一种基于稀疏学习的高阶动态脑网络构建方法技术

一种基于稀疏学习的高阶动态脑网络构建方法，包括以下步骤：S1：对于所有训练样本，将静息状态功能磁共振成像的全部时间序列划分成若干个连续并重叠的时间窗口；S2：利用稀疏学习的方法计算每个时间窗口内不同脑区的权重矩阵；S3：对每个时间窗口，将权重向量作为脑区新信号，通过计算成对脑区新信号的Pearson相关系数作为脑区对的连接权重，构建高阶动态功能连接网络；S4：基于卷积网络和双向长短期记忆网络，对高阶动态功能连接网络提取特征。本方法解决了传统方法忽略对脑部疾病诊断可能重要的高阶动态信息的问题，通过稀疏学习实现特定脑区表达，自动提取多个脑区的相关性并稀疏化脑区表示，使得构建的高阶动态脑网络包含脑区间的高阶关系。含脑区间的高阶关系。含脑区间的高阶关系。

【技术实现步骤摘要】
一种基于稀疏学习的高阶动态脑网络构建方法


[0001]本专利技术属于深度学习与医学影像计算机辅助诊断
，具体涉及一种基于稀疏学习的高阶动态脑网络构建方法。

技术介绍

[0002]阿尔兹海默症(Alzheimer
’
s disease，AD)是多发于老年人的神经退行性疾病，也是痴呆症最主要的成因，其显著特征是进行性认知障碍。作为AD的前驱阶段，轻度认知障碍(mild cognitive impairment，MCI)因为其极易发展为AD而受到广泛关注。因此，AD和MCI等脑疾病的准确分类诊断，对疾病早期治疗和延缓病情恶化具有重要意义。静息态功能核磁共振成像(resting
‑
state functional magnetic resonance imaging，rs
‑
fMRI)作为一种先进的成像技术，为有效探索人脑及其交互模式提供了一种非侵入性方法，是测量人脑神经元活动和研究人脑的重要工具。基于rs
‑
fMRI构建的功能连接网络(functional connecti本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏学习的高阶动态脑网络构建方法，其特征在于，具体包括如下步骤：S1：对于所有训练样本，将静息状态功能磁共振成像的全部时间序列划分成若干个连续并重叠的时间窗口；S2：利用稀疏学习的方法计算每个时间窗口内不同脑区的权重矩阵；S3：对每个时间窗口，将权重矩阵中的权重向量作为脑区新信号，通过计算成对脑区新信号的Pearson相关系数作为脑区对的连接权重，构建高阶动态功能连接网络；S4：将高阶动态功能连接网络沿时间维度和空间维度进行三层卷积操作，得到高阶网络特征；S5：利用双向长短期记忆网络提取高阶网络特征的时序动态特征。2.如权利要求1所述的一种基于稀疏学习的高阶动态脑网络构建方法，其特征在于：步骤S1中，基于静息状态功能磁共振成像数据，将所有受试者的大脑空间划分为N个脑区，通过计算得到所有脑区的平均时间序列，对于每个受试者，将时间窗口大小设置为L个时间点，L＞2，每次均平移2个时间点，划分出大小相同且重叠的时间窗口，最终将全部时间序列分割为T个连续并重叠的时间窗口。3.如权利要求1所述的一种基于稀疏学习的高阶动态脑网络构建方法，其特征在于：步骤S2中，对任一划分的时间窗口，通过最小化某一脑区与时间窗口内其余脑区权重乘积的平方损失函数，实现特定脑区的表征，并通过添加约束项，优化权重矩阵；其中，损失函数的公式如下：式中，J(W
i
)表示损失函数，T表示划分的时间窗口数目，N表示划分的脑区数目，z
i，t
表示第t个时间窗口内第i个脑区的平均时间序列，Z
i，t
＝[z
1，t
，z
2，t
，...z
i
‑
1，t
，0，z
i+1，t
，
…
z
N，t
]表示除第i个脑区外所有脑区的时间序列组成的矩阵，w
i，t
表示第t个时间窗口内第i个脑区的权重向量，W
i
＝[w
i，1
，w
i，2
，...，w
i，T
]表示所有时间窗口的权重矩阵，是W
...

【专利技术属性】
技术研发人员：接标，王健晖，张星宇，王正东，杨杨，胡良臣，卞维新，李汪根，罗永龙，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：