一种基于超图结构信息聚集模型的电子设备制造技术

本发明专利技术公开了一种基于超图结构信息聚集模型的电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时用于实现：根据被试者的脑影像数据和基因数据，构建被试者的脑区

【技术实现步骤摘要】
一种基于超图结构信息聚集模型的电子设备


[0001]本专利技术涉及计算机
，特别是指一种基于超图结构信息聚集模型的电子设备。

技术介绍

[0002]阿尔茨海默症(AD)以一系列显著的痴呆症状为特征，常见于老年人。AD的发病机制复杂，其发病因素横跨宏观到微观多个层次，例如，大脑功能与结构的病变与基因的异常表达密切相关，因此，找到大脑宏观病变与微观变异的关联模式有助于揭示阿尔茨海默症的多层次发病机制。一些研究人员构建网络，将基因或大脑区域抽象为节点，以研究致病因素之间的功能相关性。Huang等人定义了每个脑区的嵌入表示，并提出了一种新的度量评估两个区域之间的相似性，使测量结果更加合理。Lella等人在分析大脑网络时引入了沟通距离，提供了新的3种方法发现与AD发展相关的隐藏模式。
[0003]然而，现有技术基于目前方法分析得到的脑区网络和基因网络进行AD诊断的准确率比较低，有必要提供一种有助于提高诊断准确率的AD诊断方法。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提出一种基于超图结构信息聚集模型的电子设备，可以辅助于对阿尔茨海默症做更精准的诊断。
[0005]基于上述目的，本专利技术提供一种基于超图结构信息聚集模型的电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时用于实现：
[0006]根据被试者的脑影像数据和基因数据，构建该被试者的脑区
‑
基因网络；
[0007]基于所述脑区
‑
基因网络中节点的邻居节点，构建节点之间的超边；基于所述节点及节点之间的超边形成脑区
‑
基因超图；
[0008]通过超图结构信息聚集模型将所述脑区
‑
基因超图转换为脑区
‑
基因边图和脑区
‑
基因点图，并分别对所述脑区
‑
基因边图和脑区
‑
基因点图进行多次边级特征信息聚集与点级特征信息聚集，将信息聚集后的边图和点图进行融合得到低阶脑区
‑
基因子超图；以及
[0009]对所述脑区
‑
基因超图进行多次高阶边级
‑
点级结构信息聚集，得到高阶脑区
‑
基因子超图；将低阶脑区
‑
基因子超图和高阶脑区
‑
基因子超图融合得到关键脑区
‑
基因超图；以及
[0010]根据所述关键脑区
‑
基因超图输出该被试者为阿尔茨海默症AD患者的概率的判断结果；
[0011]其中，所述超图结构信息聚集模型是以多个正常人的脑区
‑
基因超图和AD患者的脑区
‑
基因超图作为样本预先训练得到的。
[0012]较佳地，所述超图结构信息聚集模型包括：
[0013]生成器，用于将所述脑区
‑
基因超图转换为脑区
‑
基因边图和脑区
‑
基因点图，并分
别对所述脑区
‑
基因边图和脑区
‑
基因点图进行多次边级特征信息聚集与点级特征信息聚集，将信息聚集后的边图和点图进行融合得到低阶脑区
‑
基因子超图；进而对所述低阶脑区
‑
基因子超图进行结构信息扩散得到重构的脑区
‑
基因超图；
[0014]判别器，用于对重构的脑区
‑
基因超图进行多次边级
‑
点级结构信息聚集得到高阶脑区
‑
基因子超图；将所述高阶脑区
‑
基因子超图和低阶脑区
‑
基因子超图进行融合得到关键脑区
‑
基因超图；进而根据所述关键脑区
‑
基因超图输出该被试者为阿尔茨海默症AD患者的概率的判断结果。
[0015]较佳地，所述生成器中包括：
[0016]转换层模块，用于将所述脑区
‑
基因超图转换为脑区
‑
基因边图和脑区
‑
基因点图，并输出所述脑区
‑
基因边图的边权重矩阵和脑区
‑
基因点图的点权重矩阵；
[0017]边卷积层模块，用于对所述脑区
‑
基因边图的边权重矩阵进行多次边级特征信息聚集，得到关键脑区
‑
基因边图的边权重矩阵；
[0018]点卷积层模块，用于对所脑区
‑
基因点图的点权重矩阵进行多次点级特征信息聚集，得到关键脑区
‑
基因点图的点权重矩阵；
[0019]第一融合层模块，用于将所述关键脑区
‑
基因边图的边权重矩阵和关键脑区
‑
基因点图的点权重矩阵进行融合得到低阶脑区
‑
基因子超图的关联权重矩阵；
[0020]反卷积模块，用于对低阶脑区
‑
基因子超图的关联权重矩阵通过反卷积操作进行结构信息扩散，得到重构的脑区
‑
基因超图的关联权重矩阵。
[0021]较佳地，所述判别器中包括：
[0022]边点卷积层模块，用于对重构的脑区
‑
基因超图的关联权重矩阵进行多次边级
‑
点级结构信息聚集得到高阶脑区
‑
基因子超图的关联权重矩阵；
[0023]第二融合层模块，用于将所述高阶脑区
‑
基因子超图的关联权重矩阵和低阶脑区
‑
基因子超图的关联权重矩阵进行融合得到关键脑区
‑
基因超图的关联权重矩阵；
[0024]全连接层模块，用于将所述关键脑区
‑
基因超图的关联权重矩阵平铺为一维特征向量，并对平铺后的一维特征向量提取特征，进而根据提取的特征输出该被试者为AD患者的概率的判断结果。
[0025]进一步，所述中央处理单元执行所述程序还实现：对所述所述超图结构信息聚集模型进行训练：
[0026]根据所述样本对所述生成器和判别器进行多次迭代的优化和训练；其中，在一次迭代过程中，包括：
[0027]固定所述生成器的参数后，根据所述样本对所述判别器进行优化；
[0028]固定所述判别器的参数后，根据所述样本对所述生成器进行训练；
[0029]在对所述生成器和判别器进行多次迭代的优化和训练后，得到由所述生成器和判别器构成的、训练后的超图结构信息聚集模型。
[0030]本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行上述的电子设备的操作。
[0031]本专利技术的技术方案中，根据被试者的脑影像数据和基因数据，构建该被试者的脑区
‑
基因网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超图结构信息聚集模型的电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时用于实现：根据被试者的脑影像数据和基因数据，构建该被试者的脑区
‑
基因网络；基于所述脑区
‑
基因网络中节点的邻居节点，构建节点之间的超边；基于所述节点及节点之间的超边形成脑区
‑
基因超图；通过超图结构信息聚集模型将所述脑区
‑
基因超图转换为脑区
‑
基因边图和脑区
‑
基因点图，并分别对所述脑区
‑
基因边图和脑区
‑
基因点图进行多次边级特征信息聚集与点级特征信息聚集，将信息聚集后的边图和点图进行融合得到低阶脑区
‑
基因子超图；以及对所述脑区
‑
基因超图进行多次高阶边级
‑
点级结构信息聚集，得到高阶脑区
‑
基因子超图；将低阶脑区
‑
基因子超图和高阶脑区
‑
基因子超图融合得到关键脑区
‑
基因超图；以及根据所述关键脑区
‑
基因超图输出该被试者为阿尔茨海默症AD患者的概率的判断结果；其中，所述超图结构信息聚集模型是以多个正常人的脑区
‑
基因超图和AD患者的脑区
‑
基因超图作为样本预先训练得到的。2.根据权利要求1所述的电子设备，其特征在于，所述超图结构信息聚集模型包括：生成器，用于将所述脑区
‑
基因超图转换为脑区
‑
基因边图和脑区
‑
基因点图，并分别对所述脑区
‑
基因边图和脑区
‑
基因点图进行多次边级特征信息聚集与点级特征信息聚集，将信息聚集后的边图和点图进行融合得到低阶脑区
‑
基因子超图；进而对所述低阶脑区
‑
基因子超图进行结构信息扩散得到重构的脑区
‑
基因超图；判别器，用于对重构的脑区
‑
基因超图进行多次边级
‑
点级结构信息聚集得到高阶脑区
‑
基因子超图；将所述高阶脑区
‑
基因子超图和低阶脑区
‑
基因子超图进行融合得到关键脑区
‑
基因超图；进而根据所述关键脑区
‑
基因超图输出该被试者为阿尔茨海默症AD患者的概率的判断结果。3.根据权利要求2所述的电子设备，其特征在于，所述生成器中包括：转换层模块，用于将所述脑区
‑
基因超图转换为脑区
‑
基因边图和脑区
‑
基因点图，并输出所述脑区
‑
基因边图的边权重矩阵和脑区
‑
基因点图的点权重矩阵；边卷积层模块，用于对所述脑区
‑
基因边图的边权重矩阵进行多次边级特征信息聚集，得到关键脑区
‑
基因边图的边权重矩阵；点卷积层模块，用于对所脑区
‑
基因点图的点权重矩阵进行多次点级特征信息聚集，得到关键脑区
‑
基因点图的点权重矩阵；第一融合层模块，用于将所述关键脑区
‑
基因边图的边权重矩阵和关键脑区
‑
基因点图的点权重矩阵进行融合得到低阶脑区
‑
基因子超图的关联权重矩阵；反卷积模块，用于对低阶脑区
‑
基因子超图的关联权重矩阵通过反卷积操作进行结构信息扩散，得到重构的脑区
‑
基因超图的关联权重矩阵。4.根据权利要求2所述的电子设备，其特征在于，所述判别器中包括：边点卷积层模块，用于对重构的脑区
‑
基因超图的关联权重矩阵进行多次边级
‑
点级结构信息聚集得到高阶脑区
‑
基因子超图的关联权重矩阵；第二融合层模块，用于将所述高阶脑区
‑
...

【专利技术属性】
技术研发人员：毕夏安，陈可，邢兆旭，徐露允，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：