[發明專利]一種基于寬度學習的fMRI數據分類方法

在審

• 申請號: 201910593914.6
• 申請日: 2019-07-03
• 公開（公告）號: CN110322969A
• 公開（公告）日: 2019-10-11
• 發明（設計）人: 劉嘉誠;冀俊忠
• 申請（專利權）人: 北京工業大學
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H50/20;G06K9/62;G06N3/04;G06N3/08;A61B5/055
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 吳蔭芳

1.一種基于寬度學習的fMRI數據分類方法，其特征在于：

步驟1，獲取靜息態fMRI數據并將數據處理成可供分類器使用的數據；

步驟2，根據步驟1構建訓練集X_train和待預測集X_test；

步驟3，使用訓練集對分類器進行搭建并訓練；

步驟4，預測待測試集的分類結果，并對分類結果進行矯正，輸出最終分類結果。

2.根據權利要求1所述的一種基于寬度學習的fMRI數據分類方法，其特征在于：

所述的數據處理包括以下內容：

數據預處理：包括層間時間校正、頭動校正、空間標準化、空間平滑濾波、干擾信號去除和配準；

感興趣區域選取：經過數據預處理后得到n個被試數據，根據腦區域模板對被試數據標記感興趣區域，最終得到帶有時序長度的fMRI數據集，其中，第i個被試數據表示為X_i(i＝1,...,n)，其中n為被試者數量；

分解時間序列：對得到的全部n個被試數據X_i(i＝1,...,n)，其中任一X_i(i＝1,...,n)均帶有一定的時序長度，記為其中l_i表示第i個被試數據的時序長度，將每個帶有一定時序長度的數據X_i(i＝1,...,n)分解為Xⁱ(i＝1,...,n)，其中表示僅有單獨時間節點的數據集，定義X＝{X¹,...,Xⁿ}為所需要的輸入數據。

3.根據權利要求1所述的一種基于寬度學習的fMRI數據分類方法，其特征在于：

所述的分類器模型搭建與訓練具體如下：

步驟(3.1)將X_train作為模型的輸入；

步驟(3.2)搭建基于寬度學習系統的fMRI數據分類的模型：

步驟(3.2.1)生成特征節點F_i：將訓練集X_train輸入進行特征投影，使用式(1)表示經過特征投影后的第i個特征節點F_i：

其中i＝(1,2,...,n)，和都是適當大小的隨機權重矩陣，并定義Fⁿ≡[F₁,...,F_n]表示全部n個特征節點的集合；φ(·)是選定的激活函數；

步驟(3.2.2)生成增強節點E_j：將步驟(3.2.1)生成的特征節點集Fⁿ賦予隨機權重，生成增強節點，使用式(2)表示通過特征節點集Fⁿ生成的第j個增強節點E_j：

其中j＝(1,2,...,m)，和都是適當大小的隨機權重矩陣，是選定的激活函數，并定義E^m≡[E₁,...,E_m]表示全部m個增強節點的集合；

步驟(3.2.3)合成輸入層I_train：將步驟(3.2.1)與步驟(3.2.2)生成的特征節點集合Fⁿ≡[F₁,...,F_n]與增強節點集合E^m≡[E₁,...,E_m]合并為輸入層，定義新的輸入為I_train＝[Fⁿ|E^m]，以此作為訓練寬度學習系統的總輸入I_train；

步驟(3.2.4)計算權重矩陣W：定義已知的測試集X_train的分類標簽為輸出O_train，此時模型可以表示為I_train·W＝O_train，其中W為所求的權重矩陣，根據式(3)求得：

其中表示I_train的廣義逆矩陣。