【技术实现步骤摘要】
本专利技术属于多模态脑影像分析，用于精神疾病的辅助诊断，具体涉及小样本场景下融合多维信息的脑网络构建及特征提取方法。
技术介绍
1、多模态脑影像分析结合了不同成像技术的优势，从多个视角提供了对脑结构和功能更全面和深入的理解。这种分析方法在神经科学、临床诊断和研究中具有显著的优势：1.多模态脑影像能够同时提供结构、功能和代谢等多视角信息，使得对脑的理解更加全面。不同成像技术提供的信息相互补充，有助于更准确地理解脑部疾病和功能。2.增强数据精度和可靠性，减少单一模态的局限。通过结合多种数据源，可以减少单一成像技术的局限性和偏差，提高诊断精度。在临床诊断中，多模态分析有助于提高对疾病的识别和定位的精度。3.更好的病理理解。随着疾病机制的深入研究，多视角特征的融合可以揭示疾病的多方面影响，如阿尔茨海默病的结构和功能改变，利于早期诊断和预测，有助于早期识别神经退行性疾病和其他脑部病变。4.推动成像技术发展。对多模态脑影像分析的需求促进了成像技术的进步和创新，挑战数据融合和处理的难题，推动相关算法和软件工具的发展。
2、多视角特征脑影像分析的优势在于它能提供比单一成像技术更全面、更深入的脑部信息，这对于脑科学的研究和临床应用具有重要意义。随着技术的发展和改进，这一领域有望在未来发挥更大的作用。然而，在目前的研究中，多视角特征脑影像分析仍面临着挑战和缺陷：1.现有的融合技术不成熟。由于融合算法的局限性，现有的多视角特征融合算法可能无法充分利用不同模态之间的互补信息，也无法很好的理解各模态间的特征关系；同时一些融合方法过度依赖于先验
3、为了克服这些缺陷，需要开发更高效的数据处理方法，改进融合和特征提取算法，发现更优的分类方法，便于精神疾病的辅助诊断。
技术实现思路
1、根据以上现有技术中的不足，本专利技术提供了小样本场景下融合多维信息的脑网络构建及特征提取方法，可以更好地提取大脑网络的特征，并使得特征更具备区分度，能够更好的应用于精神疾病的辅助诊断。
2、为达到以上目的，本专利技术提供了小样本场景下融合多维信息的脑网络构建及特征提取方法，包括以下步骤：
3、s1、对不同模态的脑影像进行预处理，获取处理后的脑影像，对其中每个独立被试的处理后的脑影像进行标示，并进行标准化处理；
4、s2、对于标准化处理后的脑影像，在其中引入l1正则项，获得回归系数矩阵，将回归系数矩阵进行二值化，得到二值化的多特征融合矩阵，完成脑网络的初步构建；
5、s3、利用带有自注意力机制池化层的图卷积神经网络sagcn，对多特征融合矩阵进行特征提取；
6、s4、构建四重暹罗网络学习框架qsn，qsn的输入即为多特征融合矩阵提取后的特征矩阵，通过qsn挖掘输入特征之间的特征相似性，最终达到分类的目的，完成对构建的脑网络效果的验证。
7、所述的s1中，将每个独立被试标示为x=[x1,x2,x3,...,xq]t∈rl×q，其中q是脑区数，xq是由第q个脑区的l个不同特征组成的序列，使用每个特征的全脑均值和标准差对该特征的脑区均值进行标准化处理。
8、所述的s2中，得到多特征融合矩阵的过程为：
9、s11、对于第i个脑区的xi，i=1,2,...,q-1，将xi依次作为因变量y，其他的所有q-1个脑区作为自变量，表示为a=[x1,x2,...,xi-1,0,xi+1,...,xq]，在其中引入l1正则项，通过y=aw即可线性的表示出y，其中w为回归系数矩阵；
10、s12、l1正则项表示为：
11、（1）；
12、式中，s为自然数，λ为正则化参数且λ>0；yi∈r，r为实数集；
13、s13、利用近端梯度下降法，求解l1正则项，其优化目标表示为：
14、（2）；
15、式中，x即为最终优化的目标；f（x）为损失函数；
16、s14、f(x)可导，则存在常数l使得：
17、（3）；
18、（4）；
19、即为xq可以由xq-1得到，式中，为迭代中参数的估计值，常数l存在，则x与也存在；xk是泰勒展开项；
20、s15、对xq求解，表示为：
21、（5）；
22、通过式（5），结合y=aw即可得到回归系数矩阵w，将其中不为0的系数替换成1，进而得到一个二值化的矩阵，即为多特征融合矩阵。
23、二值化的矩阵中，有合作关系的大脑区域突出设置为1，无合作关系的大脑区域隐藏设置为0。
24、所述的s3中，sagcn中，使用的节点特征矩阵和邻接矩阵的更新公式为：
25、（6）；
26、式中，d是度矩阵；b是邻接矩阵；z是节点特征矩阵；σ是激活函数；是自注意力池化层中的唯一参数，f代表每个被试拥有f×1个特征；~表示相应矩阵经过了归一化处理；
27、其中，带有自注意力机制池化层中的自注意力得分通过式（6）中b和z组合在一起的图的卷积获得，用来反映图的特征和拓扑结构。
28、所述的s3中，池化操作过程中，根据自注意力得分对节点进行保留判定，公式为：
29、（7）；
30、式中，j表示索引操作，kn表示根据自注意力得分确定的保留节点的比例，节点即为图结构上的节点特征，为排序函数。
31、所述的s4中，构建qsn的过程为：
32、s41、qsn包含四个相同的sagcn和一个最小化损失函数，其输入即为多特征融合矩阵提取后的特征矩阵，定义第t个qsn输入为和，其中和分别为正样本和负样本，和分别为锚点样本1和锚点样本2，其中正样本和锚点样本1属于同一类别（即为锚点样本1属于正样本），锚点样本1即为正样本中的一个锚点，负样本和锚定样本2属于同一类别（即为锚点样本2属于负样本），锚定样本2即为负样本中的一个锚点；
33、s42、qsn的损失函数为：
34、（8）；
35、式中，d代表距离，d+代表锚点样本与正样本间的距离，d-代表锚点样本与负样本间的距离；α是用于区分第t个识别是否有效的超级参数；
36、s43、和输入qsn后，、、、分别经过一个sagcn进行计算，再经过最小化损失函数，得到输出结果，通过该输出结果，即可挖掘输入特征之间的特征相似性，最终达到分类的目的，完成本次任务，对每个qsn输入重复该过程，最终完成脑网络的构建。
本文档来自技高网...【技术保护点】
1.小样本场景下融合多维信息的脑网络构建及特征提取方法，其特征在于包括以下步骤：
2.根据权利要求1所述的小样本场景下融合多维信息的脑网络构建及特征提取方法，其特征在于：所述的S1中，将每个独立被试标示为X=[x1,x2,x3,...,xq]T∈Rl×q，其中q是脑区数，xq是由第q个脑区的l个不同特征组成的序列，使用每个特征的全脑均值和标准差对该特征的脑区均值进行标准化处理。
3.根据权利要求2所述的小样本场景下融合多维信息的脑网络构建及特征提取方法，其特征在于：所述的S2中，得到多特征融合矩阵的过程为：
4.根据权利要求3所述的小样本场景下融合多维信息的脑网络构建及特征提取方法，其特征在于：所述的S3中，SAGCN中，使用的节点特征矩阵和邻接矩阵的更新公式为：
5.根据权利要求4所述的小样本场景下融合多维信息的脑网络构建及特征提取方法，其特征在于：所述的S3中，池化操作过程中，根据自注意力得分对节点进行保留判定，公式为：
6.根据权利要求4所述的小样本场景下融合多维信息的脑网络构建及特征提取方法，其特征在于：所述的S
7.根据权利要求6所述的小样本场景下融合多维信息的脑网络构建及特征提取方法，其特征在于：所述的S42中，超级参数α的调试过程表示为：
...【技术特征摘要】
1.小样本场景下融合多维信息的脑网络构建及特征提取方法，其特征在于包括以下步骤：
2.根据权利要求1所述的小样本场景下融合多维信息的脑网络构建及特征提取方法，其特征在于：所述的s1中，将每个独立被试标示为x=[x1,x2,x3,...,xq]t∈rl×q，其中q是脑区数，xq是由第q个脑区的l个不同特征组成的序列，使用每个特征的全脑均值和标准差对该特征的脑区均值进行标准化处理。
3.根据权利要求2所述的小样本场景下融合多维信息的脑网络构建及特征提取方法，其特征在于：所述的s2中，得到多特征融合矩阵的过程为：
4.根据权利要求3所述的小样本场景...
【专利技术属性】
技术研发人员：李元，赵峰，任延德，毛宁，宋木松，陈小波，
申请(专利权)人：山东工商学院，
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。