【技术实现步骤摘要】
本专利技术属于人工智能技术，具体涉及一种基于最优传输的动态脑网络分析方法。
技术介绍
1、大脑是由大量神经元和连接点组成的复杂神经系统，可描述为脑网络。近年来的研究表明，许多神经退行性疾病如癫痫、阿尔茨海默病等，往往导致脑网络连接模式的改变。因此，研究有效的脑网络表示和分类方法对脑部疾病的精确诊断和生物标志物的发现具有重要意义。近年来，许多静态功能脑网络方法被提出用于分析脑疾病。然而，越来越多的生理证据表明功能脑网络是随时间变化不断重构的，静态脑网络无法全面描述大脑的真实状态。
2、与静态脑网络不同，动态功能脑网络将脑区之间的连接强度视为一系列随时间变化的值，能够反映网络结构的演化趋势。因此，基于动态脑网络的分析方法引起了人们的广泛兴趣。对于动态脑网络，大多数研究都是将fmri信号划分成多个时间窗，并在每个时间窗内构建脑网络进行分析。如有学者提出分别计算动态功能脑网络中每个子网络的时间变异性和空间变异性，并将他们融合用于轻度认知障碍的识别。有学者使用图卷积神经网络对动态功能脑网络中的每个子网络的结构进行编码，用于孤独症分类。事实上，由于大脑活动的连续性，网络结构信息传播同时发生在空间和时间维度上。具体来说，大脑区域之间的全局交互使每个大脑区域能够间接影响相邻时间窗口内的相邻大脑区域。然而，传统的动态脑网络方法仅依赖于每个时间窗口内独立脑网络的特征学习，无法提取动态脑网络跨不同时间窗口的高阶网络拓扑演化信息。
3、总的来说，现有的动态脑网络特征提取方法可以分成以下两类：首先，从动态脑网络中分别提取时间和空间
技术实现思路
1、专利技术目的：为了解决上述问题，本专利技术提供一种基于最优传输的动态脑网络分析方法及系统。基于最优传输构建了图枢纽度传播模型来捕捉脑网络的高阶拓扑演化过程，并设计了带有时空注意力机制的时空图卷积网络来协同提取重要的时空特征，它可以同时解决上述问题。
2、技术方案：一种基于最优传输的动态脑网络分析方法，包括如下步骤：
3、s1、获取fmri和dti数据，然后对该数据进行预处理，所述的预处理包括去噪、矫正及图像分割、感兴趣区域标记在内的操作，得到预处理后的fmri信号和结构脑网络；
4、s2、采用非重叠滑动窗口划分原始fmri信号得到t个子片段，然后使用皮尔逊相关系数计算每个子片段中脑区之间的相关性，得到动态功能脑网络，且对动态功能脑网络稀疏化，将连接强度小于阈值α的置为0；
5、s3、将脑网络看成一个图，通过pagerank来自适应计算每个图中节点的枢纽度，计算公式如下：
6、
7、u表示图中的一个节点，b(u)表示和u有连接的邻居节点，dv表示节点v的度；h(v)i是节点v在第i次迭代时的枢纽度，并且所有节点在初始迭代时的枢纽度均为n是图中节点的个数；据此，第t个子网络的节点枢纽度为：
8、ht＝[ht(1)，ht(2)，…，ht(n)]t∈rn×1
9、将上述公式应用于所有子网络，得到动态脑网络中所有子网络的重要性得分
10、s4、根据最优传输构建一种跨相邻子网络的枢纽度传播模型，将第t-1个子网络的节点枢纽度分布作为源域，将第t个子网络的枢纽度分布作为目标域，采用最优传输实现脑区枢纽度从源域到目标域的传播过程；
11、所述的枢纽度传播模型模拟脑区之间的全局交互，捕捉动态功能脑网络的拓扑演化；其中kantorovich离散最优传输允许脑网络中的每个脑区与其他脑区进行信息传输，这种多对多传输策略与脑区之间的全局高阶相互作用相一致；最优传输的目的是在第t-1个子网和第t个子网的两个节点枢纽都分布之间找到最优传输矩阵ft-1；
12、s5、通过时间注意力机制和空间注意力机制来自动关注更有价值的时空信息，包括构建空间注意力来提取有价值的空间动态信息，所述的空间注意力对应的计算表达式如下：
13、p＝softmax(vp·σ((fz1)z2(z3f)t+bp))
14、式中，z1∈rt-1，都是可学习的参数，σ表示sigmoid激活函数，是空间注意力矩阵，sofimax用来规范化注意力矩阵；
15、s6、构建时空图卷积图谱的架构，所述架构是两侧为时间卷积层，中间为空间卷积层，且包括使用2d卷积神经网络来捕获跨时间窗口的时间信息传递，使用谱gcn提取高阶拓扑演化网络中包含的动态拓扑结构信息；
16、s7、使用多层感知机进行分类，将提取的时空特征映射到受试者标签，对应的处理公式如下：
17、
18、表示第l层时空图卷积的输出。
19、进一步的，步骤s1所述的fmri数据也包括rs-fmri数据，对该数据预处理包括是基于matlab中的dparsf工具箱中的spm8实现的，在得到原始的dicom数据之后，对存在图像噪声部分数据进行删除，还包括：
20、通过realign操作进程头动矫正；
21、通过工具箱中的bet操作去除头皮结构；
22、将t1像配到功能像后，利用工具箱中的segment和new segment+dartel操作，将图像分割成灰质、白质和脑脊液；
23、使用nuisance covariates regression去除噪声；
24、在预处理后，使用自动解剖标记图谱将rs-fmri划分若干个感兴趣区域。
25、更进一步的，步骤s1所述的预处理包括dti数据的预处理，是基于matlab中的panda工具箱实现的，包括：
26、通过fsl工具箱矫正dti失真；
27、通过trackvis生成纤维图像，并基于受试者的t1图像使用自动解剖标记图谱指定解剖区域；
28、将脑区之间的纤维数量作为结构连接的度量。
29、进一步的，步骤s4中，考虑到结构脑网络为功能脑网络提供了生理基础，使用结构脑网络作为传输代价ws，相邻子网络之间的枢纽度传播模型通过以下公式进行学习：
30、
31、
32、
33、式中，<·，·>f表示矩阵的frobenius内积，和分别表示从ht-1(i)到ht(j)的传输代价和传输质量；
34、接着采用sinkhom来求解最优传输矩阵，将第t-1个子网络和第t个子网络之间的最优传输矩阵ft-1视为高阶拓扑演化网络；由此可得每个受试者的高阶拓扑结构演化网络可以表示为
3本文档来自技高网...
【技术保护点】
1.一种基于最优传输的动态脑网络分析方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于最优传输的动态脑网络分析方法，其特征在于，步骤S1所述的预处理包括fMRI数据预处理；
3.根据权利要求1所述的基于最优传输的动态脑网络分析方法，其特征在于，步骤S1所述的预处理包括DTI数据的预处理，是基于MATLAB中的PANDA工具箱实现的，包括：
4.根据权利要求1所述的基于最优传输的动态脑网络分析方法，其特征在于，步骤S4考虑到结构脑网络为功能脑网络提供了生理基础，使用结构脑网络作为传输代价Ws，相邻子网络之间的枢纽度传播模型通过以下公式进行学习：
5.根据权利要求1所述的基于最优传输的动态脑网络分析方法，其特征在于，考虑到图卷积可以连续聚合图结构上的邻居节点信息，使用谱GCN提取高阶拓扑演化网络中包含的动态拓扑结构信息；
6.根据权利要求5所述的基于最优传输的动态脑网络分析方法，其特征在于，所述方法将谱图卷积的定义推广到多通道的过程如下：
7.实施如权利要求1所述的基于最优传输的动态脑网络分析方法得到
...【技术特征摘要】
1.一种基于最优传输的动态脑网络分析方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于最优传输的动态脑网络分析方法，其特征在于，步骤s1所述的预处理包括fmri数据预处理；
3.根据权利要求1所述的基于最优传输的动态脑网络分析方法，其特征在于，步骤s1所述的预处理包括dti数据的预处理，是基于matlab中的panda工具箱实现的，包括：
4.根据权利要求1所述的基于最优传输的动态脑网络分析方法，其特征在于，步骤s4考虑到结构脑网络为功能脑网络提供了生理基础，使用结构脑网络作为...
【专利技术属性】
技术研发人员：朱旗，李胜荣，郑楚杭，李超君，王明明，杜国梁，张道强，
申请(专利权)人：南京航空航天大学，
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。