[發明專利]一種基于機器學習算法的精神性腦疾病預測模型建立方法

在審

• 申請號: 202211220974.1
• 申請日: 2022-10-08
• 公開（公告）號: CN115714026A
• 公開（公告）日: 2023-02-24
• 發明（設計）人: 彭朋;烏梅杰;李初晴
• 申請（專利權）人: 陜西科技大學
• 主分類號: G16H50/50
• 分類號: G16H50/50;G06N3/0475;G06N3/08
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 季海菊

一種基于機器學習算法的精神性腦疾病預測模型建立方法，基于組信息指導的獨立成分分析(GIG?ICA)方法提取腦功能網絡；在此基礎上，采用生成式對抗神經網絡(GAN)生產模擬的全腦功能連接向量，以解決影像數據的小樣本問題帶來的數據構建的預測模型存在嚴重的過擬合以及容易出現對精神疾病假陽性或者假陰性的預測；基于多層特征選擇，從真實和模擬的全腦功能連接向量中選擇對腦疾病預測具有高判別性的特征，構建腦疾病預測模型；本發明以患者的靜息態功能磁共振成像數據為基礎，將機器學習算法和醫學影像技術相結合，輔助臨床醫生對精神疾病的預測和評估，提高預測評估的準確性。

技術領域

本發明涉及機器學習領域，具體涉及一種基于機器學習算法的精神性腦疾病預測模型建立方法。

背景技術

以精神分裂癥、抑郁癥為代表的精神疾病均具有很高的發病率、致殘率和致死率；但是目前，對精神疾病的評估還主要依靠臨床醫生的經驗和量表調查，尚缺乏客觀的評估方法。

專利申請CN112037911A公開了一種基于機器學習的精神評估的篩查系統及其訓練方法，其中，基于機器學習的精神評估的篩查系統的訓練方法包括第一分類模型的訓練和第二分類模型的訓練兩個步驟，第一分類模型的訓練從第一樣本數據中選取第一有效樣本數據和選取多個特征項作為第一特征項列表，構建第一特征數據集并利用第一特征數據集去訓練和測試第一分類模型，將性能最優的第一分類模型的M個特征項作為第二特征項列表；第二分類模型的訓練從第二樣本數據選取第二有效樣本數據，構建第二特征數據集并利用第二特征數據集訓練和測試第二分類模型；并且選出性能最優的第二分類模型和對應的L個特征項。該發明采用單一的特征提取對抑郁癥進行識別，不具有對精神性腦病泛化評估。

發明內容

為了克服上述現有技術存在的缺陷，本發明的目的在于提出一種基于機器學習算法的精神性腦疾病預測模型建立方法，首先基于組信息指導的獨立成分分析(GIG-ICA)方法構建被試的全腦功能連接向量；在此基礎上，采用生成式對抗神經網絡(GAN)構建模擬的全腦功能連接向量，以解決影像數據的“小樣本”問題；最后，基于多層特征選擇，從真實和模擬的全腦功能連接向量中選擇對腦疾病預測評估具有高判別性的特征，構建腦疾病預測模型，提高精神性腦疾病臨床預測評估的準確性。

為了達到上述目的，本發明采用的技術方案為：

一種基于機器學習算法的精神性腦疾病預測模型建立方法，基于組信息指導的獨立成分分析(GIG-ICA)方法提取腦功能網絡；在此基礎上，采用生成式對抗神經網絡(GAN)生產模擬的全腦功能連接向量；最后，基于多層特征選擇，從真實和模擬的全腦功能連接向量中選擇對腦疾病預測具有高判別性的特征，構建腦疾病預測模型。

所述基于機器學習算法的精神性腦疾病預測模型建立方法，具體包括以下步驟：

步驟1、采用GIG-ICA方法提取腦功能網絡；

步驟2、基于步驟1提取的腦功能網絡，采用生成式對抗神經網絡GAN生成模擬的全腦功能連接向量；

步驟3、基于多層特征選擇，從真實和模擬的全腦功能連接向量中選擇對腦疾病預測具有高判別性的特征，構建腦疾病預測模型。

所述步驟1的具體方法為：

使用GIG-ICA從fMRI數據中提取多個獨立成分(IC)，其中每個 IC都可以視為一個網絡節點；通過計算IC之間的相關性，構建全腦功能連接矩陣，以提取每個被試的全腦功能連接向量其中， l₁表示樣本個數，p表示全腦功能連接向量的特征數目；