基于流形学习的脑网络多尺度小波分析方法、装置及介质制造方法及图纸

本发明专利技术公开了一种基于流形学习的脑网络多尺度小波分析方法、装置及介质，通过T1

【技术实现步骤摘要】
基于流形学习的脑网络多尺度小波分析方法、装置及介质


[0001]本专利技术涉及脑网络
，尤其涉及一种基于流形学习的脑网络多尺度小波分析方法、装置及介质。

技术介绍

[0002]构建人脑网络是研究人们认知功能内在机制和认识神经疾病异常生理功能本质所必不可少的基础。随着现代成像技术和网络分析方法的发展，弥散加权核磁共振成像(Diffusion
‑
Weighted Magnetic Resonance Imaging，DW
‑
MRI)和示踪成像技术为人们研究人脑特征提供了一种无侵入式测量方法，这更符合解剖学上的连接意义。此外，人类连接组已经从宏观到微观的各个层次上全面的刻画了人脑神经结构网络图谱，这为挖掘大脑结构网络的连接规律提供了基础。
[0003]脑网络的图论分析为分析脑网络的局部特征和全局特征提供了新的见解，譬如与网络模块高度相关的小世界属性和网络集合属性，与拓扑结构高度相关的聚类度和路径长度。此外，这些指标在神经科学中被用来描述脑网络的拓扑属性，进而理解脑认知功能的工作机制和患病原理的生理本质，具有非常重要的科学意义。现如今网络科学在脑部疾病的应用已取得一些重要成果，例如，网络科学在阿尔茨海默病(Alzheimer
′
s disease，AD)、多发性硬化症、创伤性脑损伤和癫痫等疾病中的应用的最新发展重新定义了神经系统疾病的“局部”或“全局”的经典概念，并指出神经枢纽的过载和故障可能是导致神经系统疾病的决定性因素。
[0004]目前，现有技术中，网络神经科学已经在理解脑功能以及与神经疾病发展有关的认知和行为的神经生物学基础方面有了全面的研究；但由于神经网络调控机制的复杂性导致很少有技术结合现有的神经生物学基础进行研究；其次，脑网络作为一个复杂网络，具有小世界网络的小世界属性和无标度网络的中心性，即使网络科学的发展使得复杂网络的数学表示更加简洁，但如何将这些特性整合到脑网络的框架中依然具有很大的挑战性。

技术实现思路

[0005]本专利技术提供一种基于流形学习的脑网络多尺度小波分析方法、装置及介质，以解决现有技术中脑网络研究存在的缺陷，能够结合考虑脑网络的分层模块性和网络节点的中心性，基于流形学习来计算脑网络组的均值能更好的维持网络的几何拓扑结构。
[0006]为了实现上述目的，第一方面，本专利技术实施例提供了一种基于流形学习的脑网络多尺度小波分析方法，包括：
[0007]获取人脑的T1
‑
weighted MRI和DW
‑
MRI图像；
[0008]通过所述T1
‑
weighted MRI和DW
‑
MRI图像，结合Desctrieux图谱和基于表面种子的概率纤维束成像技术得到对应的初始邻接矩阵，计算所有初始邻接矩阵的最小生成树，得到平均邻接矩阵，从而得到所述平均邻接矩阵的拉普拉斯矩阵；
[0009]根据所述平均邻接矩阵的节点度、介数、PageRank和分配系数从所述脑网络中选
取若干个节点；计算所选取的节点上不同尺度下的掩码；
[0010]选取所述多个不同尺度下的若干个掩码，随机初始化多尺度小波，根据图拉普拉斯矩阵的特征向量构建所述多尺度小波的目标函数，通过幂迭代法求解所述平均邻接矩阵的拉普拉斯矩阵的特征向量相关的目标函数，得到最优的多尺度小波；
[0011]将所述最优的多尺度小波作为基底，通过将脑网络中的蛋白信号投影到所述最优的多尺度小波上，得到关于所述脑网络新的生物标志物信号。
[0012]作为上述方案的改进，所述通过所述T1
‑
weighted MRI和DW
‑
MRI图像，结合Desctrieux图谱和基于表面种子的概率纤维束成像技术得到对应的初始邻接矩阵，计算所有初始邻接矩阵的最小生成树，得到平均邻接矩阵，从而得到所述平均邻接矩阵的拉普拉斯矩阵，具体包括：
[0013]通过所述T1
‑
weighted MRI和DW
‑
MRI图像，结合Desctrieux图谱和基于表面种子的概率纤维束成像技术得到对应的初始邻接矩阵，计算所有初始邻接矩阵的最小生成树，得到平均邻接矩阵，从而得到所述平均邻接矩阵的拉普拉斯矩阵；
[0014]其中，所述初始邻接矩阵为{W
s
|s∈1，
…
，S}，s为第s个所述脑网络样本，S为所有脑网络的样本数目；所述最小生成树为所述平均邻接矩阵所述拉普拉斯矩阵为所述拉普拉斯矩阵为是的度矩阵。
[0015]作为上述方案的改进，所述选取所述多个不同尺度下的若干个掩码，随机初始化多尺度小波，根据图拉普拉斯矩阵的特征向量构建所述多尺度小波的目标函数，通过幂迭代法求解所述平均邻接矩阵的拉普拉斯矩阵的特征向量相关的目标函数，得到最优的多尺度小波，具体包括：
[0016]选取所述多个不同尺度下的若干个掩码，随机初始化多尺度小波，根据图拉普拉斯矩阵的特征向量构建所述多尺度小波的目标函数；
[0017]通过幂迭代法求解所述平均邻接矩阵的拉普拉斯矩阵的特征向量相关的目标函数，得到最优的多尺度小波；
[0018]其中，所述多尺度小波为且m为从所述脑网络中选取的节点数，所述(K*Q)表示所选取的每个节点的K个不同尺度下选取的Q个小波，j为所述脑网络中第j个多尺度小波，I是单位矩阵；
[0019]所述目标函数为
[0020][0021][0022]式中，Ψ是的特征向量矩阵，μ1，μ2是超参数，K表示所述多尺度小波涉及的尺度的个数，k表示所述多尺度小波的第k个尺度，u
j，k
为所述第j个节点上第k个尺度下的掩码，
[0023][0024]作为上述方案的改进，所述通过幂迭代法求解所述平均邻接矩阵的拉普拉斯矩阵的特征向量相关的目标函数，得到最优的多尺度小波，具体包括：
[0025]a：将所述目标函数简化为第二目标函数
[0026]b：通过最大化所述第二目标函数，求解所述多尺度小波Ω
j
，即Ω
j
＝UV
T
；
[0027]重复迭代所述步骤a和b直到所述第二目标函数收敛即可得到最优的多尺度小波；
[0028]其中，α为所述多尺度小波Ω
j
的特征值，U和V分别是M
j
的SVD分解的左特征矩阵和右特征矩阵。
[0029]作为上述方案的改进，所述根据所述平均邻接矩阵的节点度、介数、PageRank和分配系数从所述脑网络中选取若干个节点；计算所选取的节点上多个不同尺度下的掩码，具体为：
[0030]根据所述平均邻接矩阵的节点度、介数、PageRank和分配系数从所述脑网络中选取m个节点；计算选取的m个节点上K个不同尺度下的掩码{u
j，k
|j＝1，
…
，m；k＝1，
…
，K}，其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于流形学习的脑网络多尺度小波分析方法，其特征在于，包括：获取人脑的T1
‑
weighted MRI和DW
‑
MRI图像；通过所述T1
‑
weighted MRI和DW
‑
MRI图像，结合Desctrieux图谱和基于表面种子的概率纤维束成像技术得到对应的初始邻接矩阵，计算所有初始邻接矩阵的最小生成树，得到平均邻接矩阵，从而得到所述平均邻接矩阵的拉普拉斯矩阵；根据所述平均邻接矩阵的节点度、介数、PageRank和分配系数从所述脑网络中选取若干个节点；计算所选取的节点上不同尺度下的掩码；选取多个所述不同尺度下的若干个掩码，随机初始化多尺度小波，根据图拉普拉斯矩阵的特征向量构建所述多尺度小波的目标函数，通过幂迭代法求解所述平均邻接矩阵的拉普拉斯矩阵的特征向量相关的目标函数，得到最优的多尺度小波；将所述最优的多尺度小波作为基底，通过将脑网络中的蛋白信号投影到所述最优的多尺度小波上，得到关于所述脑网络新的生物标志物信号。2.如权利要求1所述的基于流形学习的脑网络多尺度小波分析方法，其特征在于，所述通过所述T1
‑
weighted MRI和DW
‑
MRI图像，结合Desctrieux图谱和基于表面种子的概率纤维束成像技术得到对应的初始邻接矩阵，计算所有初始邻接矩阵的最小生成树，得到平均邻接矩阵，从而得到所述平均邻接矩阵的拉普拉斯矩阵，具体包括：通过所述T1
‑
weighted MRI和DW
‑
MRI图像，结合Desctrieux图谱和基于表面种子的概率纤维束成像技术得到对应的初始邻接矩阵，计算所有初始邻接矩阵的最小生成树，得到平均邻接矩阵，从而得到所述平均邻接矩阵的拉普拉斯矩阵；其中，所述初始邻接矩阵为{W
s
|s∈1,...,S}，s为第s个所述脑网络样本，S为所有脑网络的样本数目；所述最小生成树为所述平均邻接矩阵所述拉普拉斯矩阵为所述拉普拉斯矩阵为是的度矩阵。3.如权利要求1所述的基于流形学习的脑网络多尺度小波分析方法，其特征在于，所述选取所述多个不同尺度下的若干个掩码，随机初始化多尺度小波，根据图拉普拉斯矩阵的特征向量构建所述多尺度小波的目标函数，通过幂迭代法求解所述平均邻接矩阵的拉普拉斯矩阵的特征向量相关的目标函数，得到最优的多尺度小波，具体包括：选取所述多个不同尺度下的若干个掩码，随机初始化多尺度小波，根据图拉普拉斯矩阵的特征向量构建所述多尺度小波的目标函数；通过幂迭代法求解所述平均邻接矩阵的拉普拉斯矩阵的特征向量相关的目标函数，得到最优的多尺度小波；其中，所述多尺度小波为且m为从所述脑网络中选取的节点数，所述(K*Q)表示所选取的每个节点的K个不同尺度下选取的Q个小波，j为所述脑网络中第j个多尺度小波，I
(K*Q)
×
(K*Q)
是单位矩阵；所述目标函数为
式中，Ψ是的特征向量矩阵，μ1,μ2是超参数，K表示所述多尺度小波涉及的尺度的个数，k表示所述多尺度小波的第k个尺度，u
j,k
为所述第j个节点上第k个尺度下的掩码，4.如权利要求3所述的基于流形学习的脑网络多尺度小波分析方法，其特征在于，所述通过幂迭代法求解所述平均邻接矩阵的拉普拉斯矩阵的特征向量，得到最优的多尺度小波，具体包括：a：将所述目标函数简化为第二目标函数b：通过最大化所述第二目标函数，求解所述多尺度小波Ω
j
，即Ω
j
＝UV
Y
；重复迭代所述步骤a和b直到所述第二目标函数收敛即可得到最优的多尺度小波；其中，α为所述多尺度小波Ω
j
的特征值，U和V分别是M...

【专利技术属性】
技术研发人员：陈佳洲，蔡宏民，刘欢，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：