一种基于深度展开神经网络的孤独症谱系障碍识别模型制造技术

本发明专利技术属于认知障碍领域，具体涉及一种基于深度展开神经网络的孤独症谱系障碍识别模型，该模型的构建过程包括：使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，对不可微部分定义一个近端算子将优化问题转换为迭代公式；用深度展开算法将迭代公式中的近端算子替换为双层卷积层，则迭代公式重建为迭代网络，得到迭代网路模块；将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器；将迭代网路模块和基于原型学习的卷积神经网络分类器组合，得到障碍识别模型；训练模型并测试模型性能，得到最优的障碍识别模型；本发明专利技术提高了网络模型的拟合能力和泛化能力，进一步提高了识别疾病的准确率。确率。确率。

【技术实现步骤摘要】
一种基于深度展开神经网络的孤独症谱系障碍识别模型


[0001]本专利技术属于认知障碍领域，具体涉及一种基于深度展开神经网络的孤独症谱系障碍识别模型。

技术介绍

[0002]大脑是一个复杂的动态系统，其发育变化与人类的高阶认知能力密切相关。在许多神经发育障碍和皮质发育畸形疾病中都能观察到异常的大脑皮层形态。脑沟模式不仅表现了大脑皮层的多种属性，还反映多个脑沟间的空间、几何和拓扑关系，而研究这种模式有助于认识皮层功能区及底层白质纤维连接的优化组织和排列方式。全局脑沟模式的变化反映了早期大脑发育的变化，并表现为认知功能、人格特征或精神障碍的个体间差异。因此，研究脑沟模式对深入认识大脑正常的发育机制，或神经发育障碍疾病的发病机制具有重要的学术意义和临床应用价值。
[0003]目前大多使用的技术在于求解带有生物学先验知识的脑功能网络优化问题以揭示大脑不同区域的关联性，并使用脑血氧水平依赖性构建脑功能网络并分类。传统的基于节点相关性的方法能有效地展示节点之间地相关程度，但是存在大量地冗余信息。改进后的基于稀疏表示的优化算法能有效地减少没用的节点连接，但是没有结合领域知识。除此之外，随着研究的进一步展开基于传统模型的算法出现了拟合能力较差，要达到较好的实验效果比较依赖大量手动的特征提取等问题。
[0004]现有技术问题：孤独症谱系障碍识别准确率较低、准确提取脑功能网络特征较难、脑功能网络构建和特征提取过程复杂。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种基于深度展开神经网络的孤独症谱系障碍识别模型，该模型的构建过程包括：
[0006]获取静息态功能性磁共振成像技术表征的脑血氧水平依赖性信号；
[0007]使用用于关系分析的可配置管道方法对静息态功能性磁共振成像技术表征的脑血氧水平依赖性信号进行预处理，根据AAL分区模板将脑血氧水平依赖性的三维图像信号转换为二维时间序列信号，并将每个二维时间序列信号归一化，再将所有归一化后的二维时间序列信号按9:1的比例分为训练集和测试集；
[0008]使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，对不可微部分定义一个近端算子将优化问题转换为迭代公式；
[0009]用深度展开算法将迭代公式中的近端算子替换为双层卷积层，则迭代公式重建为迭代网络，得到迭代网路模块，迭代次数为迭代网路模块的个数；
[0010]将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器；
[0011]将迭代网路模块和基于原型学习的卷积神经网络分类器组合，得到碍识别模型，
使用训练集训练模型并通过测试集测试模型性能，得到最优的障碍识别模型。
[0012]优选的，使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，表示为：
[0013][0014]其中，表示优化问题中的可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，W
k
表示可微部分第k次迭代后的大脑不同分区的连接强度矩阵，α表示迭代步长，λ1表示空间信息先验的控制参数，X表示脑血氧水平依赖性的时间序列信号，D表示一个用于辅助计算的对角矩阵，S表示大脑不同分区之间连接拓扑的相似性。
[0015]优选的，对不可微部分定义一个近端算子将优化问题转换为迭代公式，表示为：
[0016][0017]其中，prox(
·
)表示近端算子，W
k+1
表示优化问题中的不可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，表示优化问题中的可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，W
k
表示可微部分第k次迭代后的大脑不同分区的连接强度矩阵，α表示迭代步长，λ1表示空间信息先验的控制参数，X表示脑血氧水平依赖性的时间序列信号，D表示一个用于辅助计算的对角矩阵，S表示大脑不同分区之间连接拓扑的相似性。
[0018]优选的，迭代网路模块，包括：
[0019]迭代公式中未知表示的近端算子prox(
·
)用双层卷积层代替，两个卷积层之间通过ReLU激活函数连接，卷积层的都采用了3
×
3的大小卷积核，并设置了边缘填充以保持维度大小不变，第一个卷积层设置32个卷积核特征，步长α和控制参数λ1通过网络学习自适应改变其数值，整个网路模块通过网络训练来自主学习近端算子的表示方法，获得更符合类别标签的特征表示。
[0020]优选的，将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器，具体包括：
[0021]在分类器中使用4层卷积提取特征，池化层用于下采样，卷积层使用的过滤器数量分别为：64、64、32、1；每个池化操作后使用RELU函数激活并正则化，卷积池化层后将图展开成一维输入到全连接层，全连接层一共四层，其中有两层隐藏层，他们的神经元个数分别为：10、64、32、2；每一层后都有ReLU激活函数；为了避免过拟合，全连接层中有Dropout操作；全连接层后连接原型学习，给每个类别设置多个原型，利用原型训练网络参数，分类器的损失函数使用了基于距离的交叉熵损失函数，将输出与各个原型之间的最短欧氏距离作为分类依据，距离某一类原型越近，属于其类别的可能性越高，同时，整个网络使用ADAM作为优化器，学习率设置为0.0001，Dropout项随机丢弃的概率为0.5，权值衰减参数设置为0.0001。
[0022]进一步的，给每个类别设置多个原型，利用原型训练网络参数，表示为：
[0023][0024]其中，preclass表示模型最终预测的类别，f(x；θ)表示分类器中特征提取网络的输出，x代表分类器中特征提取网络的输入，θ代表中分类器中特征提取网络网络参数，m
ij
表示每个原型，C表示类别个数，K表示每个类别的原型个数。
[0025]进一步的，基于距离的交叉熵损失函数，表示为：
[0026][0027]其中，loss(x,θ,m)表示基于距离的交叉熵损失函数，d()表示模型输出和原型的相似程度，γ表示概率分配难度的超参数，x代表分类器中特征提取网络的输入，θ代表中分类器中特征提取网络的网络参数，m表示类别的原型，m
ij
表示第i类的第j个每个原型，C表示类别个数，K表示每个类别的原型个数，k表示类别序号，l表示原型序号，e表示自然常数，m
kl
表示第k类的第l个原型。
[0028]优选的，设置batch大小为32，将训练集中的数据输入建立好的障碍识别模型并经过shuffle过程，数据每次迭代都输入一个batch的数据样本，数据经过8个迭代网络模块后输出大小为N
×
N的脑功能网络特征图，再经过四层卷积层提取成5
×
5的特征图，将5
×
5的特征图展开为1
×
10的向量并经过三层全连接层获得最终结果，在获得结果的同时每个标签类别训练了两个原型，利用基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，该模型的构建过程包括：获取静息态功能性磁共振成像技术表征的脑血氧水平依赖性信号；使用用于关系分析的可配置管道方法对静息态功能性磁共振成像技术表征的脑血氧水平依赖性信号进行预处理，根据AAL分区模板将脑血氧水平依赖性的三维图像信号转换为二维时间序列信号，并将每个二维时间序列信号归一化，再将所有归一化后的二维时间序列信号按9:1的比例分为训练集和测试集；使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，对不可微部分定义一个近端算子将优化问题转换为迭代公式；用深度展开算法将迭代公式中的近端算子替换为双层卷积层，则迭代公式重建为迭代网络，得到迭代网路模块，迭代次数为迭代网路模块的个数；将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器；将迭代网路模块和基于原型学习的卷积神经网络分类器组合，得到障碍识别模型，使用训练集训练模型并通过测试集测试模型性能，得到最优的障碍识别模型。2.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，表示为：其中，表示优化问题中的可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，W
k
表示可微部分第k次迭代后的大脑不同分区的连接强度矩阵，α表示迭代步长，λ1表示空间信息先验的控制参数，X表示脑血氧水平依赖性的时间序列信号，D表示一个用于辅助计算的对角矩阵，S表示大脑不同分区之间连接拓扑的相似性。3.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，对不可微部分定义一个近端算子将优化问题转换为迭代公式，表示为：其中，prox(
·
)表示近端算子，W
k+1
表示优化问题中的不可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，表示优化问题中的可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，Wk表示可微部分第k次迭代后的大脑不同分区的连接强度矩阵，α表示迭代步长，λ1表示空间信息先验的控制参数，X表示脑血氧水平依赖性的时间序列信号，D表示一个用于辅助计算的对角矩阵，S表示大脑不同分区之间连接拓扑的相似性。4.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，迭代网路模块，包括：迭代公式中未知表示的近端算子prox(
·
)用双层卷积层代替，两个卷积层之间通过ReLU激活函数连接，卷积层的都采用了3
×
3的大小卷积核，并设置了边缘填充以保持维度大小不变，第一个卷积层设置32个卷积核特征，步长α和控制参数λ1通过网络学习自适应改
变其数值，整个网路模块通过网络训练来自主学习近端算子的表示方法，获得更符合类别标签的特征表示。5.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，将卷积神经网络分类器融入原型学习，得到...

【专利技术属性】
技术研发人员：雷大江，张涛，刘晨，史春梦，王国胤，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：