一种脑网络数据特征提取方法及装置制造方法及图纸

本发明专利技术公开了一种脑网络数据特征提取方法及装置，该方法基于嵌入（Embedding）和格拉斯曼流形（Grassmannian Manifold）优化得到多层脑网络节点信息低维表示，通过使用嵌入的方法将多层脑网络节点信息进行低维表示，并将嵌入表示基于格拉斯曼流形进行优化，得到更加有代表性、有意义的低维节点特征信息并可以通过重建低维表示获得低维脑部功能连接网络。本发明专利技术通过对复杂的多层脑网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层脑网络节点低维表示信息，有效的提高多层脑网络数据信息的利用率，利用较少的数据量实现较高准确率的疾病诊断、节点检测等脑部研究。节点检测等脑部研究。节点检测等脑部研究。

【技术实现步骤摘要】
一种脑网络数据特征提取方法及装置


[0001]本专利技术涉及医学影像和网络信息处理领域，尤其涉及一种脑网络数据特征提取方法及装置。

技术介绍

[0002]核磁共振成像（Magnetic Resonance Imaging，MRI）是一种通过物理现象生成的断层成像。它利用磁共振现象从人体中获得电磁信号，基于核磁共振现象的原理，对核磁共振信号进行空间编码，重建出人体图像。核磁共振成像具有多功能性，不仅能对软组织进行标准结构对比，还能反映其他组织属性及动态特征，脑部核磁成像可以反映出血液动力学和水分子扩散等组织属性与动态特征，可获得具有先进对比度的脑部MRI数据，能为人体脑区的生理过程和标志物提供替代标志物。在脑部功能核磁共振成像中，数据中的对比度可以表示血容量、血氧量、血氧量和相对血氧水平的差异等等，是一种常用的多层脑网络疾病诊断技术。
[0003]实现多层脑网络疾病的自动诊断是计算机、人工智能、医学影像等相关领域的研究热点之一。人体脑网络错综复杂，具有十分庞大的数据信息，通过对核磁共振成像图像的深入研究，挖掘其包含的有用信息，得到多层脑网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑网络数据特征提取方法，其特征在于，具体包括：基于多层脑部功能连接网络构建层内节点嵌入表示、层间节点嵌入表示和层内层间网络一致性嵌入表示；将层内节点嵌入表示、层间节点嵌入表示和层内层间网络一致性嵌入表示相结合，并在层内层间网络一致性嵌入表示中每层加入自适应权重项α
i ，i是多层脑部功能连接网络中的层的索引，得到联合嵌入表示框架；在格拉斯曼流形上优化联合嵌入表示框架，优化得到的层内层间网络一致性嵌入表示F，即为提取的低维脑网络数据特征。2.根据权利要求1所述的方法，其特征在于，联合嵌入表示框架具体为： ；其中，n是多层脑部功能连接网络中的层数，F
i
是多层脑部功能连接网络中第i层层内连接矩阵对应的层内节点嵌入表示向量，L
i
是多层脑部功能连接网络中第i层层内连接矩阵对应的拉普拉斯矩阵，α
D
表示层间权重参数，W
ij
是多层脑部功能连接网络中的第i层与第j层的层间连接矩阵，K
ij
表示第i层和第j层之间的相互作用矩阵，K
ij
等于F
iT
D
ij
F
j
；D
ij
是第i、j层层间连接矩阵W
ij
对应的对角线矩阵，α
i
是自适应权重，F是层内层间网络一致性嵌入表示。3.根据权利要求2所述的方法，其特征在于，所述在格拉斯曼流形上优化联合嵌入表示框架具体为：通过使用指数映射操作将与从切线空间映射到格拉斯曼流形，对联合嵌入表示框架中的F
i
与F进行迭代优化；其中与分别是流形空间上联合嵌入表示框架的格拉斯曼梯度；通过构建自适应优化损失函数对权重α
i
进行迭代优化，损失函数表示如下：；其中，λ、γ
D
表示权重参数。4.根据权利要求3所述的方法，其特征在于，所述流形空间上联合嵌入表示框架的格拉斯曼梯度通过如下方法获得：根据联合嵌入表示框架分别对F
i

【专利技术属性】
技术研发人员：赵嘉琪，申慧，朱闻韬，杨德富，黄海亮，
申请(专利权)人：之江实验室，
类型：发明
国别省市：