[發明專利]識別大腦神經發育時變功能連接差異的方法、系統、設備及存儲介質

在審

• 申請號: 202110707741.3
• 申請日: 2021-06-24
• 公開（公告）號: CN113505528A
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 喬琛;楊嵐;李佳嘉;吳嬌;于愛菊;龔若林
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/08;G06N3/063
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 張海平

1.一種識別大腦神經發育時變功能連接差異的方法，其特征在于，包括：

構建稀疏深度字典學習模型；

對稀疏深度字典學習模型進行訓練，其中，在訓練過程中，稀疏深度自動編碼器從潛在空間的原始數據中學習字典，同時使用范數及KL散度執行稀疏正則化項；

利用訓練后的稀疏深度字典學習模型分析大腦神經發育時變功能連接差異。

2.根據權利要求1所述的識別大腦神經發育時變功能連接差異的方法，其特征在于，還包括：

獲取已備案的腦發育數據；

在腦發育數據中，將各個體與其對應的數據特征及其變化值匯總為一條單元數據，利用各個體對應的單元數據構建數據矩陣，所述數據矩陣包括樣本量N及樣本特征p；

將數據矩陣劃分為訓練集及測試集。

3.根據權利要求2所述的識別大腦神經發育時變功能連接差異的方法，其特征在于，利用訓練集及測試集對稀疏深度字典學習模型進行訓練。

4.根據權利要求1所述的識別大腦神經發育時變功能連接差異的方法，其特征在于，設定稀疏深度自動編碼器具有2L+1層，r(l)為第l層中的神經元數量，l＝0,1,Λ,2L，r(2L-l)＝r(l)，稀疏深度字典學習模型通過優化問題表示為：

其中，訓練集X＝[x₁,x₂,Λ,x_N]∈R^p×N，D＝[d₁,d₂,Λ,d_K]∈R^p×K為原始數據空間中X的字典，表示稀疏深度自編碼器的整個編碼及解碼過程，f_L(x_n)為樣本x_n在第L層中的激活或響應，V＝[v₁,v₂,Λ,v_N]∈R^K×N，v_n為每個樣本x_n的編碼的稀疏表示，x_n的編碼為f_L(x_n)，字典D的編碼為F_L(D)，為平均ρ的伯努利隨機變量與平均的伯努利隨機變量之間的KL散度，ρ為稀疏參數，為網絡第l層神經元j的平均激活值，為第l層與第l-1層之間的連接權重矩陣，為第l層的偏差，表示范數，J₁用于在通過最小化原始數據與其重構之間的誤差來獲得性能良好的深度自編碼器，J₂為學習潛在空間中數據的字典，J₃及J₄為控制神經元的激活的兩個正則化項，J₅和J₆為控制字典及表示的稀疏性，參數λ₁,λ₂,λ₃,λ₄用于平衡網絡擬合、字典學習及模型的復雜性。

5.根據權利要求4所述的識別大腦神經發育時變功能連接差異的方法，其特征在于，固定D,V，優化f_L,F_L,f_2L，更新字典W，優化問題轉換為：

其中，C₁為常數。

6.根據權利要求4所述的識別大腦神經發育時變功能連接差異的方法，其特征在于，固定f_L,F_L,f_2L,V，更新字典D，優化問題轉換為：

其中，C₂為常數。

7.根據權利要求4所述的識別大腦神經發育時變功能連接差異的方法，其特征在于，固定D,f_L,F_L,f_2L，更新V，優化問題重寫為：

其中，C₃為常數。