【技术实现步骤摘要】
个脑区,提取M1个脑区中所有体素中的时间序列平均值作为对应脑区的时间序列;脑区时间序列均值作为网络节点,任意两个脑区平均时间序列之间的相关系数定义为两节点的边,由皮尔逊相关系数得出;则第k个被试节点i与j之间的边计算公式如下:
[0014][0015]式中t
i
和t
j
分别为节点i与j的时间序列,与分别为节点i与j时间序列的平均值;
[0016]构建的脑网络为:r
ij
表示节点i与节点j之间的边,N表示被试者的数量;
[0017]采用稀疏度阈值法对脑网络W进行二值化,得二值化脑网络R
ij
表示经过二值化后得到的值;
[0018]提取节点路径长度NL、节点度ND、节点中心度BC、集群系数CC;
[0019]其中第i个节点的NL的计算公式为:式中,V表示节点集合的大小,L
ij
表示从节点i出发到节点j结束必须要走的最少的边的个数;
[0020]第i个节点的ND的计算公式为:K
i
=∑
j∈V
b
ij
,式中b
ij
为二值化网络矩阵中位于i行j列的值;
[0021]第i个节点的BC的计算公式为:式中S
jm
表示从节点j出发到节点m结束所走的最少边的路径个数,S
jm
(i)表示从节点j出发到节点m结束所走的最少边的路径中经过i的个数;
[0022]第i个节点的CC的计算公式为:式中E
i
表示第 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的类不平衡磁共振全脑数据分类方法,该方法包括:步骤1:样本数据采集、预处理、添加标签并计算脑网络参数;步骤1.1:样本数据采集、预处理、添加标签;采集被试者的rs
‑
fMRI数据再预处理;预处理方法包括:去时间点、时间层矫正、头动矫正、空间标准化、平滑、去线性漂移和滤波;并为每名被试者的数据添加二分类标签,被试标签分为正样本和负样本两种类型,标签矩阵记为Y;步骤1.2:脑网络参数计算;(1):对rs
‑
fMRI数据提取多维节点特征:基大脑分区模板将rs
‑
MRI数据划分为M1个脑区,提取M1个脑区中所有体素中的时间序列平均值作为对应脑区的时间序列;脑区时间序列均值作为网络节点,任意两个脑区平均时间序列之间的相关系数定义为两节点的边,由皮尔逊相关系数得出;则第k个被试节点i与j之间的边计算公式如下:式中t
i
和t
j
分别为节点i与j的时间序列,与分别为节点i与j时间序列的平均值;构建的脑网络为:r
ij
表示节点i与节点j之间的边,N表示被试者的数量;采用稀疏度阈值法对脑网络W进行二值化,得二值化脑网络R
ij
表示经过二值化后得到的值;提取节点路径长度NL、节点度ND、节点中心度BC、集群系数CC;其中第i个节点的NL的计算公式为:式中,V表示节点集合的大小,L
ij
表示从节点i出发到节点j结束必须要走的最少的边的个数;第i个节点的ND的计算公式为:K
i
=∑
j∈V
b
ij
,式中b
ij
为二值化网络矩阵中位于i行j列的值;第i个节点的BC的计算公式为:式中S
jm
表示从节点j出发到节点m结束所走的最少边的路径个数,S
jm
(i)表示从节点j出发到节点m结束所走的最少边的路径中经过i的个数;第i个节点的CC的计算公式为:式中E
i
表示第i个节点相邻节点组成的子网络内实际存在的边数;(2):合并NL、ND、BC和CC,最后得到融合后的特征矩阵{m
NL
,m
ND
,m
BC
,m
CC
}=Z,用于后续处理,其中m
NL
为所有被试的NL参数,m
ND
为所有被试的ND参数,m
BC
为所有被试的BC参数,m
CC
为所有被试的CC参数;步骤2:生成新的负样本以及抽取网络关键特征Z;步骤2.1:生成新的负样本;(1)使用逻辑回归方法得到每段特征对标签的权重系数;标签矩阵Y中,正样本用1表示,负样本用0表示,令f(z)=θ
T
z
i
+b,其中θ为权重系数,θ可
细分为NL、ND、BC和CC段,既θ={θ
NL
,θ
ND
,θ
BC
,θ
CC
},b为偏置项,z
i
为特征矩阵Z中第i个样本;标签为1的后验概率为:式中y
i
表示标签矩阵Y中的第i个标签,标签为0的后验概率为:损失函数损失函数采用梯度下降法对权重进行更新:其中α为学习率,得到最终的θ,使得损失函数lo(θ)最小;(2)利用分段加权的欧式距离计算样本点的近邻点,进而生成新样本;对于任意一个负样本点z
i
,计算其与其他所有负样本点的分段加权欧式距离,负样本点z
i
与负样本点z
k
的分段加权欧式距离Dd定义为:的分段加权欧式距离Dd定义为:的分段加权欧式距离Dd定义为:的分段加权欧式距离Dd定义为:的分段加权欧式距离Dd定义为:其中z
ij
表示负样本点z
i
的第j个特征,分别表示权重矩阵θ
NL
,θ
ND
,θ
BC
,θ
CC
的平均值;采用分段加权的欧式距离更能体现不同的核磁脑网络参数对距离的贡献,使新生成的样本与原样本更相似;根据计算得到的距离,得到每个负样本z
i
距离最近的km个负样本,从这km个负样本中随机抽取kn个负样本,kn个负样本中的每个负样本z
r
与z
i
通过以下公式生成新的负样本:z
i
′
=z
i
+rand(0,1)
×
(z
r
‑
z
i
),将新生成的负样本加入到原类不平衡数据中,补充负样本,得到类平衡样本集,用于后续分类训练;步骤2.2:多维特征选择的提取;采用嵌入式特征选择算法...
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。