一种基于图神经网络的端到端大脑因果网络构建方法技术

本发明专利技术公开了一种基于图神经网络的端到端大脑因果网络构建方法，属于脑电信息处理领域。本发明专利技术设计了一个邻近k层特征融合的多层感知机用于多维特征提取，并进一步设计图神经网络用于大脑因果关系的直接挖掘。随后利用向量自回归模型得到具有真实脑电信号特性的多元序列及其因果监督性信息，以监督性方法训练神经网络模型。基于训练好的神经网络模型，可实现对脑电数据的因果关系的挖掘和因果网络构建。与传统方法的代表性方法格兰杰因果分析对比研究证明，本发明专利技术在低信噪比条件下捕捉因果网络拓扑结构和因果关系强弱作用方面具有显著的优势。本发明专利技术为突破传统模型驱动假设约束，以数据驱动的方式直接挖掘深度大脑因果网络机制方面提供了新的视角。络机制方面提供了新的视角。络机制方面提供了新的视角。

【技术实现步骤摘要】
一种基于图神经网络的端到端大脑因果网络构建方法


[0001]本专利技术属于脑电信息处理领域，特别是基于图神经网络的端到端的大脑因果网络构建方法。

技术介绍

[0002]脑网络对研究大脑各区域间的交互关系具有重要意义，因果网络描述了各个大脑区域之间的因果影响特性。为了刻画大脑活动的因果关系，多种方法被提出，大体可以划分为以格兰杰因果(GCA)为代表的模型驱动的系列方法和少量的非参数估计方法。然而基于模型驱动假设的系列方法依赖于模型假设的可靠性，受制于模型驱动的假设与现实不符问题，难以刻画大脑因果网络机制的本质。而非参数估计方面的研究还十分有限，大多局限于信号低维空间特征层面，刻画信号间的浅层依赖关系，在高维特征的深度挖掘上还存在很大的不足。
[0003]近年来，深度学习方法卓越的信息挖掘能力越来越多的引起人们的注意，诸如长短时记忆网络等深度神经网络方法在因果网络分析领域也逐渐得到应用。然而，当前的实现思路主要还是基于类模型驱动方法，如自回归模型，训练神经网络模型实现对时间序列的预测或是和传统模型假设的近似。其因果关系的度量主要有两个分支，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的端到端大脑因果网络构建方法，包括以下步骤：步骤S1：采用向量自回归模型构建时序因果性的具有脑电信号特性的N维仿真脑电信号X＝{x1(t),x2(t),...,x
N
(t)},t＝1,2,...T作为神经网络模型的训练输入，T表示采样总数，并得到对应多元信号的因果网络矩阵作为模型的训练的标签，其中表示实数域上N
×
N维的实数矩阵，N为导联数；步骤S2：设计基于邻近k层特征融合的多层感知机的图神经网络模型；步骤S21，将输入信号输入到邻近k层特征融合的多层感知机分离提取多导联信号特征；步骤S22，将步骤S21输出的特征输入到节点
‑
边汇聚层，实现从多导联特征信息重构为两两导联间信号的交互作用的边信息；步骤S23，将步骤S22输出的边信息输入到邻近k层特征融合的多层感知机分离提取所有潜在连接边的信息特征；步骤S24，将步骤S23输出的特征输入到边
‑
节点汇聚层，实现从交互的边信息重构为汇聚各节点的特征；步骤S25，将步骤S24输出的特征输入到邻近k层特征融合的多层感知机分离提取深层次节点信息特征；步骤S26，将步骤S25输出的特征输入到节点
‑
边汇聚层，进行连接信息整合，得到整合特征；步骤S27，将步骤S23输出的信息特征与步骤S26输出的整合特征进行拼接，然后输入到全连接网络；步骤S28，将步骤S27中全连接网络输出的特征经过ReLu函数非线性映射得到稀疏化的因果网络连接矩阵的权值:f(x)＝max(0,x)，其中f(x)表示神经元的激活输出，x表示神经元的激活输入；输出为0表示这两个节点没有连接，输出非零值表示这两个节点有连接，且得分越高，这两个节点的连接强度越强；将边的连接得分向量重新塑形得到节点间连接的权值方阵，即为因果网络；步骤S3：为步骤S1得到的仿真脑电信号添加不同信噪比的噪声并输入步骤S2建立的图神经网络进行训练，直到损失函数收敛时停止训练；所述的图神经网络的损失函数采用：其中，n为每批次训练一次神经网络所需的样本的数量，Y
i
、分别为预定义因果网络、模型估计的因果网络，其中y
i
、的自环连接权值都置0；步骤S4：保存训练中损失函数最低时的图神经网络的模型参数；步骤S5：加载保存的网络模型参数，将N维待估计因果网络的脑电信号输入训练好的图神经网络模型中，得到因果网络输出。2.如权利要求1所述的一种基于图神经网络的端到端大脑因果网络构建方法，其特征在于，利用所述步骤S1构建仿真脑电信号及其因果网络包括以下流程：步骤S11：定义输入数据的第i阶状态空间系统矩阵为：
其中，表示M
...

【专利技术属性】
技术研发人员：徐鹏，陈婉钧，易婵琳，姚汝威，李存波，李发礼，尧德中，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：