一种融合fMRI和EEG数据的动态脑效应连接深度学习方法技术

本发明专利技术公开了一种融合fMRI和EEG数据的动态脑效应连接深度学习方法，该方法首先通过构建一种动态因果网络来有效提取fMRI和EEG两种模态中的因果信息。引入注意力机制，该注意力机制通过生成多模态注意力图来引导两种模态的因果信息的更新，进而获取准确的DEC。该方法还设计fMRI评价网络、EEG评价网络和模态评价网络三个评价网络来分别计算各自的梯度，并通过加权组合来进一步指导动态因果网络获取更准确的DEC。本发明专利技术设计fMRI评价网络、EEG评价网络与模态评价网络，提升了算法学习的准确率与性能。

【技术实现步骤摘要】

本专利技术涉及fmri功能磁共振成像数据以及eeg脑电图数据的因果发现方法，针对基于fmri与eeg数据来实现计算机辅助诊断脑疾病的目标，设计了一种融合fmri和eeg数据的动态脑效应连接深度学习方法。

技术介绍

1、脑效应连接网络(brain effective connectivity network)能够反应人脑不同脑区之间潜在的因果关系，是脑疾病早期诊断和治疗评估的一种有效工具。近年来，基于深度学习的脑效应连接学习方法展现出了巨大的潜力。由于动态脑效应连接(dynamiceffective connectivity,dec)能够表征脑区间效应连接的时序变化，包含了更为丰富的动态脑神经活动信息。因此，dec学习是当前脑科学领域的一个研究热点。

2、近年来，随着神经影像学技术的普及，越来越多的检测成像技术被应用于人脑功能的探索。其中，应用最广泛的是功能磁共振成像(functional magnetic resonanceimaging，fmri)和脑电图(electroencephalogram，eeg)。fmri和eeg的优势在于不仅可以本文档来自技高网...

【技术保护点】

1.一种融合fMRI和EEG数据的动态脑效应连接深度学习方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种融合fMRI和EEG数据的动态脑效应连接深度学习方法，其特征在于，fMRI源编码模块和EEG源编码模块中，将fMRI时间序列xf和EEG时间序列xe分别输入源编码模块，分别输出fMRI源水平时间序列rf和EEG源水平时间系列re；

3.根据权利要求2所述的一种融合fMRI和EEG数据的动态脑效应连接深度学习方法，其特征在于，步骤二中，对数据进行离散化处理，设计动态因果网络来提取两种模态下脑区间的时变因果关系，将步骤一生成的源水平时间序列rf或re输...

【技术特征摘要】

1.一种融合fmri和eeg数据的动态脑效应连接深度学习方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种融合fmri和eeg数据的动态脑效应连接深度学习方法，其特征在于，fmri源编码模块和eeg源编码模块中，将fmri时间序列xf和eeg时间序列xe分别输入源编码模块，分别输出fmri源水平时间序列rf和eeg源水平时间系列re；

3.根据权利要求2所述的一种融合fmri和eeg数据的动态脑效应连接深度学习方法，其特征在于，步骤二中，对数据进行离散化处理，设计动态因果网络来提取两种模态下脑区间的时变因果关系，将步骤一生成的源水平时间序列rf或re输入至dcn，输出得到生成的时间序列或dcn的框架类似于一组循环神经网络，包含pf×te个因果单元cu；cu形成的隐藏层矩阵的行数等于脑区数pf，列数与时间序列的长度te相同，隐藏层之间的网络参数不共享权重；

4.根据权利要求3所述的一种融合fmri和eeg数据的动态脑效...

【专利技术属性】
技术研发人员：刘金铎，冀俊忠，翟继豪，韩露，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：