[发明专利]一种基于深度学习的多模态认知障碍识别方法

权利要求书

1.一种基于深度学习的多模态认知障碍识别方法，其特征在于，包括以下步骤：

S1对与大脑连接性矩阵的构建进行预处理；

S2进行多模态大脑表征数据计算与复杂脑网络度量；

S3构建多模态数据处理深度学习框架；

S4进行多类识别模型训练。

2.根据权利要求1所述的一种基于深度学习的多模态认知障碍识别方法，其特征在于，所述步骤S1预处理依据华盛顿大学多模态脑分区方法，对人类大脑进行功能区域分割，将整体大脑细分为360个脑区域，具体操作包括：

S1.1获取结构态、功能态磁共振数据以及成像设备磁场分布信息；

S1.2根据获取信息将人类大脑注册到CIFTI空间，形成3.2万个坐标点；

S1.3采用J-HCPMMP方法，将该大脑注册到多模态脑分区，形成左右各180个子脑区；

S1.4采用不同脑分区方法，对各个脑区之间的功能性磁共振数据进行相关分析，形成N×N大小复杂脑网络邻接矩阵；

S1.5对复杂脑网络邻接矩阵进行阈值处理，去除噪声和干扰信息，由稠密大脑连接变为稀疏大脑连接。

3.根据权利要求2所述的一种基于深度学习的多模态认知障碍识别方法，其特征在于，所述步骤S1.4采用三种脑分区方法，包括HCPMMP、DKT-Atlas和Desikan-Killiany脑分区，分别形成360、62和68个子脑区，对各个子脑区之间的功能性磁共振数据进行相关分析，形成360×360、62×62和68×68大小的复杂脑网络邻接矩阵。

4.根据权利要求1所述的一种基于深度学习的多模态认知障碍识别方法，其特征在于，所述步骤S2具体包括以下步骤：

S2.1针对预处理后的大脑结构性和功能性磁共振数据，提取大脑皮层平均厚度和皮层平均曲率，作为结构性数据表征，数据大小为1×N；

S2.2计算功能性磁共振数据的相关性连接矩阵，作为功能性数据表征，数据大小为N×N；

S2.3计算全局性和区域性复杂脑网络度量指标，作为功能拓扑性数据表征,其中全局性复杂脑网络度量指标维度为1，区域性复杂脑网络度量指标大小为1×N。

5.根据权利要求3所述的一种基于深度学习的多模态认知障碍识别方法，其特征在于，所述步骤S2.3在加权脑网络中，计算7种全局性度量指标，包括复杂脑网络全局效率、最大化模块、最佳模块数量、同配性系数、小世界特性指数、特征路径长度以及平均聚集系数，以及7种区域性度量指标，包括复杂脑网络各节点度、强度、聚集系数、局部效率、介数中心性、特征向量中心性、页面排序中心性。

6.根据权利要求3所述的一种基于深度学习的多模态认知障碍识别方法，其特征在于，所述步骤S2.3在在二值化脑网络中，计算7种全局性度量指标，包括复杂脑网络全局效率、最大化模块、最佳模块数量、同配性系数、小世界特性指数、特征路径长度以及平均聚集系数，以及8种区域性度量指标，包括脑网络各节点度、聚集系数、局部效率、介数中心性、特征向量中心性、页面排序中心性、K核心中心性和流量系数。

7.根据权利要求1所述的一种基于深度学习的多模态认知障碍识别方法，其特征在于，所述步骤S3构建多模态数据处理深度学习框架具体包括以下步骤：

S3.1整合GoogLeNet框架中的Inception结构，使其以堆叠形式，构建27层深度学习架构；

S3.2整合结构性和功能拓扑性表征数据，以一级级联方式构建超维特征向量；

S3.3以二级级联方式，再次整合功能连接性数据和结构性、功能拓扑性表征数据，作为多模态数据输入端。

8.根据权利要求1所述的一种基于深度学习的多模态认知障碍识别方法，其特征在于，所述步骤S4进行多类识别模型训练具体包括：

S4.1采用SoftMax结构，将整合后的多模态数据作为SoftMax输入层；

S4.2采用梯度下降算法，迭代求解参数，直至多分类模型收敛。