[发明专利]一种基于深度学习的多模态认知障碍识别方法

说明书

本发明公开了一种基于深度学习的多模态认知障碍识别方法，包括以下步骤：对与大脑连接性矩阵的构建进行预处理；进行多模态大脑表征数据计算与复杂脑网络度量；构建多模态数据处理深度学习框架；进行多类识别模型训练。上述技术方案采用深度学习技术，设计并实现了一种两层级联结构，整合GoogLeNet框架，将结构性、功能连接性和功能拓扑性三种模态数据输入该模型训练，通过多节点多层次网络，在迭代过程中不断寻求各种特征组合的最佳权重，最终建立了不同程度认知障碍患者统一特征的评判体系，直接对HCPMMP脑分区中360个脑区的权重进行分配，很好地解决了认知障碍多类识别问题。

技术领域

本发明涉及脑与认知科学技术领域，尤其涉及一种基于深度学习的多模态认知障碍识别方法。

背景技术

阿尔兹海默症是一个慢性的、逐渐恶化的且不可逆转的神经退化性疾病。患者常常伴有记忆力减退、听视觉受损、语言障碍、动作协调性变差，随着病情不断加深，逐渐丧失身体机能，最终导致死亡。通过主观心理学评测分数可以对不同程度认知障碍的患者进行分组，例如简易智力状态检查分数在24到30之间，痴呆指数为0，且未出现抑郁、痴呆等症状的人群被划分为认知能力正常；对简易智力状态检查分数在24-30之间，痴呆指数为0.5，受教育程度大于16年时，WMSLMⅡ分数在9-11之间，或受教育程度在8-15年时，WMSLMⅡ分数在6-9之间，或受教育程度在0-7年时，WMSLMⅡ分数在3-6之间，且患者主动告知存在记忆力减退但不影响日常生活，未出现痴呆症状的患者，被划分为早期轻度认知障碍；对简易智力状态检查分数在24-40之间，痴呆指数为0.5，受教育程度大于16年时，WMSLMⅡ分数小于8，或受教育程度在8-15年时，WMSLMⅡ分数小于4，或受教育程度在0-7年时，WMSLMⅡ分数小于2的患者，被划分为晚期轻度认知障碍；对简易智力状态检查分数在20-26之间，痴呆指数在0.5-1之间的患者，被划分为阿尔兹海默症。除患者病情及临床心理学评分表现出的认知功能障碍是逐渐变化外，现有研究成果表明，认知障碍分类识别中也存在类似现象，阿尔兹海默症患者与健康对照组之间的分类准确度最高，意味着识别难度最小，差距最大，而早期轻度认知障碍患者与晚期轻度认知障碍患者两两分类结果表现最差，难度最大。不同分组两两识别模型中也存在这种递进关系。

随着深度学习技术的不断发展和完善，更多研究和应用领域采用深度学习实现了前所未有的惊人进展，主要集中在以图像识别、机器视觉、音视频媒体数据处理、社交网络等方面，这些领域拥有海量数据提供给模型进行训练。尤其在近十年计算和存储技术的飞跃提升，使得硬件资源不再是超大规模数据建模的瓶颈。与传统机器学习不同，深度学习使用了更复杂的建模手段，实现了非线性分类的突破性进展。

中国专利文献CN107909117B公开了一种“基于脑功能网络特征对早晚期轻度认知障碍的分类装置”。首先对样本数据进行预处理和提取多个脑区时间序列，采用皮尔逊相关计算脑区时间序列之间的相关系数构建脑功能网络，计算脑网络参数。其次采用逐步分析方法提取特征，并训练二分分类器，对待分类的静息态功能磁共振数据提取对应的特征向量并输入训练好的二分分类器，得到对医学影像图像分类结果。上述技术方案针对多分类问题的识别准确度不高。

发明内容

本发明主要解决原有的技术方案针对多分类问题的识别准确度不高的技术问题，提供一种基于深度学习的多模态认知障碍识别方法，采用深度学习技术，设计并实现了一种两层级联结构，整合GoogLeNet框架，将结构性、功能连接性和功能拓扑性三种模态数据输入该模型训练，通过多节点多层次网络，在迭代过程中不断寻求各种特征组合的最佳权重，最终建立了不同程度认知障碍患者统一特征的评判体系，直接对HCP MMP脑分区中360个脑区的权重进行分配，很好地解决了认知障碍多类识别问题，通过大脑皮层平均厚度和二值化复杂脑网络的局部效率特征组合，模型最终实现96.86％的四分类准确度。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

S1对与大脑连接性矩阵的构建进行预处理；