【技术实现步骤摘要】
本专利技术涉及医学影像信息处理领域，具体来说，是一种基于多时间尺度图嵌入的动态脑网络学习方法。
技术介绍
1、脑功能连接网络(简称脑网络)的研究对于推动神经科学和临床医学的发展具有重要的意义，有助于探索神经系统疾病和精神障碍的发病机制。过去对于脑网络的研究大多专注于静态脑网络，即认为大脑的功能连接在一段时间内是保持不变的。但越来越多的研究表明，即使大脑处于静息状态下，大脑的功能连接网络也是动态变化的。构建准确的大脑动态功能连接网络，是大脑动态分析的第一步，对于捕捉大脑动态特性、发掘大脑运作机理以及探究神经性退化等疾病发病原理具有重要的意义。
2、构建动态网络最常见的是滑动窗口分析法，该方法是按照预先设置的窗口大小，将时间序列划分成多个相等的时间窗口，利用皮尔森系数计算窗口内脑节点信号之间的相关性，表示脑区之间的连接强度，进而得到大脑的动态功能连接矩阵。然而，对于窗口大小的设置存在以下问题，小窗口划分得到的信号受到噪声的影响较大，因此利用皮尔森相关系数得到的动态脑网络可能会包含虚假的波动信息，对噪声的鲁棒性较差；而大窗口划分得到的信号对于检测功能连接强度的波动不敏感，由此得到的脑功能连接网络动态性较弱。
3、针对现有技术存在的问题，因此，本专利技术提出了一种基于多时间尺度图嵌入的动态脑网络学习方法，该方法基于滑动窗口法，并创新性地结合大时间尺度(大窗口)的高信噪比和小时间尺度(小窗口)的高动态性的优点，让不同时间尺度对应的图嵌入进行互学习。具体来说，是让大时间尺度的图嵌入学习到小时间尺度图嵌入的动态性，小时
技术实现思路
1、针对现有技术存在的问题，本专利技术提出了一种基于多时间尺度图嵌入的动态脑网络学习方法，该方法基于滑动窗口法，并创新性地结合大时间尺度(大窗口)的高信噪比和小时间尺度(小窗口)的高动态性的优点，让不同时间尺度对应的图嵌入进行互学习。具体来说，是让大时间尺度的图嵌入学习到小时间尺度图嵌入的动态性，小时间尺度的图嵌入学习到大时间尺度图嵌入的高信噪比。其次，结合bold信号和图嵌入，利用图学习技术得到具有高动态性和高信噪比的动态脑网络，能更准确地反映出脑网络的动态变化，为相关疾病的诊断和治疗提供帮助。
2、本专利技术提出了一种基于多时间尺度图嵌入的动态脑网络学习方法，包括以下步骤：
3、步骤1，通过滑动窗口法将血氧水平依赖(bold)信号按照不同的时间尺度进行划分，利用皮尔森相关系数计算不同时间尺度下对应的动态脑功能连接网络；
4、步骤2，构建求动态拉普拉斯矩阵和动态图嵌入的目标函数；
5、步骤3，确定步骤2中目标函数的优化方法；
6、步骤4，将步骤1中的动态脑功能连接网络作为步骤2的输入，执行步骤3中的优化方法得到动态脑网络和图嵌入；
7、进一步地，步骤1中通过滑动窗口法将bold信号按照不同时间尺度进行划分并用皮尔森相关系数计算不同时间尺度下对应的动态脑功能连接网络的具体操作如下：
8、设定大窗口的窗宽为p，步长为s，将t个采样点的bold信号分成n×p×q的矩阵，为窗口的数量，n为脑区的数量。每个大窗口下对应的信号按照滑动窗口法，设定小窗口的窗宽为p，步长为s，将其划分n×p×m的矩阵，其中m为对应小窗口的数量，因此整个时间序列的信号被划分成n×p×m×q的四维矩阵。大窗口下的bold信号记为x，xm是大窗口下对应的第m个小窗口的bold信号。
9、脑网络用无向加权图g＝(v，e，w)表示，v＝(v1，v2，...vn}是节点集，由n组脑区构成，其中节点上的信号为[x1，x2，...xn]t，xn表示第n个脑节点上的时间序列信号。e是边集，边集上的权重构成邻接矩阵w，即动态脑功能连接网络，w中每个元素wij代表脑区i和脑区j之间的功能连接强度。拉普拉斯矩阵l＝d-w，表示脑网络的拓扑结构，其中d是图g的度矩阵，并对l进行特征分解，取前k个最小的特征值对应的特征向量组合成图嵌入f。
10、不同时间尺度下的动态脑功能连接网络根据皮尔森相关系数进行计算，w中每个元素wij根据式(1)得到：
11、
12、其中cov()表示变量之间的协方差，sqrt()表示计算表达式的平方根，var()表示变量的方差，wij的取值范围为[-1，1]，其值越接近1表示正相关性越强，越接近-1表示负相关性越强。
13、进一步地，步骤2中构建求动态拉普拉斯矩阵和动态图嵌入的目标函数的具体操作如下：
14、由于大脑神经元之间的作用形式类似于流形结构，因此引入格拉斯曼流形，利用流形优化的技术来求取动态拉普拉斯矩阵和图嵌入，具体操作为：首先，定义流形距离来衡量图嵌入之间的相似程度，如式(2)所示：
15、
16、其中d2(f，fm)越小，表示图嵌入之间越相似。f是大窗口下的图嵌入，fm是大窗口下对应的第m个小窗口的图嵌入，tr()表示矩阵的迹。
17、由于f具有高信噪比，fm具有高动态性，为了让f学习到fm的动态性，fm学习到f的高信噪比，因此通过优化技术，减小f和fm之间的流形距离，即降低d2(f，fm)的值。进而f和fm之间进行互学习的目标函数可以转化为式(3)：
18、
19、其中l表示大窗口下的拉普拉斯矩阵，lm是大窗口下对应的第m个小窗口的拉普拉斯矩阵。
20、进一步地，结合式(2)和式(3)，得到求动态图嵌入的目标函数如下：
21、
22、根据图信号中的一个重要理论，节点的连接强度和信号相似性，连接强度大的节点对，其节点上的信号表现出更相似的特征。因此结合bold信号，得到求动态拉普拉斯矩阵的目标函数如下：
23、
24、进一步地，结合式(4)和式(5)，得到求动态拉普拉斯矩阵和图嵌入的目标函数如下：
25、
26、其中，α、β、γ、η为权重参数。α用来平衡bold信号和图嵌入对所求l的影响程度；β用于平衡整体影响以及大窗口和小窗口网络之间的一致性；γ用来平衡小窗口下bold信号和图嵌入对所求的lm的影响程度；η用来控制f和fm的相似程度；进而以确保算法的准确性和稳定性。
27、进一步地，步骤3中确定目标函数的优化方法的具体操作如下：
28、由于目标函数不是凸函数，采取分步优化的方法，具体步骤如下：
29、(3.1)首先固定l和lm，f和fm互学习，分为以下两步：
30、(3.1.1)固定fm的情况下，优化f的目标函数如下：
31、
32、(3.1.2)固定f的情况下，优化fm的目标函数如下：
33、
34、进一步地，步骤本文档来自技高网...
【技术保护点】
1.一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，所述步骤1中划分方法为：
3.根据权利要求1所述的一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，所述步骤1中，计算得到动态脑功能连接网络的方法为：
4.根据权利要求3所述的一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，所述目标函数的构建方法为：
5.根据权利要求4所述的一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，所述拉普拉斯矩阵L的获取方法为：L＝D-W，表示脑网络的拓扑结构，其中D是无向加权图G的度矩阵。
6.根据权利要求5所述的一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，所述图嵌入F的获取方法：对L进行特征分解，取前k个最小的特征值对应的特征向量组合成图嵌入F。
7.根据权利要求1所述的一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，所述步骤3中F和Fm互学习的方法为：
8.
9.根据权利要求8所述的一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，所述步骤3中，在优化L、Lm时还包括在容易求解W的函数中，对J(W)增加了约束项，表达式如下：
...【技术特征摘要】
1.一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，所述步骤1中划分方法为：
3.根据权利要求1所述的一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，所述步骤1中，计算得到动态脑功能连接网络的方法为：
4.根据权利要求3所述的一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，所述目标函数的构建方法为：
5.根据权利要求4所述的一种基于多时间尺度图嵌入的动态脑网络学习方法，其特征在于，所述拉普拉斯矩阵l的获取方法为：l＝d-w，表示脑网络的拓扑结构，其中d是无向加权图g的度矩阵。
【专利技术属性】
技术研发人员：刘素敏，杨鸿群，曹欣，杨德富，申慧，朱闻韬，
申请(专利权)人：西北大学，
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。