【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...
【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...
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。