[发明专利]基于人脑功能磁共振影像的自闭症分类器构建方法及系统

权利要求书

1.基于人脑功能磁共振影像的自闭症分类器构建方法，其特征在于，包括：

对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量；

对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择，得到显著特征，将所得到显著特征组成新的特征向量，并将所有受试者新的特征向量作为训练样本，所述训练样本包括训练集和验证集；

采用训练集对变分自编码器进行预训练，预训练结束后，将变分自编码器的编码器参数迁移至多层感知机，并采用训练集对多层感知机进行有监督的训练，对多层感知机的参数进行微调，并在每一轮训练后采用验证集进行评估，直至训练至设定的轮数，将经过参数微调的多层感知机作为自闭症分类器。

2.根据权利要求1所述的基于人脑功能磁共振影像的自闭症分类器构建方法，其特征在于，所述对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量的过程具体为：基于从人脑功能磁共振影像中提取出的时间序列计算感兴趣区域之间功能连接，所有功能连接组成一个特征向量，每个功能连接作为特征向量的一个特征；

所述功能连接的具体计算方法为：计算所有两两不同的感兴趣区域所对应的时间序列的皮尔森相关系数。

3.根据权利要求1所述的基于人脑功能磁共振影像的自闭症分类器构建方法，其特征在于，所述对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择，得到显著特征，具体为：

针对特征向量中每一个特征，计算DSDC分数；

将DSDC分数大于预设阈值的特征选为显著特征，并丢弃DSDC分数小于等于预设阈值的特征。

4.根据权利要求3所述的基于人脑功能磁共振影像的自闭症分类器构建方法，其特征在于，所述针对特征向量中每一个特征，计算DSDC分数，具体为：

将所有特征向量中的特征所在范围划分为若干个等长的子区间；

通过如下公式计算特征的DSDC分数：

式中，b₀和b₁为特征的取值下界和上界；δ为子区间的长度；i代表第i个子区间，n_i⁺和n_i^-为落在[i-δ,i)区间的自闭症受试者和正常受试者的数量，N⁺和N^–为训练集中自闭症受试者和正常受试者的数量。

5.根据权利要求1所述的基于人脑功能磁共振影像的自闭症分类器构建方法，其特征在于，所述采用训练集对多层感知机进行有监督的训练具体为无约束条件训练、使用灵敏度约束条件训练或使用特异度约束条件训练；

当采用无约束条件训练时，在每一轮训练后采用验证集进行评估，如果验证集的评估精度提高，则保存经过该轮训练的参数，否则不保存；

当采用灵敏度约束条件训练时，在每一轮训练后采用验证集进行评估，如果验证集的评估精度提高、验证集的评估灵敏度和验证集的评估特异度之差提高且提高值小于预设值，则保存经过该轮训练的参数，否则不保存；

当采用特异度约束条件训练时，在每一轮训练后采用验证集进行评估，如果验证集的评估精度提高、验证集的评估特异度和验证集的评估灵敏度之差提高且提高值小于预设值，则保存经过该轮训练的参数，否则不保存。

6.基于人脑功能磁共振影像的自闭症分类器构建系统，其特征在于，包括预处理模块、训练集获取模块和训练模块，其中：

预处理模块：用于对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量；

训练集获取模块：用于对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择，得到显著特征，将所得到显著特征组成新的特征向量，并将所有受试者新的特征向量作为训练样本，所述训练样本包括训练集和验证集；

训练模块：用于采用训练集对变分自编码器进行预训练，预训练结束后，将变分自编码器的编码器参数迁移至多层感知机，并采用训练集对多层感知机进行有监督的训练，对多层感知机的参数进行微调，并在每一轮训练后采用验证集进行评估，直至训练至设定的轮数，将经过参数微调的多层感知机作为自闭症分类器。