【技术实现步骤摘要】
本专利技术涉及神经影像分析，尤其涉及一种基于动静态脑网络结合的孤独症分类算法。
技术介绍
1、近年来，随着医学影像技术的快速发展，功能磁共振成像（functional magneticresonance imaging，fmri）成为了科研人员诊断孤独症的新方向之一。在最近的一些工作中，研究人员利用 fmri 数据构建功能脑网络（functional brain network,fbn）来代表每个被试。在 fbn 中，每个节点表示一个对应的大脑区域（region of interest, roi），节点之间的边缘权重则对应了两个 roi 的连接强度。
2、在现有的 fbn 分析框架中，研究人员通常基于皮尔逊相关系数（pearsoncorrelation coefficient, pcc）来构建低阶脑网络进行学习，但是皮尔逊相关性主要衡量线性关系，对于非线性关系敏感性较低。这种传统的功能脑网络与大脑的拟合度不够，不能高效表达脑区之间的复杂关系，从而影响下游分类任务的精度。此外，现有方法通常单独采用静态功能连接或者动态功能连接进行训练，有研究表明，动静态功能连接对孤独症的准确分类都有重要贡献。然而由于动态功能连接的高维度和复杂性，这两类特征不能很好的结合在一起。因此，需要设计一个能够成功整合两类功能连接的模型，并且这个模型还要能够有效地提取脑区之间的深层次关系。
技术实现思路
1、本专利技术目的就是为了弥补已有技术大部分算法通常直接采用低阶功能脑网络进行学习，使得模型与大脑
2、本专利技术是通过以下技术方案实现的：
3、一种基于动静态脑网络结合的孤独症分类算法，包括静态脑网络编码器、动态脑网络编码器和图分类器，具体包括如下步骤：
4、（1）将得到的静态功能连接矩阵输入到静态脑网络编码器之中，通过自注意力机制从静态功能连接矩阵中学习脑区节点间的深层次关系，生成高阶功能连接矩阵；
5、（2）将通过滑动窗口算法得到的动态功能连接矩阵输入到动态脑网络编码器之中，利用自注意力机制在学习脑网络的动态特征后，利用通道注意力机制整合信息，得到各脑区的高阶动态特征嵌入；
6、（3）基于静态脑网络编码器和动态脑网络编码器得到的结果，图分类器利用图卷积网络算法和topk池化算法对其进行学习，实现对孤独症的分类。
7、步骤（1）中利用皮尔逊相关性得到每个被试的静态功能连接矩阵，在获得静态功能连接矩阵后，使用多头自注意力网络作为功能连接编码器；对于预分割好的每个脑区节点，使用静态功能连接矩阵中对应行向量作为其特征向量，并将其输入到功能连接编码器之中，得到各脑区的高阶嵌入向量并将其竖向拼接得到该被试的脑区节点特征表示；在获得该被试的脑区节点特征表示之后，使用功能连接生成器生成高阶功能连接矩阵；计算方式是利用softmax函数对学习到的脑区节点特征进行编码，并与其转置做乘法，得到新的对称矩阵，即高阶功能连接矩阵。
8、在步骤（2）中利用皮尔逊相关性得到每个被试的动态功能连接矩阵，得到动态功能连接矩阵之后，使用多头自注意力网络作为功能连接编码器；对于动态功能连接矩阵中的不同子序列连接矩阵，使用一个共享权重的transformer网络对它们进行编码，对于每个子序列，功能连接编码器计算方式同静态连接编码器中的功能连接编码器相同，在计算多个子序列后，得到该被试的多通道脑区节点特征表示，其中的每个通道对应一个子序列；在得到多通道脑区节点特征表示之后，采用通道注意力网络senet对其进行特征融合；其计算方式是利用senet中的se块对每个通道生成一个对应的注意力分数，之后将各通道与其分数相乘，再将所有结果相加，得到各脑区的高阶动态特征嵌入。
9、在步骤（3）中，由于两个结果都有相同的脑区节点个数，将其组合成一个高阶功能连接脑图，其中静态脑网络编码器的输出矩阵作为高阶脑图的邻接矩阵，动态脑网络编码器的输入特征嵌入作为高阶脑图的节点特征；在得到高阶功能连接脑图后，使用一个二层的图卷积网络进行学习，其计算方式是先提取各个节点的特征并将其特征输送给该节点的邻居节点，然后每个节点根据自身的特征以及邻域的特征进行加权融合并更新自己的特征表示；在经过二层图卷积层学习之后，将其输入到一个topk池化层，其计算方式是根据各节点的特征向量生成一个对应的重要性分数，并保留前k个重要节点，丢弃其余节点，降低特征的维度；在经过池化层降维之后，利用读出层得到整张图的特征表示并输入到多层感知机之中进行分类，其计算方式是将特征向量乘以感知机学习的权重向量，并加上偏置项，再通过激活函数进行非线性激活，最终得到该被试的分类结果。
10、本专利技术的优点是：本专利技术通过引入静态脑网络编码器，可以有效地学习静态功能连接矩阵中的深层特征，并且通过引入动态脑网络编码器模块，具有了学习脑网络的时间动态性和整合动态功能连接的能力，极大提高了模型的大脑拟合能力，最后在经过图分类器的表征学习，模型可以从动态脑网络和静态脑网络两方面深刻学习大脑对疾病的分类特征，从而可以提高模型的分类性能。
本文档来自技高网...【技术保护点】
1.一种基于动静态脑网络结合的孤独症分类算法，其特征在于：包括静态脑网络编码器、动态脑网络编码器和图分类器，具体包括如下步骤：
2.根据权利要求1所述的一种基于动静态脑网络结合的孤独症分类算法，其特征在于：步骤（1）中利用皮尔逊相关性得到每个被试的静态功能连接矩阵，在获得静态功能连接矩阵后，使用多头自注意力网络作为功能连接编码器；对于预分割好的每个脑区节点，使用静态功能连接矩阵中对应行向量作为其特征向量，并将其输入到功能连接编码器之中，得到各脑区的高阶嵌入向量并将其竖向拼接得到该被试的脑区节点特征表示；在获得该被试的脑区节点特征表示之后，使用功能连接生成器生成高阶功能连接矩阵；计算方式是利用softmax函数对学习到的脑区节点特征进行编码，并与其转置做乘法，得到新的对称矩阵，即高阶功能连接矩阵。
3.根据权利要求1所述的一种基于动静态脑网络结合的孤独症分类算法，其特征在于：在步骤（2）中利用皮尔逊相关性得到每个被试的动态功能连接矩阵，得到动态功能连接矩阵之后，使用多头自注意力网络作为功能连接编码器；对于动态功能连接矩阵中的不同子序列连接矩阵，使用一个共享权
4.根据权利要求1所述的一种基于动静态脑网络结合的孤独症分类算法，其特征在于：在步骤（3）中，由于两个结果都有相同的脑区节点个数，将其组合成一个高阶功能连接脑图，其中静态脑网络编码器的输出矩阵作为高阶脑图的邻接矩阵，动态脑网络编码器的输入特征嵌入作为高阶脑图的节点特征；在得到高阶功能连接脑图后，使用一个二层的图卷积网络进行学习，其计算方式是先提取各个节点的特征并将其特征输送给该节点的邻居节点，然后每个节点根据自身的特征以及邻域的特征进行加权融合并更新自己的特征表示；在经过二层图卷积层学习之后，将其输入到一个topK池化层，其计算方式是根据各节点的特征向量生成一个对应的重要性分数，并保留前K个重要节点，丢弃其余节点，降低特征的维度；在经过池化层降维之后，利用读出层得到整张图的特征表示并输入到多层感知机之中进行分类，其计算方式是将特征向量乘以感知机学习的权重向量，并加上偏置项，再通过激活函数进行非线性激活，最终得到该被试的分类结果。
...【技术特征摘要】
1.一种基于动静态脑网络结合的孤独症分类算法，其特征在于：包括静态脑网络编码器、动态脑网络编码器和图分类器，具体包括如下步骤：
2.根据权利要求1所述的一种基于动静态脑网络结合的孤独症分类算法，其特征在于：步骤（1）中利用皮尔逊相关性得到每个被试的静态功能连接矩阵，在获得静态功能连接矩阵后，使用多头自注意力网络作为功能连接编码器；对于预分割好的每个脑区节点，使用静态功能连接矩阵中对应行向量作为其特征向量，并将其输入到功能连接编码器之中，得到各脑区的高阶嵌入向量并将其竖向拼接得到该被试的脑区节点特征表示；在获得该被试的脑区节点特征表示之后，使用功能连接生成器生成高阶功能连接矩阵；计算方式是利用softmax函数对学习到的脑区节点特征进行编码，并与其转置做乘法，得到新的对称矩阵，即高阶功能连接矩阵。
3.根据权利要求1所述的一种基于动静态脑网络结合的孤独症分类算法，其特征在于：在步骤（2）中利用皮尔逊相关性得到每个被试的动态功能连接矩阵，得到动态功能连接矩阵之后，使用多头自注意力网络作为功能连接编码器；对于动态功能连接矩阵中的不同子序列连接矩阵，使用一个共享权重的transformer网络对它们进行编码，对于每个子序列，功能连接编码器计算方式同静态连接编码器中的功能连接编码器相同，在计算多个子序列后，得到...
【专利技术属性】
技术研发人员：徐君海，果宏帅，马国宁，魏建国，
申请(专利权)人：天津大学合肥创新发展研究院，
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。