一种基于加权图卷积网络的下背痛异常分析方法技术

本发明专利技术涉及神经网络技术领域，尤其涉及一种基于加权图卷积网络的下背痛异常分析方法，包括数据预处理；构建图网络和图卷积；添加基于自注意力的特征加权机制；引入特征重要度掩膜；使用特征重要度掩膜选择具有特殊属性的特征进行模型调整的效果，特征掩膜保留前

【技术实现步骤摘要】
一种基于加权图卷积网络的下背痛异常分析方法


[0001]本专利技术涉及神经网络
，尤其涉及一种基于加权图卷积网络的下背痛异常分析方法。

技术介绍

[0002]下背痛(LBP)是目前世界上导致残疾的第一大原因，带来了巨大的社会经济负担。测量LBP在初级阶段的患病率可以减少手术治疗的几率，并通过最少的药物和适当的物理治疗提高治愈率。并且对于偏远和医疗相对落后的地区，人们很难及时到大型医院接受专家的系统诊疗，将专家系统作为辅助诊断和早期预防技术具有重要意义。
[0003]目前已有部分研究将人工智能技术应用在LBP诊断领域，大部分工作都是在探索MRi图像和CT图像对LBP的影响。脊柱矢状位参数是判断脊柱异常的重要指标，很多脊柱疾病与这些生物力学属性直接相关，例如骨盆倾斜，骨盆发生率，骶骨倾斜等。因此本专利技术重在探索脊柱矢状位参数和LBP之间的潜在关系。目前基于生物力学特征进行LBP诊断的研究相对较少，通常采用的方法是基于一定原则先进行特征挑选，再将挑选的特征放入传统机器学习模型进行训练以获得好的分类准确率。这种方法隐含的假设是样本是独立的，忽略了患者之间的相关性。然而，考虑患者之间的关系是有益的，它有助于分析和研究相似的患者组。临床诊断中医生也会从以往同类病人身上提取相似属性应用至新患者的诊疗过程。
[0004]与流行的神经网络架构不同的是，图卷积网络(GCN)提供了一种自然的方式来表示群体之间的相互作用。可将患者作为节点，患者间的关系作为边构建图网络，通过连接边显式地逐个捕获患者样本间的结构信息。然后基于某些相似点聚类患者，学习患者的特定特征，以进行个性化诊断。图卷积网络是一种对图结构进行卷积运算的有效方法，在多种图任务中取得良好性能。GCN进行医疗诊断主要集中在阿尔茨海默、帕金森等疾病类型上，没有关于LBP研究。已有的研究重点集中在引入注意力机制强化患者之间的边连接关系和多模态数据融合的问题，很少分析医学数据集的固有属性。样本量较少且类分布不均衡是医疗数据集面临的普遍问题。当数据中存在类分布倾斜时，使得图分类器偏向于主要类而忽略次要类中的样本，样本量过少可能导致训练模型过拟合。在图卷积网络节点分类任务中，还需要关注每个节点的内部和外部影响，内部相当于自身属性，外部相当于聚合属性。当在每个类别中调查节点的内部属性的优先级时，可以在当前任务下对每个属性的相关性进行排序，选择最重要的属性并沿图边发送，而在消息传递机制中不太重要的属性被抑制。

技术实现思路

[0005]针对现有算法的不足，本专利技术首先采用基于邻域重划分的过采样法方对LBP数据集进行均衡化处理，减小样本类别分布不均匀对预测结果造成的影响；其次将脊柱异常生理属性表示为加权特征图的形式，通过边连接挖掘患者间的潜在关系，通过节点内部特征加权动态捕获生物属性对不同患者的重要度，有利于制定个性化诊疗方案；最后根据特征的信息量和相关性计算特征重要性，并以此为引导生成特征掩膜，实现特征稀疏化的同时
强化重要特征，避免小样本学习过拟合，使诊断结果更稳定；本专利技术侧重于节点内部属性的信息挖掘而不是外部属性。
[0006]本专利技术所采用的技术方案是：一种基于加权图卷积网络的下背痛异常分析方法包括以下步骤：
[0007]步骤一、数据预处理；
[0008]进一步的，步骤一具体包括：
[0009]步骤S11、通过箱型图分析数据集中样本的分布特点，利用箱线图的四分位距IQR对异常值进行检测；
[0010]进一步的，箱线图的四分位距IQR对异常值进行检测的公式为：
[0011][0012]其中，Upperfence为高于上限的点；Lowerfence为低于下限的点；QL和QU分别是第一和第三四分位。
[0013]步骤S12、根据数据集的特点，以每一个少数类的第3个近邻的距离为半径形成圆域，将圆域内的多数类样本通过平移推出到圆域；根据每一个少数类的半径大小确定需要生成的新样本数量；在圆域内随机迭代生成新的样本，通过高斯径向基函数计算当前少数类点与邻域内其他观测值的累计接近程度；通过公式(3)重新划分邻域选择新的过采样区域，定义为R函数：
[0014][0015]其中，n表示重新划分领域的范围，R表示划分后进行过采样的区域，φ为每一个生成的新样本的值，U为集合。
[0016]步骤二、构建基于图网络和图卷积的学习模型；
[0017]进一步的，构建图网络包括：
[0018]采用k近邻算法构造图G的邻接矩阵A，计算病人样本节点特征之间的欧式距离获得病人样本节点之间的相关性；
[0019]按照节点i与其他所有节点间的距离进行排序，得到邻接矩阵A，公式为：
[0020]其中，C
i
表示和i节点具有边连接的节点集合。
[0021]进一步的，构建图卷积包括：
[0022]将构建的特征矩阵X与邻接矩阵A进行谱卷积运算，得到新的节点；
[0023]谱卷积运算公式为：
[0024][0025]其中，H
(l)
表示第l层的节点特征，H
(l+1)
表示更新后的第l+1层的节点特征，W
(l)
是每层训练权重矩阵；是归一化的邻接矩阵。
[0026]步骤三、添加基于自注意力的特征加权机制；
[0027]进一步的，具体包括：
[0028]使用自注意力机制学习权重系数，得到患者不同输入特征之间的关系，从而对节点表征进行加权编码；
[0029]对于患者节点i，节点嵌入为X
i
∈R1×
D
，自注意力分数A表示节点嵌入X
i
中每个特征值对GCN网络的贡献，用公式(8)表示：
[0030][0031]其中，表示X
i
的转置，W
u
和W
v
和为自注意力模块的权重，softmax(
·
)为归一化指数函数；
[0032]由自注意力机制编码的节点i的表征表示
[0033]步骤四、引入特征重要度掩膜对分类性能的影响；使用特征重要度掩膜选择具有特殊属性的特征进行模型调整，特征掩膜保留前m个重要度高的特征，并将其它的特征位置清零；
[0034]进一步的，具体包括：
[0035]步骤S41、通过信息增益计算加入特征V对H(U)带来的信息增益；
[0036]进一步的，信息增益公式为：
[0037]IG(U,V)＝H(U)
‑
H(U|V)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0038]其中，H(U)表示集合U的信息熵，H(U|V)表示给定集合V的条件下，样本集合U的不确定性。
[0039]步骤42、计算训练集样本类别标签Y
train
和节点特征矩阵第i(i∈[1,D])列的信息增益；
[0040]步骤43、计算第i类特征和类别标签Y
...

【技术保护点】

【技术特征摘要】
1.一种基于加权图卷积网络的下背痛异常分析方法，其特征在于，包括以下步骤：步骤一、数据预处理；步骤二、构建基于图网络和图卷积的学习模型；步骤三、添加基于自注意力的特征加权机制；步骤四、引入特征重要度掩膜对分类性能的影响；使用特征重要度掩膜选择具有特殊属性的特征进行模型调整的效果，特征掩膜保留前m个重要度高的特征，并将其它的特征位置清零。2.根据权利要求1所述的基于加权图卷积网络的下背痛异常分析方法，其特征在于，步骤一具体包括：步骤S11、通过箱型图分析数据集中样本的分布特点，利用箱线图的四分位距IQR对异常值进行检测；步骤S12、以每个少数类的第3个近邻的距离为半径形成圆域，将圆域内的多数类样本通过平移推出到圆域；根据每个少数类的半径大小确定需要生成的新样本数量；在圆域内随机迭代生成新的样本，通过高斯径向基函数计算当前少数类点与邻域内其他观测值的累计接近程度；通过公式(3)重新划分邻域选择新的过采样区域，定义为R函数：其中，n表示重新划分领域的范围，R表示划分后进行过采样的区域，φ为每一个生成的新样本的值，U为集合。3.根据权利要求2所述的基于加权图卷积网络的下背痛异常分析方法，其特征在于，箱线图的四分位距IQR对异常值进行检测的公式为：其中，Upperfence为高于上限的点；Lowerfence为低于下限的点；QL和QU分别是第一和第三四分位。4.根据权利要求1所述的基于加权图卷积网络的下背痛异常分析方法，其特征在于，构建图网络包括：采用k近邻算法构造图G的邻接矩阵A，计算病人样本节点特征之间的欧式距离获得病人样本节点之间的相关性；按照节点i与其他所有节点间的距离进行排序，得到邻接矩阵A。5.根据权利要求1所述的基于加权图卷积网络的下背痛异常分析方法，其特征在于，构建图卷积包括：将构建的特征矩阵X与邻接矩阵A进行谱卷积运算，得到新的节点；谱卷积运算公式为：其中，H
(l)
表示第l层的节点特征，H
(l+1)
表示更新后的第l+1层的节点特征，W
(l)
是每层可训练的权重矩阵；是归一化的邻接矩阵。
6.根据权利要求1所述的基于加权图卷积网络的下背痛异常分析方法，其特征在于，步骤三具体包括：使用自注意力机制学习权重系数，得到患者不同输入特征之间的关系，从而对节点表征进行加权编码；对于患者节点i，节点嵌入为X

【专利技术属性】
技术研发人员：李志新，李凯歌，商樊淇，沈诗怡，陈瑛，秦王盛，施锦华，
申请(专利权)人：常州大学，
类型：发明
国别省市：