买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：太原理工大学

摘要：本发明公开了基于脑网络高阶结构的自适应图卷积脑疾病分类方法，属于脑疾病分类技术领域；解决现有技术中存在忽略高阶结构信息、卷积核大小依赖超参数选择以及计算资源消耗高等问题，包括如下步骤：获取被试图像数据集进行预处理；构建高阶脑功能网络及对应的NBS矩阵，采用自适应机制对高阶脑功能网络中邻居数量不同的脑区进行特征聚集，更新它们的特征表征，以获得节点嵌入；设计主干网络，将自适应图卷积模块嵌入到主干网络中，将得到的边特征通过分类器模块对特征表征进行降维、分类，进一步减少模型的可学习参数和计算量；本发明应用于脑疾病分类。

主权项：1.基于脑网络高阶结构的自适应图卷积脑疾病分类方法，其特征在于，包括以下步骤：步骤S1：获取被试图像数据，对图像数据进行预处理，得到预处理后的图像数据；步骤S2：对预处理后的图像数据进行区域划分，并提取每个区域的时间序列，对每个区域的时间序列计算皮尔逊相关系数，构建被试的脑功能网络；步骤S3：将构建的脑功能网络进行二值化，对二值化后的脑功能网络进行模体检测，基于模体构建脑功能网络的高阶矩阵，得到高阶脑功能网络；步骤S4：搭建总体网络结构，所述总体网络结构包括自适应图卷积模块、分类器模块和softmax函数；步骤S5：总体网络结构搭建完成后，输入高阶脑功能网络，对模型进行训练更新，得到基于高阶网络的自适应图卷积脑功能网络分类模型；所述步骤S3中，构建脑功能网络的高阶矩阵具体包括：对二值化脑功能网络进行模体检测，通过计算网络中每类三节点模体的出现频率来获得基序频谱；将得到的频谱与1000个代理随机网络中的频谱进行比较；其中，随机网络为零模型，保留相同数量的节点和边以及相同的度分布；确定模体在随机网络中的频率，模体M在G中的过表达量由其z-score给出: 其中，为模体M在真实网络中的出现频率，和为其在1000个代理随机网络中出现频率的平均值和方差，当ZM1.96，模体M被定义为具有统计学意义；根据确认的模体M，构建高阶矩阵WM，其条目i,j是模体M中节点i和j的共同出现的次数，WMij＝包含节点i和j的M的实例数；所述步骤S5中，输入高阶脑功能网络，对模型进行训练更新，具体包括：对网络中的可训练参数进行初始化，构建高阶脑功能网络的NBS矩阵，将构建的NBS矩阵分批次输入到网络中；根据预测值与真实标签，构建损失函数并计算损失，使用优化算法进行反向传播更新网络的参数，直至损失在一定范围内不再下降，此时将网络参数保存为最终模型；所述步骤S4中，自适应图卷积模块包括：第一层Mask层，对输入的NBS差异矩阵进行掩膜处理，仅保留节点的邻居信息，具体的计算过程如下：xi＝ai·FCi其中，表示p矩阵的第i行，表示功能连接的第i行，将xi压缩为其中k是节点表示向量的长度；第二层EdgeConv层，对矩阵中的每个节点及节点的邻居进行边卷积操作；输入[16，c，116]，输出[16，2c，116，k]，c为通道数，k为每个节点的邻居数目，不同的节点具有不同的邻居数，边卷积层根据不同的节点的邻居节点数目自适应调整k值；提取边的特征，对边进行2维卷积，输入[16，2c，116，k]，输出[16，64，116，k]；对边特征进行ReLU操作；具体的计算过程如下：x′i＝maxj：i，j∈εhθxi||xj-xix′i＝maxj＝i，j∈εReLUxi||xj-xi其中，xi为中心节点i的特征，表示节点的全局特征，xj为连通的邻居节点j的特征；节点值差xj-xi表示节点的局部特征；hΘ表示可训练权重Θ，h为非线性激活函数；第三层MaxPooling层，对聚合后的节点特征进行最大池化操作。

全文数据：

权利要求：

百度查询： 太原理工大学 基于脑网络高阶结构的自适应图卷积脑疾病分类方法