[发明专利]基于深度循环神经网络和有监督字典学习的脑网络重构方法

摘要

本发明涉及一种基于深度循环神经网络和有监督字典学习的脑网络重构方法，是一种融合模型驱动和数据驱动方法优点的新型脑网络重构计算方法，用于从任务态功能磁共振成像数据重构多样化和并发的功能性脑网络。具体来说，利用深度循环神经网络自动导出多样化、自适应的回归变量；采用有监督字典学习方法来利用回归变量重建任务引发的脑功能网络。本发明提出了一种深度循环神经网络来自动学习数据驱动的回归变量。之后，采用有效的监督字典学习和稀疏表示方法来重构这些回归变量的脑网络激活图。实验证明此计算方法在识别多样化和并发脑网络方面具有优越性。

主权项

1.一种基于深度循环神经网络和有监督字典学习的脑网络重构方法，其特征在于步骤如下：步骤1、构造网络模型：网络模型为深度循环神经网络DRNN，包括两个循环神经层RNN和一个全连接层FC；两个循环神经层RNN与一个全连接层FC形成串联结构；所述每一个RNN层包括30个LSTM单元即长短期记忆网络；步骤2、训练步骤1中构造的深度循环神经网络DRNN：以tfMRI数据集中的任务矩阵(T)作为深度循环神经网络DRNN的输入，网络模型进行训练至模型收敛之后，在顶部RNN层中的每个单元的输出得到数据驱动的回归变量，在全连接层后得到预测的全脑信号矩阵S；步骤3：将全脑信号矩阵S作为有监督的字典学习的输入，进行有监督的字典学习，学习时，将字典D中的一部分D_c作为常量不参与更新，仅对其余部分D_l进行优化，得到字典D和系数矩阵A；步骤4：将矩阵A的每一行映射到大脑的标准模板中，生成在运动任务上由DRNN导出的数据驱动的脑网络激活图，完成空间脑网络的重构。