[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

本發明公開了一種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，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Tl1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，該方法、系統、設備及存儲介質能夠識別大腦神經發育時變功能連接差異，同時將深度學習在高級非線性特征提取中的優勢和字典學習的可解釋性結合。

技術領域

本發明屬于數據處理領域，涉及一種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。

背景技術

大部分字典學習分析功能連接(FC)/動態功能連接(dFC)都是基于線性字典學習的，其忽略了數據的非線性結構或更高層次的特征。為了解決這個問題，核技巧被引用進而得到非線性映射，然后在變換空間中進行字典學習，但這種方法的可解釋性比較有挑戰性。基于深度模型的字典學習也被提出來，Sulam等人提出了一種多層卷積稀疏編碼模型，以從串行卷積字典的多層線性組合中學習全局字典。Tariyal等人使用了一種具有線性多層策略的貪婪深度字典學習來學習數據的分層表示。胡峻林等人提出了一種基于深度自編碼器網絡的非線性字典學習模型，從中學習字典和編碼數據的稀疏表示。Mahdizadehaghdam等人利用互信息疊加多層線性字典和更新每層字典，建立深度字典學習模型。上述方法都是通過字典學習來探索基于多層模型的數據的內在結構。然而，它們要么基于多層線性模型，要么只適合于分類，無法有效地獲取非線性潛在結構或從數據中識別可區分的特征。因此，有必要尋求一個將深度學習在高級非線性特征提取中的優勢和字典學習的可解釋性結合的方法，來解決這個問題。

發明內容

本發明的目的在于克服上述現有技術的缺點，提供了一種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，該方法、系統、設備及存儲介質能夠識別大腦神經發育時變功能連接差異，同時將深度學習在高級非線性特征提取中的優勢和字典學習的可解釋性結合。

為達到上述目的，本發明所述的識別大腦神經發育時變功能連接差異的方法包括：

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。

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。

利用訓練集及測試集對稀疏深度字典學習模型進行訓練。

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：