[發(fā)明專利]一種基于寬度學(xué)習(xí)的fMRI數(shù)據(jù)分類方法

在審

• 申請?zhí)枺?/td>: 201910593914.6
• 申請日: 2019-07-03
• 公開（公告）號: CN110322969A
• 公開（公告）日: 2019-10-11
• 發(fā)明（設(shè)計）人: 劉嘉誠;冀俊忠
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 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(dá)知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 吳蔭芳

本發(fā)明是一種基于寬度學(xué)習(xí)的fMRI數(shù)據(jù)分類方法，屬于腦科學(xué)研究領(lǐng)域。具體包括：獲取靜息態(tài)fMRI數(shù)據(jù)并預(yù)處理；構(gòu)建基于寬度學(xué)習(xí)系統(tǒng)的分類器模型；利用訓(xùn)練完成的模型對病人數(shù)據(jù)進(jìn)行分類預(yù)測。本發(fā)明所述方法基于寬度學(xué)習(xí)系統(tǒng)，利用拆解時間序列將每個時間節(jié)點(diǎn)的數(shù)據(jù)視為獨(dú)立數(shù)據(jù)進(jìn)行處理，得到初步分類結(jié)果后重新整合時間序列，達(dá)到擴(kuò)充數(shù)據(jù)集容量的效果。本發(fā)明所述方法可以在保證優(yōu)秀的分類準(zhǔn)確率的情況下，較大程度的縮短分類所需時間，且該方法合理可靠，可為神經(jīng)精神疾病診斷提供有力的幫助。

技術(shù)領(lǐng)域

本發(fā)明屬于腦科學(xué)研究領(lǐng)域，具體地說，本發(fā)明涉及一種寬度學(xué)習(xí)系統(tǒng)的fMRI數(shù)據(jù)分類方法。

背景技術(shù)

人腦是人體最重要的器官之一，包含了大量的神經(jīng)元細(xì)胞。通過多個神經(jīng)元、神經(jīng)元集群或者多個腦區(qū)之間的相互作用，人腦能夠完成各種復(fù)雜的任務(wù)。人腦的結(jié)構(gòu)和功能非常復(fù)雜，遠(yuǎn)遠(yuǎn)超出我們當(dāng)前的認(rèn)知能力。因此，探索并理解人類大腦的工作機(jī)制，揭開大腦之謎，無疑是非常有意義的事情。近年來，科學(xué)技術(shù)不斷發(fā)展，越來越多的腦成像技術(shù)被應(yīng)用到腦研究中，如磁共振成像(Magnetic Resonance Imaging，MRI)、腦電圖(Electroencephalography,EEG)、腦磁圖(Magnetoencephalography,MEG)、計算機(jī)斷層掃描(Computer Tomography,CT)等。其中，功能磁共振成像(functional MagneticResonance Imaging，fMRI)能夠獲得包括時間在內(nèi)的四維數(shù)據(jù)，對深入挖掘大腦與疾病的聯(lián)系起到了更積極的作用。

目前為止，基于機(jī)器學(xué)習(xí)的fMRI數(shù)據(jù)分類方法主要可分為傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法，能夠自動地對個體進(jìn)行分類。傳統(tǒng)機(jī)器學(xué)習(xí)方法主要包括支持向量機(jī)(Support Vector Machine，SVM)和最小絕對收縮和選擇算子(Least absolute shrinkageand selection operator，LASSO)等，已經(jīng)在精神分裂癥(Schizophrenia)、輕度認(rèn)知障礙(Mild Cognitive Impairment，MCI)等精神疾病研究中取得了成功的應(yīng)用。然而，fMRI數(shù)據(jù)存在樣本量小，特征維數(shù)高等特點(diǎn)，傳統(tǒng)機(jī)器學(xué)習(xí)方法僅使用簡單的淺層分類模型，無法充分挖掘到人腦功能數(shù)據(jù)的高級特征。同時，這些方法無法有效地利用fMRI數(shù)據(jù)中的拓?fù)浣Y(jié)構(gòu)信息。因此，基于傳統(tǒng)機(jī)器學(xué)習(xí)方法的fMRI數(shù)據(jù)分類效果有待進(jìn)一步提升。

后來，研究發(fā)現(xiàn)機(jī)器學(xué)習(xí)中的深度學(xué)習(xí)方法可以通過對數(shù)據(jù)進(jìn)行非線性映射，從而使數(shù)據(jù)降維，同時更好地保持原始數(shù)據(jù)的判別信息，以其顯著的分類效果，已經(jīng)在各個領(lǐng)域成為主流方法。特別地，深度學(xué)習(xí)方法在醫(yī)學(xué)圖像分類任務(wù)上也已經(jīng)得到了很好的應(yīng)用。最近幾年，研究者開始嘗試將深度學(xué)習(xí)算法應(yīng)用于fMRI數(shù)據(jù)分類。

目前，基于深度學(xué)習(xí)算法的fMRI數(shù)據(jù)分類方法主要有基于全連接神經(jīng)網(wǎng)絡(luò)的方法和基于卷積神經(jīng)網(wǎng)絡(luò)的方法。基于全連接神經(jīng)網(wǎng)絡(luò)(Full connected Neural Network，F(xiàn)CNN)的方法同樣將人腦功能網(wǎng)絡(luò)重塑為向量作為輸入，然后通過構(gòu)建多層全連接神經(jīng)網(wǎng)絡(luò)，使其具備強(qiáng)大的特征表達(dá)能力，從而提高了分類效果。然而，這種方法參數(shù)非常多，因此容易產(chǎn)生過擬合的問題。基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的方法采用權(quán)值共享機(jī)制，在一定程度上解決了過擬合的問題；同時，該方法通過設(shè)計特殊的卷積操作，在一定程度上考慮了人腦功能網(wǎng)絡(luò)中的拓?fù)浣Y(jié)構(gòu)信息。但是，訓(xùn)練深度學(xué)習(xí)模型需要耗費(fèi)大量的時間，某些復(fù)雜的模型甚至需要幾天時間進(jìn)行訓(xùn)練。在現(xiàn)今的大數(shù)據(jù)環(huán)境下，時間效率已經(jīng)成為算法評估中的一項(xiàng)重要考慮指標(biāo)。

發(fā)明內(nèi)容

本發(fā)明針對上述現(xiàn)有方法存在的問題，提出一種基于寬度學(xué)習(xí)系統(tǒng)(BroadLearning System,BLS)的fMRI數(shù)據(jù)分類方法。本發(fā)明所述方法的網(wǎng)絡(luò)結(jié)構(gòu)來源于近兩年提出的寬度學(xué)習(xí)模型，通過改變數(shù)據(jù)接口和判別指標(biāo)等方法，使其成為能夠用來分類fMRI數(shù)據(jù)，以更快的速度完成神經(jīng)精神疾病診斷。