[發(fā)明專利]一種動態(tài)注意力網(wǎng)絡(luò)非負矩陣分解的抑郁癥篩選方法

有效

• 申請?zhí)枺?/td>: 202011264495.0
• 申請日: 2020-11-12
• 公開（公告）號: CN112259228B
• 公開（公告）日: 2023-06-02
• 發(fā)明（設(shè)計）人: 柯亨進;劉志遠;紀鵬;劉天印;馬紅櫻
• 申請（專利權(quán)）人: 湖北理工學(xué)院
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06N3/0455;G06N3/0464;G06N3/084;G06F18/241;G06F17/15;G06F17/16
• 代理公司: 北京中創(chuàng)博騰知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11636
• 代理人: 李梅

本發(fā)明公開了一種動態(tài)注意力網(wǎng)絡(luò)非負矩陣分解的抑郁癥篩選方法，包括如下步驟：步驟1：對于截取的時間窗口內(nèi)的所有通道神經(jīng)數(shù)據(jù)，對于要處理的兩兩通道，分別取得相應(yīng)通道的神經(jīng)數(shù)據(jù)，記為X和Y，然后計算X和Y之間的最大信息系數(shù)；步驟2：根據(jù)自編碼器網(wǎng)絡(luò)，構(gòu)造步驟1中相關(guān)矩陣的非線性注意力；步驟3：根據(jù)步驟2，設(shè)計基于注意力的非負矩陣分解算法，對步驟1中所有時間窗口的相關(guān)矩陣CMMIC進行基于注意力的非負矩陣分解，得到分解后的因子矩陣W和H；步驟4：設(shè)計層次卷積神經(jīng)網(wǎng)絡(luò)，對步驟3所得到的分解因子矩陣進行分類。

技術(shù)領(lǐng)域

本發(fā)明涉及一種抑郁癥篩選方法，特別涉及一種動態(tài)注意力網(wǎng)絡(luò)非負矩陣分解的抑郁癥篩選方法。

背景技術(shù)

癲癇、帕金森和嚴重抑郁癥等腦健康問題持續(xù)受到科研工作者和醫(yī)療界的關(guān)注，其早診斷進而早治療在改善健康方面起著舉足輕重的作用。特別地，對于嚴重抑郁癥來說，準確的預(yù)知大腦狀態(tài)可以大大降低患者自殺的風(fēng)險，致使其成為神經(jīng)科學(xué)研究和臨床實踐所追求的目標(biāo)。同步現(xiàn)象廣泛存在于大腦各區(qū)域及其相互作用過程當(dāng)中，小到神經(jīng)元對之間，大到某個腦區(qū)內(nèi)部或者不同功能腦區(qū)之間。研究表明，對于認知功能受損的各種腦疾病而言，其往往呈現(xiàn)出與正常人不同的腦電同步模式。

矩陣分解將高維空間的特征映射到低維子空間中，常用的矩陣分解方法有主成分分析、線性判別分析、非負矩陣分解和奇異值分解等。其中，由于非負矩陣分解首次添加非負限制而具有解釋性良好而受到廣泛關(guān)注。在此基礎(chǔ)上，很多學(xué)者對其進行了算法改進。其主要的改進方向是增加正則條件：如稀疏性、圖正則、正交性等，并成功運用于圖像處理和神經(jīng)信息處理中。然而，這些方法假設(shè)數(shù)據(jù)服從均勻分布，只關(guān)注如何提高分解后數(shù)據(jù)的稀疏度，缺乏對感興趣特征的著重刻畫。注意力機制是當(dāng)前深度學(xué)習(xí)領(lǐng)域的最新成果，它可以幫助模型更好的捕捉和增強感興趣特征，從而優(yōu)化模型結(jié)構(gòu)。其主要機制是對輸入進行加權(quán)。注意力機制早在2014年成功應(yīng)用于機器翻譯任務(wù)中，之后受到廣大學(xué)者的關(guān)注，產(chǎn)生了很多形式的變體和改進算法。為了快速的對圖像的關(guān)鍵區(qū)域進行超分辨率分析，一種基于自適應(yīng)注意力機制的循環(huán)神經(jīng)網(wǎng)絡(luò)被提出，該模型通過自我強化的注意力機制自適應(yīng)選擇并提取圖像中的重點區(qū)域或位置點的相關(guān)特征，提升對圖像的識別率。在進行矩陣分解時獲取全局特征的同時引入自注意力機制充分了解細節(jié)信息提供了新思路。現(xiàn)有技術(shù)中，引入自注意力機制缺乏相關(guān)的應(yīng)用，對于不同模態(tài)特征的處理缺乏方法，導(dǎo)致抑郁癥的早期不能較早的發(fā)現(xiàn)。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種動態(tài)注意力網(wǎng)絡(luò)非負矩陣分解的抑郁癥篩選方法，應(yīng)用此注意力機制實現(xiàn)基于注意力機制的非負矩陣算法，該算法提取了相關(guān)矩陣的最重要的感興趣特征，最后設(shè)計分層卷積神經(jīng)網(wǎng)絡(luò)分類器實現(xiàn)不同模態(tài)特征的處理，并實現(xiàn)抑郁癥的早期發(fā)現(xiàn)，可以解決上述背景技術(shù)中提出的問題。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種動態(tài)注意力網(wǎng)絡(luò)非負矩陣分解的抑郁癥篩選方法，包括如下步驟：

步驟1：對于截取的時間窗口內(nèi)的所有通道神經(jīng)數(shù)據(jù)，對于要處理的兩兩通道，分別取得相應(yīng)通道的神經(jīng)數(shù)據(jù)，記為X和Y，然后計算X和Y之間的最大信息系數(shù)；

步驟2：根據(jù)自編碼器網(wǎng)絡(luò)，構(gòu)造步驟1中相關(guān)矩陣的非線性注意力；

步驟3：根據(jù)步驟2，設(shè)計基于注意力的非負矩陣分解算法，對步驟1中所有時間窗口的相關(guān)矩陣CMMIC進行基于注意力的非負矩陣分解，得到分解后的因子矩陣W和H；

步驟4：設(shè)計層次卷積神經(jīng)網(wǎng)絡(luò)，對步驟3所得到的分解因子矩陣進行分類。

進一步地，步驟1的計算方法如下：

給定一個有限數(shù)據(jù)集D以及雙變量有序?qū),Y,在x-y平面將x與y分別劃分成若干個小網(wǎng)格，即x×y網(wǎng)格G(b1,b2,...,bm)，然后根據(jù)不同的劃分求取相應(yīng)的互信息I(D/G)，對于所有的劃分，計算最大的互信息，公式如下：