[發明專利]一種融合腦區因果特征的半監督自閉癥識別方法及系統

在審

• 申請號: 202110903085.4
• 申請日: 2021-08-06
• 公開（公告）號: CN113762346A
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 楊澤勤;黃曉楷;曾肖宇
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 劉俊

本發明為克服現有腦區智能識別方法需要大量有標記的樣本數據，識別方法無法揭示腦區間神經活動的因果效應的缺陷，提供一種融合腦區因果特征的半監督自閉癥識別方法及系統，包括基于頻譜動態因果模型，根據互譜密度進行貝葉斯推斷，從fMRI數據中發現腦區因果效應連接矩陣；根據腦區因果效應連接矩陣，通過遞歸式特征消除從因果效應連接矩陣中選取最優特征子集；基于少量標記數據和大量未標記數據訓練TSVM；將選取的一組最優特征子集輸入訓練好的TSVM，完成自閉癥兒童智能化識別。采用融合腦區因果特征的半監督自閉癥識別方法及其系統，不需要大量標記樣本，避免了人力物力資源的浪費，且揭示了腦區間神經活動的因果效應，使識別結果更具解釋性。

技術領域

本發明涉及腦區疾病智能識別領域，更具體地，涉及一種融合腦區因果特征的自閉癥識別方法及系統。

背景技術

現有的疾病智能識別方法大多基于機器學習、深度學習模型，從本質上說，這些模型是基于相關性建立的。但是在腦區網絡發現中，基于相關性得到的腦功能連接網絡僅描述了腦區間的統計相關性，無法揭示腦區間神經活動的因果效應。

針對次現象，國內外的學者提出了若干解決方法，且已取得了不錯的效果。羅國平等通過建立動態因果模型，在抑郁癥識別任務上取得了較好的分類效果(羅國平,劉剛,趙竟,姚志劍,盧青.基于動態因果模型中功能連接的抑郁癥識別(英文).Journal ofSoutheast University(English Edition).2011)。

然而，該識別方法的學習模型屬于監督學習，監督學習需要獲取大量有標記的樣本數據，這在許多實際問題中是不可行的，且獲取大量的標記樣本數據也會造成大量的人力物力資源的浪費。

發明內容

本發明為克服上述現有技術所述的識別方法需要大量有標記的樣本數據，識別方法無法揭示腦區間神經活動的因果效應的缺陷，提供一種融合腦區因果特征的半監督自閉癥識別方法及系統。

為解決上述技術問題，本發明的技術方案如下：

第一個方面，本發明提出一種融合腦區因果特征的半監督自閉癥識別方法，包括以下步驟：

S1：基于頻譜動態因果模型，根據互譜密度進行貝葉斯推斷，從fMRI數據中發現腦區因果效應連接矩陣；

S2：基于腦區因果效應連接矩陣，通過遞歸式特征消除從腦區因果效應連接矩陣中選取最優特征子集；

S3：采用少量標記數據和大量未標記數據訓練TSVM(Transductive SupportVector Machines，直推式支持向量機)；

S4：將選取的最優特征子集輸入訓練好的TSVM，TSVM輸出自閉癥識別結果。

優選地，S1步驟中，基于頻譜動態因果模型，根據互譜密度進行貝葉斯推斷，從fMRI數據中發現腦區因果效應連接矩陣，具體包括以下步驟：

S1.1：對fMRI數據記錄的BOLD信號的生成過程，在時域上，使用狀態空間模型對神經活動狀態方程和血液動力學狀態方程進行建模，其公式如下所示：

z(t)＝g(a,θ)+e(t)

其中，為t時刻的神經活動狀態對時間的導數，A為腦區因果效應連接矩陣，z(t)為t時刻的fMRI數據記錄的BOLD信號，a(t)為t時刻的神經活動狀態，v(t)為t時刻的內源性波動，e(t)為t時刻的觀測噪聲，g(a,θ)為描述神經活動狀態a如何通過血液動力學狀態影響到BOLD信號的函數，θ為該過程涉及的參數；

S1.2：將S1.1步驟的時域建模過程轉換到頻域，對內源性波動和觀測噪聲建模，其公式如下所示：