脑网络数据多层嵌入向量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多层嵌入向量特征提取方法及装置，该方法对多层网络的嵌入学习和流形优化得到的多层网络节点信息的层内层间网络一致性嵌入表示F和层内节点嵌入表示F

【技术实现步骤摘要】
脑网络数据多层嵌入向量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多层嵌入向量特征提取方法及装置。

技术介绍

[0002]网络嵌入近年来越来越受到关注。研究表明，学习到的低维节点向量表示可以推进无数的图挖掘任务，如节点分类、社区检测和链接预测。现有的绝大多数工作都致力于单层网络或具有单一类型的节点和节点交互的同构网络。然而，在许多现实世界的应用程序中，各种网络可以以多层的方式被抽象和呈现。典型的多层网络包括关键的基础设施系统、协作平台、社会推荐系统、脑部医学影像等。
[0003]脑部医学影像通过分析可得到多层脑网络数据，基于脑部MRI数据构建得到多层脑网络数据并对多层脑网络数据进行分析，可以进一步实现脑部图网络挖掘任务，对脑部节点分类、关键节点检测、脑疾病分类诊断等方面任务。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，得到多层脑网络信息并将这些特征运用到疾病的诊断研究中，是提高其诊断准确率的关键。然而由于层内连接和跨层网络依赖关系的复杂组合，学习不同类型节点的向量表示仍然是一项艰巨的任务。现有的方法主要是基于网络嵌入方法将多层脑网络中的节点映射到低维向量空间中，得到能够保留节点之间的结构和关系信息的低维嵌入向量，使得脑节点在嵌入空间中的距离能够反映它们在原始网络中的相似性，可以减少基于低维向量的疾病诊断、关键脑区节点检测、脑区检测等学习任务的数据量，提高计算效率，但有待进一步提高。
[0004]相干性（Coherence）是一种用于描述两个信号之间的线性相关性的测量方法。在信号处理、通信系统、生物医学工程等领域广泛应用。相干性可以通过计算信号的互谱密度（Cross Power Spectral Density）来得到。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的不足，提供一种脑网络数据多层嵌入向量特征提取方法及装置，将相干性的概念引入到多频段脑影像的网络分析中，通过对得到的嵌入向量计算不同频段网络之间的相干性得到嵌入向量的相干性特征，并将相关特征应用于疾病诊断、关键脑区节点检测、脑区检测等学习任务中，从而进一步减少数据量，提高计算效率，提升学习任务准确率。
[0006]本专利技术采用的技术方案具体如下：
[0007]一种脑网络数据多层嵌入向量特征提取方法，首先获得包含脑部脑区节点同频段层内信息及不同频段间层间信息的多层脑网络数据，充分获得多层脑网络数据的有效信息，融合层内信息与层间信息进行处理，将复杂庞大的多层脑网络数据进行降维，通过嵌入学习及在流形上进行迭代优化后得到不同脑区节点的嵌入表示向量，再基于相干性原理计
算不同频段脑网络之间的相干性特征即获得脑网络数据多层嵌入向量特征，具体包括：
[0008]对多层脑部功能连接网络构建联合嵌入表示框架：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；
[0009]基于格拉斯曼流形上优化联合嵌入表示框架，优化得到层内层间网络一致性嵌入表示F和层内节点嵌入表示F
i
；
[0010]分别对每一层的层内节点嵌入表示F
i
和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征S
ilayer
，再计算每层层内的相干特征的熵获得相干熵特征E
ilayer
，即为脑网络数据的多层嵌入向量特征。
[0011]进一步地，所述联合嵌入表示框架具体为：
[0012]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
W
ij
F
j
；α
i
是自适应权重，F是层内层间网络一致性嵌入表示。
[0013]进一步地，所述在格拉斯曼流形上优化联合嵌入表示框架具体为：
[0014]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；
[0015]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：
[0016][0017]其中，λ、γ
D
表示权重参数。
[0018]进一步地，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：
[0019]根据联合嵌入表示框架分别对F
i
和F求偏导，得到F
i
和F基于联合嵌入表示框架的欧几里得梯度与；
[0020]通过正交投影将欧几里得梯度投影到切线空间上，可以得到格拉斯曼梯度与。
[0021]进一步地，所述每层层内的相干特征向量包含每层层内的N个节点对应的相干特征，每个节点对应的相干特征由层内节点嵌入表示F
i
和层内层间网络一致性嵌入表示F中对应节点的参数相乘得到。
[0022][0023][0024]其中，n是多层脑部功能连接网络中的层数，N为多层脑部功能连接网络中每层网络所包含的节点个数，cluster为层内节点嵌入表示、层内层间网络一致性嵌入表示向量的维度数，F
inode
（m，1:cluster）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F
i
中第m个节点的所有维度参数，F
node
（m，1:cluster）是多层脑部功能连接网络中层内层间网络一致性嵌入表示向量F中第m个节点的所有维度参数；S
ilayer
表示多层脑部功能连接网络的第i层层内的相干特征。
[0025]进一步地，所述相干熵特征E
ilayer
具体表示如下：
[0026][0027]Entropy（*）表示熵计算。
[0028]一种脑网络数据多层嵌入向量特征提取装置，包括：
[0029]多层脑网络嵌入表示联合框架搭建模块，对多层脑部功能连接网络构建获得联合嵌入表示框架；
[0030]优化提取模块，在格拉斯曼流形上优化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑网络数据多层嵌入向量特征提取方法，其特征在于，具体包括：对多层脑部功能连接网络构建联合嵌入表示框架；在格拉斯曼流形上优化联合嵌入表示框架，优化得到层内层间网络一致性嵌入表示F和层内节点嵌入表示F
i
；分别对每一层的层内节点嵌入表示F
i
和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征，再计算每层层内的相干特征的熵获得相干熵特征，即为脑网络数据的多层嵌入向量特征。2.根据权利要求1所述的方法，其特征在于，所述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
W
ij
F
j
；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1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
和F求偏导，得到F
i
和...

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