System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于深度学习与医学影像计算机辅助诊断,具体涉及一种基于超图神经网络的复杂动态脑网络表示方法。
技术介绍
1、阿尔兹海默症(alzheimer’s disease,ad)是一种多发于老年人群体的神经退行性疾病,临床上以记忆障碍、失语、失用、失认视空间技能损害、执行功能障碍以及人格和行为改变等全面性痴呆表现为特征。ad患者的病情有多个时期,其中,轻度认知障碍(mildcognitive impairment,mci)在医学界被统一地视为阿尔茨海默病(alzheimer′sdisease,ad)的初期阶段。所以mci患者转变为ad患者的风险备受研究者关注。因此,能够精准地诊断出ad及其他时期,比如mci这样的脑部疾病,对于阿尔兹海默症的前期诊治和抑制病情发展具有十分重要的意义。静息态功能核磁共振成像(resting-state functionalmagnetic resonance imaging,rs-fmri)是一种用于研究脑功能的影像技术。传统的功能磁共振成像(fmri)技术需要被试者执行特定的任务,而rs-fmri则是在被试者静息状态下进行成像,捕捉脑内的自发神经活动。rs-fmri通过测量脑内血液氧合水平的变化来推测不同脑区之间的功能连接。这项技术可以帮助揭示正常脑功能的组织和特性,也可以用于研究各种神经精神疾病和脑损伤等疾病的异常变化。rs-fmri数据通常通过计算不同脑区之间的功能连接来分析受试者的大脑功能连接。
2、过去的十年中,人们使用图神经网络(gnn)并频繁用于对非欧的数据结构建立图表示,
技术实现思路
1、本专利技术针对现有技术中的不足,提供一种基于超图神经网络的复杂动态脑网络表示方法,利用超图卷积与超图注意力等深度学习方法,通过发掘数据之间的关联来学习更高层次特征和时序动态特征。
2、为实现上述目的,本专利技术采用以下技术方案:
3、一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于,包括:
4、s1:对于每个受试样本,使用滑动窗口的分割方式,将静息状态功能磁共振成像的完整时间序列划分成连续且重叠的时间窗口;
5、s2:使用pearson相关系数对每个时间窗口内不同脑区的时间序列计算两两之间的相似度,构建动态功能连接网络;
6、s3:基于动态功能连接网络,设定阈值参数,对于每个时间窗口,将相似度大于阈值参数的两个时间序列作为超图的超边,依次遍历所有时间序列,得到超图的超边集;
7、s4:对超边集进行超图注意力计算,计算超图中节点间的转移概率,得到特征转移矩阵;
8、s5:基于特征转移矩阵对从受试样本中得到的原始特征进行超图卷积,生成特征矩阵;
9、s6:将所有时间窗口生成的特征矩阵进行堆积,使用transformer提取多时间窗口间的时序动态特征。
10、为优化上述技术方案,采取的具体措施还包括:
11、进一步地,步骤s1具体如下:
12、对于每个受试样本,基于静息状态功能磁共振成像得到的信息,将大脑空间细分成n个结构独立的脑区;计算每个脑区对应的平均时间序列;将时间窗口的尺寸设定为l个时间点,以步长大小为2个时间点的方式进行平移,划分出t个尺寸相同、连续且重叠的时间窗口。
13、进一步地,步骤s2具体如下:
14、通过计算第t个时间窗口内成对脑区的时间序列的pearson相关系数来构建功能连接网络,每个功能连接网络对应于一个邻接矩阵公式如下:
15、
16、式中,表示和之间的协方差,和分别对应着第t个时间窗口中第i个脑区与第j个脑区的时间序列,和分别表示和的标准差;
17、经过设定的t个时间窗口,生成一组动态功能连接网络
18、进一步地,步骤s3具体如下:
19、设定可调节的阈值参数λ,对于每个时间窗口,保留相似度大于阈值参数λ的两个时间序列的连接,并将连接强度设置为1,否则抛弃连接,并将连接强度设置为0;
20、将保留的每个连接作为一条超边遍历时间窗口内的所有时间序列,得到第t个时间窗口内完整的超边集
21、进一步地,所述阈值参数λ设置为[0.3,0.5]。
22、进一步地,步骤s4具体如下:
23、对每个时间窗口的超边集使用超图注意力计算节点间的转移概率,公式如下:
24、
25、式中,hi,j为由节点间的转移概率组成的特征转移矩阵,σ(·)表示激活函数,sim(·)表示相似性函数,xi和xj分别表示第i个脑区和第j个脑区的时间序列,p表示权重矩阵,ni是与xi相邻的点集。
26、进一步地,所述相似性函数定义为:
27、sim(xi,xj)=at[xi||xj]
28、式中,[·||·]表示级联,a表示权重向量。
29、进一步地,步骤s5具体如下:
30、基于特征转移矩阵hi,j对从受试样本中得到的原始特征x(l)进行超图卷积,卷积算子定义如下:
31、x(l+1)=σ(d-1/2hi,jwb-1htd-1/2x(l)p)
32、式中,x(l+1)表示超图卷积后得到的特征表示,d和b分别是超图中顶点和超边的度矩阵,w是关于超边权重的对角矩阵,p是权重矩阵;
33、每个时间窗口经过超图卷积计算后得到的特征表示,形成特征矩阵。
34、另一方面,本专利技术还提出了一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序使计算机执行如上所述的基于超图神经网络的复杂动态脑网络表示方法。
35、另一方面,本专利技术还提出了一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时,实现如上所述的基于超图神经网络的复杂动态脑网络表示方法。
36、本专利技术的有益效果是:本专利技术通过对静息状态功能磁共振成像数据中的时间序列进行连续且重叠的划分,并根据时间窗口中脑区的pearson系数为每个滑动窗口构建一个功能连接网络,再将所有时间窗口的功能连接网络进行级联,以构建成一个动态的特征矩阵,使用超图卷积与超图注意力等深度学习框架,通过发掘数据之间的关本文档来自技高网...
【技术保护点】
1.一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于,包括:
2.如权利要求1所述的一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于:步骤S1具体如下:
3.如权利要求2所述的一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于:步骤S2具体如下:
4.如权利要求2所述的一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于:步骤S3具体如下:
5.如权利要求4所述的一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于:所述阈值参数λ设置为[0.3,0.5]。
6.如权利要求4所述的一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于:步骤S4具体如下:
7.如权利要求6所述的一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于:所述相似性函数定义为:
8.如权利要求6所述的一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于:步骤S5具体如下:
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序使计算机执行如权利要求1-8任
10.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时,实现如权利要求1-8任一项所述的基于超图神经网络的复杂动态脑网络表示方法。
...【技术特征摘要】
1.一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于,包括:
2.如权利要求1所述的一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于:步骤s1具体如下:
3.如权利要求2所述的一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于:步骤s2具体如下:
4.如权利要求2所述的一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于:步骤s3具体如下:
5.如权利要求4所述的一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于:所述阈值参数λ设置为[0.3,0.5]。
6.如权利要求4所述的一种基于超图神经网络的复杂动态脑网络表示方法,其特征在于:...
【专利技术属性】
技术研发人员:接标,李文,吴召祥,周杰,冷泽鑫,程平,杜同春,杨杨,卞维新,
申请(专利权)人:安徽师范大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。