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】
本专利技术涉及医疗,具体为基于lstm有效连接脑网络模型的抑郁症特征分析方法及系统。
技术介绍
1、随着生活节奏的加快,社会竞争力越来越大,人们紧张焦虑的情绪时有发生,因此造成抑郁障碍的患者愈来愈多。抑郁症是一种以显著持久的情绪低落、兴趣减退、认知功能受损、睡眠和食欲障碍等为主要特征的精神障碍类疾病,具有高患病率、高误诊率、高复发率的特点。据统计,约20%的人在一生中患过抑郁症。抑郁症具有较高的残疾率和死亡率,不仅严重影响了患者个人的生活质量,还给患者的家庭和整个社会带来了巨大的负担。尽管经过了几个世纪的精神病学和神经病学研究,人们对抑郁症生理和病理机制的了解仍然十分有限。
2、抑郁症的早期诊断对抑郁症患者的康复至关重要。但是抑郁症是一种异质性疾病,临床症状非常复杂并且与其他精神疾病的某些症状类似,因此抑郁症诊断主要依赖心理健康量表的评估以及精神科医生的主观经验,其结果一致性差,误诊率高,缺乏客观的诊断手段。如果抑郁症能在早期被诊断出来,通过对疾病的持续治疗和管理,患者可以有一个更好的生活质量。因此,大量的研究已经投入到创新的方法中,以识别早期的抑郁症并补充当前的诊断方法。
3、近年来,非侵入性的磁共振成像(mri)技术被广泛应用于临床实践中,为抑郁症的诊断提供了客观的证据。静息态功能磁共振成像(fmri)是精神科学中常用的脑成像方式之一,其原理是通过血氧水平依赖(bold)信号的波动来反映自发脑功能活动的情况。fmri对人体无创且无放射损害,被试易于配合,有助于探索精神障碍患者脑功能活动的改变。通过fm
技术实现思路
1、针对现有技术中存在的问题,本专利技术提供一种基于lstm有效连接脑网络模型的抑郁症特征分析方法及系统,有效融合了被试fmri图像的多种特征,有助于医生诊断抑郁症所需时间,同时可提高诊断的准确性。
2、本专利技术是通过以下技术方案来实现:
3、一种基于lstm有效连接脑网络模型的抑郁症特征分析方法,包括以下步骤:
4、步骤1、根据标准脑图像数据集,提取集合中每个样本的各感兴趣区带有时间戳的活动向量;
5、步骤2、根据同一样本的任意两个带有时间戳的向量之间的相互关系,确定该样本的功能连接强度;
6、步骤3、基于长短期记忆网络构建有效连接脑网络模型,将带有时间戳的活动向量作为训练数据,对有效连接脑网络模型进行训练,训练后的有效连接脑网络模型的权重参数,作为样本的输入门有效连接、遗忘门有效连接和输出门有效连接;
7、步骤4、将各样本的输入门有效连接、遗忘门有效连接、输出门有效连接和功能连接强度进行融合,得到样本脑网络的连接融合强度。
8、优选的,步骤1所述标准脑图像数据集的方法如下:
9、获取原始脑功能图像数据集并进行预处理,得到标准脑图像数据集。
10、优选的,所述原始脑功能图像数据集的预处理方法如下:
11、将原始脑功能图像数据转换为nifti数据,然后去除nifti数据中的前n幅图像,对其余图像清除各种噪声,对特征信息进行增强,得到标准脑图像数据。
12、优选的,步骤1中所述带有时间戳的活动向量的提取方法如下:
13、选择每个样本的感兴趣区域,采用脑功能模板提取各感兴趣区域对应脑区的时间序列,将时间序列作为感兴趣区域的活动信号,根据活动信号确定各感兴趣区域的当前时间点的均值,将均值作为当前时间点下感兴趣区域的活动强度,进而得到各感兴趣区域带有时间戳的活动向量。
14、优选的,步骤2中所述功能连接强度的确定方法如下:
15、采用相关系数法计算两个感兴趣区域的活动信号均值得到相关系数,将相关系数转为功能连接强度。
16、优选的,所述相关系数法为pearson相关系数、spearman相关系数或kendall秩相关系数。
17、优选的,所述有效连接脑网络模型的训练方法如下:
18、将带有时间戳的活动向量作为有效连接脑网络模型的输入,根据有效连接脑网络模型每个门的当前时间步输入与上一时间步隐藏状态,并结合激活函数计算输入门、遗忘门和输出门;采用tanh函数作为激活函数计算有效连接脑网络模型的候选记忆细胞;
19、采用误差反向传播和梯度下降算法迭代更新输入门、遗忘门、输出门和候选记忆细胞的权重,直到达到最大训练迭代次数或者两个相邻时间步的隐藏状态ht-1和ht之间的误差小于设定值,得到训练后的有效连接脑网络模型。
20、优选的,步骤4中对样本的输入门有效连接、遗忘门有效连接、输出门有效连接和功能连接强度进行融合,得到脑网络的连接融合强度。
21、优选的,将输入门有效连接、遗忘门有效连接、输出门有效连接和功能连接强度分别展开并拼接为一维向量,得到脑网络的连接融合强度。
22、一种基于lstm有效连接脑网络模型的抑郁症特征分析方法的系统,包括:
23、活动向量模块,用于根据标准脑图像数据集,提取集合中每个样本的各感兴趣区带有时间戳的活动向量;
24、功能连接强度模块,用于根据同一样本的任意两个带有时间戳的向量之间的相互关系,确定该样本的功能连接强度;
25、有效连接模块,用于基于长短期记忆网络构建有效连接脑网络模型,将带有时间戳的活动向量作为训练数据,对有效连接脑网络模型进行训练,训练后的有效连接脑网络模型生成样本的输入门有效连接、遗忘门有效连接和输出门有效连接;
26、连接融合强度模块,用于将各样本的输入门有效连接、遗忘门有效连接、输出门有效连接和功能连接强度进行融合,得到样本脑网络的连接融合强度。与现有技术相比,本专利技术具有以下有益的技术效果:
27、本专利技术提供的基于lstm有效连接脑网络模型的抑郁症特征分析方法,使用lstm模型生成被试fmri图像的有效连接,并将其与功能连接强度有效融合,生成适合于机器学习分类模型的特征向量,lstm模型通过记忆细胞ct和隐藏状态ht在信息的传递过程中实现了不同脑区状态的记忆,体现了脑区之间的有效连接关系。其次,基于lstm有效连接脑网络模型对被试进行训练并输入被试脑网络的连接融合强度,有效挖掘了抑郁症相关的脑网络特征,采用连接融合强度对被试者进行抑郁症的判断;另外,本专利技术提出的抑郁症分类方法通过机器学习有效提取抑郁症及对照组fmri图像的特征,并可以本文档来自技高网...
【技术保护点】
1.一种基于LSTM有效连接脑网络模型的抑郁症特征分析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于LSTM有效连接脑网络模型的抑郁症特征分析方法,其特征在于,步骤1所述标准脑图像数据集的方法如下:
3.根据权利要求2所述的一种基于LSTM有效连接脑网络模型的抑郁症特征分析方法,其特征在于,所述原始脑功能图像数据集的预处理方法如下:
4.根据权利要求1所述的一种基于LSTM有效连接脑网络模型的抑郁症特征分析方法,其特征在于,步骤1中所述带有时间戳的活动向量的提取方法如下:
5.根据权利要求1所述的一种基于LSTM有效连接脑网络模型的抑郁症特征分析方法,其特征在于,步骤2中所述功能连接强度的确定方法如下:
6.根据权利要求5所述的一种基于LSTM有效连接脑网络模型的抑郁症特征分析方法,其特征在于,所述相关系数法为Pearson相关系数、Spearman相关系数或Kendall秩相关系数。
7.根据权利要求1所述的一种基于LSTM有效连接脑网络模型的抑郁症特征分析方法,其特征在于,所述有效连接
8.根据权利要求1所述的一种基于LSTM有效连接脑网络模型的抑郁症特征分析方法,其特征在于,步骤4中对样本的输入门有效连接、遗忘门有效连接、输出门有效连接和功能连接强度进行融合,得到脑网络的连接融合强度。
9.根据权利要求8所述的一种基于LSTM有效连接脑网络模型的抑郁症特征分析方法,其特征在于,将输入门有效连接、遗忘门有效连接、输出门有效连接和功能连接强度分别展开并拼接为一维向量,得到脑网络的连接融合强度。
10.一种执行权利要求1-9任一项所述基于LSTM有效连接脑网络模型的抑郁症特征分析方法的系统,其特征在于,包括:
...【技术特征摘要】
1.一种基于lstm有效连接脑网络模型的抑郁症特征分析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于lstm有效连接脑网络模型的抑郁症特征分析方法,其特征在于,步骤1所述标准脑图像数据集的方法如下:
3.根据权利要求2所述的一种基于lstm有效连接脑网络模型的抑郁症特征分析方法,其特征在于,所述原始脑功能图像数据集的预处理方法如下:
4.根据权利要求1所述的一种基于lstm有效连接脑网络模型的抑郁症特征分析方法,其特征在于,步骤1中所述带有时间戳的活动向量的提取方法如下:
5.根据权利要求1所述的一种基于lstm有效连接脑网络模型的抑郁症特征分析方法,其特征在于,步骤2中所述功能连接强度的确定方法如下:
6.根据权利要求5所述的一种基于lstm有效连接脑网络模型的抑郁症特征分析方法,其特征在于,所述相关系...
【专利技术属性】
技术研发人员:韦磊,刘健,李宝娟,王化宁,许浩,张毅,张翼飞,史一凡,
申请(专利权)人:中国人民解放军空军军医大学,
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。