[发明专利]一种基于卷积神经网络的人脑功能网络分类方法

摘要

本发明公开了一种基于卷积神经网络的人脑功能网络分类方法，属于脑科学研究领域。其特征在于，具体包括以下步骤：获取静息态fMRI数据并预处理；生成仿真数据；数据集划分；基于卷积神经网络的人脑功能网络分类。本发明所述方法基于卷积神经网络，利用独立权重(Element‑wise Filters)为人脑功能网络数据的每一条边和节点赋予独一无二的权重，从而构建包含“边到节点”层和“节点到图”层的多层神经网络。本发明所述方法可以更好的利用人脑功能网络数据的拓扑结构信息并进行特征表达，从而提升分类效果，且该方法合理可靠，可为神经精神疾病诊断提供有力的帮助。

主权项

1.一种基于卷积神经网络的人脑功能网络分类方法，其特征在于：首先，获取静息态fMRI数据并进行预处理，利用预处理后fMRI时间序列信号计算各个脑区间的功能连接强度，构建真实的人脑功能网络数据集；其次，根据真实的人脑功能网络数据集，生成相同数量的仿真数据；接着，将真实数据集和仿真数据集分别划分为训练集、验证集和测试集；最后，通过基于独立权重的卷积神经网络(CNN‑EW)，对人脑功能网络进行分类；步骤(1)获取静息态fMRI数据并预处理：步骤(1.1)静息态fMRI数据获取：从ABIDE(Autism Brain Imaging Data Exchange)获取自闭症(Autism spectrum disorder，ASD)静息态fMRI数据；步骤(1.2)数据预处理：主要包括层间时间校正(Slice Timing Correction)、头动校正(Motion Realignment)、空间标准化(Normalization)、空间平滑滤波(Smoothing)、干扰信号去除(Nuisance Signal Removal)和配准(Registration)等步骤；步骤(1.3)感兴趣区域选取：选用AAL(Anatomical Automatic Labeling)模板的90个大脑区域作为感兴趣区域，并得到各个受试者相应脑区的平均fMRI时间序列信号；步骤(1.4)构建人脑功能网络：人脑功能网络表示为G＝(V，E)，其中，V表示以感兴趣区域为节点的集合，为功能连接矩阵，功能连接矩阵以任意节点(v_i，v_j)之间的功能连接强度作为组成元素，v_i，v_j∈V；功能连接强度的计算方式主要包括皮尔逊相关、偏相关以及小波变换等；包含N个样本的人脑功能网络数据集表示为{(G⁽¹⁾，y⁽¹⁾，……，(G^(N)，y^(N))}；其中，y⁽ⁿ⁾∈{0，1}，0表示对照组受试者，1表示ASD组受试者；步骤(2)生成仿真数据：仿真数据集的生成过程包括：分别确定对照组和ASD组的功能连接矩阵模板、生成高斯噪声以及构建仿真人脑功能网络数据集；步骤(3)数据集划分：分别将ABIDE数据集和仿真数据集按照划分为训练集、验证集和测试集，划分比例为3：1：1；其中，训练集用于学习神经网络的参数；验证集用于确定网络结构和超参数；测试集用于验证神经网络分类效果；步骤(4)基于卷积神经网络的人脑功能网络分类：步骤(4.1)将ABIDE数据集或仿真数据集对应的训练集、验证集作为神经网络的输入；步骤(4.2)如图3所示，构建一个包含输入层、“边到节点”(E2N)层、“节点到图”(N2G)层、全连接层以及Softmax分类器的神经网络；其中，上述“边到节点”(E2N)层利用基于独立权重的卷积神经网络，提取人脑功能网络各个节点的特征；“节点到图”(N2G)层利用传统卷积神经网络，提取整个人脑功能网络的特征；步骤(4.2.1)输入层:令表示输入到第l+1层神经网络的第m个特征图，其中，R^l和C^l分别表示第l层特征图的行数和列数，m∈{1，2，…，M^l},M^l表示神经网络中第l+1层输入数据的特征图个数，或全连阶层输入数据的维度；输入层为下一层提供输入数据，即A¹＝E，其中，表示通过相似性度量得到的功能连接矩阵；步骤(4.2.2)“边到节点”(E2N)层：步骤(4.2.2.1)首先初始化独立权重参数为人脑功能网络数据中的每一条边赋予独一无二的权重；然后，初始化偏置项步骤(4.2.2.2)以步骤(4.2.1)输出的特征图作为所述“边到节点”(E2N)层的输入，根据式(1)完成基于独立权重的卷积操作，提取出人脑功能网络各个节点的特征f(■)为一种激活函数；r，c，i，o，“：”为特征图、权重参数或偏置项的下标索引，分别表示行索引、列索引、输入通道索引、输出通道索引以及全部索引；步骤(4.2.3)“节点到图”(N2G)层：步骤(4.2.3.1)首先通过初始化M^l×M^l+1个大小为的|V|×1卷积核，即为每一个节点赋予独一无二的权重；然后初始化偏置项步骤(4.2.3.2)以步骤(4.2.2)输出的特征图作为所述“节点到图”(N2G)层的输入，根据式(2)完成卷积操作，提取出整个人脑功能网络的特征步骤(4.2.4)全连接层：首先初始化权重参数和偏置然后，以步骤(4.2.3)的特征图作为所述全连接层的输入，通过式(3)对步骤(4.2.3)得到的特征图进行线性组合，并通过激活函数进行非线性特征变换；神经网络中包含零或多个全连接层；步骤(4.2.5)Sotfmax分类器：所述多层神经网络的输出层是Softmax分类器；首先，初始化权重和偏置b^l∈R^K，K表示类别个数，令θ_softmax＝{W^l，b^l}；然后，式(4)给出了Softmax分类器将第n个样本第l层的特征图分类为类别j的概率：代价函数如式(5)所示：其中是L2正则化项，λ为正则化参数，W为神经网络中所有权重参数；步骤(4.3)针对步骤(4.1)中的训练集，利用Adam自适应优化算法最小化步骤(4.2)中所述代价函数，并根据模型在验证集上的分类准确率确定神经网络的结构和超参数；步骤(4.4)首先，将步骤(4.1)中的训练集和测试集输入到由步骤(4.3)确定的模型中；然后，利用10次五折交叉验证法，得到对ASD患者的分类准确率，由此实现对脑疾病发现和诊断帮助。