在图中抽象出更多的信息，并表示更复杂的结构。在此基础上，设计了动态超图生成阶段和超图注意聚合阶段，以构造有效的基于超图结构的图神经网络。
[0006]为实现上述目的，本专利技术采用的技术方案为一种基于超图注意力网络的人脑功能网络分类方法。本专利技术的流程如图1所示，包含以下几个步骤。1)首先获取原始静息态fMRI数据，并进行预处理。然后利用预处理后的时间序列计算脑区之间相关性,构建脑功能网络数据集；2)根据被试的标签将数据集划分为训练集、验证集各测试集。3)构建超图注意力网络模型(HAT)；4)训练HAT；5)对脑网络进行分类。
[0007]FC
‑
HAT模型具体步骤如下：
[0008]步骤(1)首先获取原始静息态fMRI数据，并进行预处理；然后利用预处理后的时间序列计算脑区之间相关性，构建脑功能网络数据集；
[0009]步骤(1.1)本专利技术使用静息态fMRI数据构建脑功能网络；数据采集：采集多个被试的数据，每一个被试的数据包含其脑影像数据与被试的标签y，其中，在脑影像数据采集过程中，fMRI技术将人脑划分成S1
×
S2
×
S3个小立方体，每一个立方体称为一个体素，并按一定时间间隔对全脑进行T次采样，得到原始脑影像数据y＝1表示经专业医生诊断该被试患有脑疾病，y＝0则是正常人；
[0010]步骤(1.2)数据预处理：包括层间时间校正(Slice Timing Correction)、头动校正(Motion Realignment)、空间标准化(Normalization)、空间平滑滤波(Smoothing)、干扰信号去除(Nuisance Signal Removal)、带通滤波(Band
‑
pass Filtering)和配准(Registration)；
[0011]步骤(1.3)脑区划分：首先根据模版将所有体素划分至N个脑区中。常用的模版包括AAL(Anatomical Automatic Labeling)模板，Harvard
‑
Oxford模版等。然后，将每个脑区内所有体素的时间序列取平均，得到所有脑区的时间序列；
[0012]步骤(1.4)构建脑功能网络：一个被试的脑功能网络由其邻接矩阵A＝{A
ij
}
N
×
N
表示，称为脑功能连接。其中，N表示网络中节点(即脑区)的数量，元素A
ij
的值为节点v
i
和v
j
之间边的强度，表示它们的时间序列之间的统计相似性。常见的相似性度量方法包括皮尔逊相关系数(Pearson Correlation Coefficient)、偏相关(Partial Correlation)以及小波变换(Wavelet Transform)等；
[0013]步骤(1.5)获得特征矩阵：一个被试的特征矩阵由X＝{x
i
}
N
×
D
表示，令取值为A。其中，N表示脑功能网络中节点(即脑区)的数量，元素x
i
表示第i个节点的特征向量，D表示每个特征向量的维度。
[0014]步骤(2)数据集划分：将所有被试划分为训练集、验本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超图注意力网络的人脑功能网络分类方法，其特征在于：步骤(1)首先获取原始静息态fMRI数据，并进行预处理；然后利用预处理后的时间序列计算脑区之间相关性，构建脑功能网络数据集；步骤(2)数据集划分：根据被试的标签将所有被试划分为训练集、验证集和测试集；步骤(3)构建超图注意力网络模型HAT，用于人脑功能网络的分类；步骤(4)训练HAT；步骤(5)将待分类被试的脑功能连接A及特征矩阵X输入训练完成的HAT，完成对脑网络的分类。2.根据权利要求1所述的一种基于超图注意力网络的功能网络分类方法，进一步的，步骤(1)包括以下步骤：步骤(1)获取数据并预处理：步骤(1.1)本发明使用静息态fMRI数据构建脑功能网络；数据采集：采集多个被试的数据，每一个被试的数据包含其脑影像数据与被试的标签y，其中，在脑影像数据采集过程中，fMRI技术将人脑划分成S1
×
S2
×
S3个小立方体，每一个立方体称为一个体素，并按一定时间间隔对全脑进行T次采样，得到原始脑影像数据y＝1表示经专业医生诊断该被试患有脑疾病，y＝0则是正常人；步骤(1.2)对fMRI数据进行预处理：包括层间时间校正、头动校正、空间标准化、空间平滑滤波、干扰信号去除、带通滤波和配准；步骤(1.3)将预处理之后的fMRI数据进行脑区划分；步骤(1.4)构建脑功能网络：一个被试的脑功能网络由其邻接矩阵A＝{A
ij
}
N
×
N
表示，称为脑功能连接，其中，N表示网络中节点(即脑区)的数量，元素A
ij
的值为节点v
i
和v
j
之间边的强度，由节点v
i
和v
j
之间的统计相似性表示，统计相似性通过按脑区划分的预处理之后的fMRI数据得到；步骤(1.5)获得被试的特征矩阵：一个被试的特征矩阵由X＝{x
i
}
N
×
D
表示，令取值为A，其中，N表示脑功能网络中节点的数量，元素x
i
表示第i个节点的特征向量，D表示每个特征向量的维度。3.根据权利要求2所述的一种基于超图注意力网络的功能网络分类方法，进一步的，相似性度量方法包括皮尔逊相关系数、偏相关以及小波变换。4.根据权利要求1所述的一种基于超图注意力网络的功能网络分类方法，进一步的，步骤(3)包括以下步骤：步骤(3.1)学习初始的节点嵌入矩阵：该步骤采用图卷积操作实现，输入为被试的特征矩阵X和脑功能网络邻接矩阵A，输出为节点的初始嵌入矩阵Z
(1)
，具体公式如下：其中，Z
(1)
为第一层图卷积习得的节点的初始嵌入矩阵，Z
(0)
＝X，D为邻接矩阵A对应的度矩阵,W
(0)
为待训练的参数矩阵，σ为激活函数；步骤(3.2)超图生成：该步骤综合使用KNN和K
‑
Means来实现，用于为超图中的每个节点v
i
找到对应的超边集合ρ(v
i
)，该模块的输入为节点嵌入矩阵Z
(l)
,l＝1,
…
,L代表网络的层
数，输出为超图
①
KNN算法：对于每个节点v
i
，计算特征嵌入矩阵Z
(l)
中第i个元素与其他N
‑
1个元素之间的距离，找到与其距离最近的k1个节点，将这与节点v
i
一起构成属于节点v
i
的第一条超边e1；
②
K
‑
Means算法：首先先随机指定k个簇中心节点，然后全局计算特征嵌入矩阵Z
(l...

【专利技术属性】
技术研发人员：冀俊忠，任亚亭，雷名龙，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：