[發明專利]一種基于深度哈希互學習的腦網絡分類方法

在審

• 申請號: 202310522896.9
• 申請日: 2023-05-10
• 公開（公告）號: CN116543215A
• 公開（公告）日: 2023-08-04
• 發明（設計）人: 冀俊忠;張雅琴
• 申請（專利權）人: 北京工業大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06V10/40;G06V10/74;G06N3/042;G06N3/0464;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 王兆波

本發明公開了一種基于深度哈希互學習的腦網絡分類方法，包括：數據預處理和腦功能網絡構建；腦網絡數據劃分；基于深度哈希學習的個體特征提取；基于深度哈希學習的群體特征提取；基于哈希碼的互學習；基于哈希碼的分類。本發明首次考慮到群體腦網絡中的表型標簽差異，采用表型標簽構建群體腦網絡關系圖，提出一種基于GCN的深度哈希學習模型提取腦網絡的群體特征；并考慮到腦網絡個體特征和群體特征間的關系，采用基于深度哈希互學習的腦網絡分類方法通過個體特征和群體特征之間的互學習來增強特征的辨別能力。本方法與其他方法相比，分類性能更優。

技術領域

本發明涉及腦科學領域中的腦網絡分類技術，主要是通過兩個深度哈希學習模型間的相互學習，實現個體腦網絡特征和群體腦網絡特征的交互，設計一種基于深度哈希互學習的腦網絡分類方法。

背景技術

在腦科學中，腦功能網絡分類是指通過對人腦功能網絡數據進行特征挖掘和分析來自動判斷受試者是否患有腦神經疾病的技術，為腦疾病發病機理的理解和早期診斷提供了有效的工具，因而具有重要的研究與應用價值。近年來，由于靜息態功能磁共振(resting-state?functional?magnetic?resonance?imaging,rs-fMRI)技術能夠揭示大腦自發的功能性活動規律而被多用于腦功能網絡的構建。構建的腦功能網絡由節點和邊構成，其中節點對應于大腦中的神經元、神經元簇、腦區或者感興趣區域(RegionofInterest,ROI)，邊通常被定義為各節點對間的連接關系，也稱為功能連接(functionalconnectivity,FC)，邊的權重為FC強度。后文用腦網絡指代腦功能網絡。

目前，最流行的是基于機器學習的腦網絡分類方法，主要包括傳統的機器學習方法和深度學習方法。在傳統的機器學習方法中，使用最廣泛的是支持向量機(supportvector?machine,SVM)和最小絕對收縮和選擇算子(least?absolute?shrinkage?andselection?operator,LASSO)，但它們都屬于淺層模型，在面對高維的腦網絡數據時，由于特征提取能力不足導致分類性能較差。近年來，深度學習方法由于可以通過對原始腦網絡的逐層處理來學習更豐富、更深層次的特征，在腦網絡分類中受到越來越多的關注。2017年，Kawahara等人提出了一種名為BrainNetCNN的卷積神經網絡(Convolutional?NeuralNetwork,CNN)框架，它設計了邊到邊、邊到點、點到圖三種卷積濾波器提取大腦網絡的特征。實驗結果表明，BrainNetCNN框架提取的腦網絡特征可用于臨床神經發育結果的預測。2018年，Heinsfeld等人一種基于深度神經網絡(Deep?Neural?Networks,DNN)的模型，它根據大腦激活模式識別自閉癥(Autistic?Spectrum?Disorder,ASD)患者。實驗結果表明，DNN模型可以提高ASD的識別準確率，并識別出最有助于區分ASD患者與健康對照的大腦區域。2019年，Ju等人提出了一種基于堆疊稀疏自編碼(stacked?sparse?autoencoding,SSAE)方法的框架，用于區分正常衰老和輕度認知障礙，并且與傳統的機器學習方法相比在分類準確率上有了顯著的提高。2020年，Xing等人提出了一種新的基于自適應多任務CNN的腦網絡分類方法(adaptive?multi-task?CNN,AMTCNN)，并在ASD患者與健康對照的分類中取得了較好的效果。2021年，Ji等人提出了一種具有逐元素加權機制(element-wise?weightingmechanism，CKEW)的新型卷積核以及一種基于CKEW的CNN分類框架。實驗結果表明，該框架可以更準確地分類腦網絡，并識別出與腦部疾病相關的異常連接模式。2022年，Ji等人利用診斷和臨床表型標簽構建語義空間，并結合腦網絡在語義空間的臨近關系提出了一種基于深度圖哈希學習的腦功能網絡分類方法(brain?network?classification?based?on?deepgraph?hashing?learning,BNC-DGHL)。在三個數據集上的實驗結果表明，該方法能獲得更優的分類性能，這也展示了表型標簽在腦網絡分類中的重要輔助作用。然而，現有的方法只考慮了個體腦網絡之間的表型標簽差異，忽略了群體腦網絡之間的表型標簽差異。事實上，在分類任務中，群體腦網絡之間的表型標簽差異與分類結果更相關。例如，僅憑單個被試腦網絡的性別標簽無法判斷被試是否患有ASD，但根據一組被試腦網絡的性別標簽差異就很容易推斷出男性比女性更容易患ASD。也就是說，群體腦網絡的表型特征比個體腦網絡的表型特征更具有辨別力。