【技术实现步骤摘要】
本专利技术属于脑科学研究领域，针对基于动态功能连接的计算机辅助诊断脑疾病目标，设计了一种基于卷积双向门控循环单元的动态功能连接分类方法。
技术介绍
1、静息态功能磁共振成像(resting state functional magnetic resonanceimaging，rs-fmri)是一种非侵入的神经成像技术，可以测量每个大脑感兴趣区域(regionofinterest，roi)的血氧水平依赖(blood oxygen level dependent，bold)信号。不同roi的bold信号之间的相关系数(如皮尔逊相关系数)量化了roi之间的功能相似性，被称为功能连接(functional connectivity，fc)。功能连接在大脑的认知过程中起着关键作用。一些研究表明，许多脑部疾病，如注意力缺陷多动障碍(attention deficit hyperactivitydisorder，adhd)、自闭症谱系障碍(autism spectrum disorder，asd)和阿尔茨海默病(alzheimer's disease，ad)都伴随着fc的断开和异常。因此，fc分类的研究备受研究者们关注，他们通常采用机器学习方法提取fc的各种特征进行分类，从而提取生物标志物进行脑疾病诊断。
2、fc包含静态功能连接(static functional connectivity，sfc)和动态功能连接(dynamic functional connectivity,dfc)。sfc量化了整个fmri时间序列内不同ro
3、目前，已经出现了许多dfc分类方法。它们可被分为基于传统机器学习的方法和基于深度学习的方法。早期阶段，研究人员通常首先通过主成分分析(principal componentanalysis,pca)、独立成分分析(independent component analysis,ica)、k-means等传统机器学习方法从dfc数据中提取特征，然后使用支持向量机(support vector machines,svm)进行分类。尽管这些方法易于构造且具有良好的可解释性，但它们提取到的浅层特征的判别力较差，且没有考虑到dfc的动态特性。因此，基于传统机器学习的dfc分类方法的性能有待进一步提升。
4、近年来，由于深度学习方法能够从数据中提取深度特征而被用于dfc分类。它主要包括三种：基于循环神经网络(recurrent neural network,rnn)的方法，基于深度自编码器(autoencoder,ae)的方法和基于卷积神经网络(convolutional neural network,cnn)的方法。其中基于rnn的方法将每个时刻fc矩阵的上三角矩阵拉直为向量，然后使用长短期记忆网络(long short term memory，lstm)提取其长短期依赖信息进行分类，提高了分类性能。然而这种方法没有考虑到每个时刻fc网络的拓扑特征，且fc的高维特性导致其过拟合现象严重，难以提取长时依赖信息。基于ae的方法使用深度自编码器提取每个时刻fc的深度特征，然后使用这些特征训练全连接神经网络进行分类。这种方法在自编码器提取fc特征的过程中降低了特征维度，一定程度上减轻了全连接神经网络训练的过拟合程度。基于cnn的方法使用带有稀疏策略的一维卷积核排除dfc数据中冗余的信息来减轻深度模型的过拟合现象。虽然这些方法取得了好的分类性能，但是它们在特征提取过程中仍忽略了dfc中固有的多尺度拓扑特征与双向长期依赖的时空特征。这些特征被认为含有脑疾病相关的判别性信息，对脑疾病的计算机辅助诊断有重要作用。
技术实现思路
1、本专利技术针对上述问题，提出了一种卷积双向门控循环单元(convolutionalbidirectional gated recurrent unit，cbgru),用于dfc分类，被称为dfc-cbgru。该方法包含三个关键操作：多尺度拓扑特征提取、双向依赖时空特征提取、双向依赖时空特征融合。具体来说，该方法首先使用卷积神经网络从每个时刻功能连接网络中提取多尺度拓扑特征；然后利用双向门控循环单元(gated recurrent unit,gru)从多尺度拓扑特征时间序列中提取双向依赖的时空特征；最后利用一维卷积神经网络融合前、后向时空特征得到了用于分类的联合时空特征，它被输入到全连接神经网络分类器进行分类。
2、实现专利技术的主要思想是：卷积双向循环神经网络(convolutional bidirectionalrecurrent neural network，cbrnn)是由cnn和双向rnn堆叠而成，具有cnn提取空间特征和双向rnn提取双向依赖时间特征的优点。gru和lstm中的门控机制缓解了传统rnn的梯度爆炸和梯度消失问题，能够提取序列数据中的长期依赖信息。因此近年来cbgru和cblstm被应用于不同的领域,如流量预测和目标识别任务。受其启发，提出了一种cbgru，它可以从多个拓扑尺度提取dfc的双向依赖的时空特征。
3、一种基于卷积双向门控循环单元的动态功能连接分类方法主要包括以下步骤:
4、步骤(1)rs-fmri数据集合的获取与预处理
5、步骤(1.1)rs-fmri数据的获取：获取abide(autism brain imaging dataexchange)数据集合，其中包含539个自闭症(austism spectrum，asd)患者和573个健康对照组的fmri数据；
6、步骤(1.2)数据预处理：包括层间时间矫正(slice timing correction)、头动矫正(motion realignment)、空间标准化(normalization)、空间平滑滤波(smoothing)、干扰信号去除(nuisance signal removal)和配准(registration)等步骤。
7、步骤(1.3)感兴趣区域的选取：使用解剖自动标记(anatomical automaticlabeling，all)模板的90个大脑感兴趣区域，得到每个受试者相应脑区的平均fmri时间序列信号。
8、步骤(1.4)构建动态功能连接：首先通过滑动窗口方法将fmri时间序列划分为多个相交的fmri子集。然后计算每个fmri子集内不同bold信号之间的皮尔逊相关系数作为当时的功能连接强度。最后，按时间顺序将生成的功能连接堆叠得到动态功能连接。将得到的动态功能连接通过fisher-r-to-z转换使所有的fc矩阵服从正太分布。
9、步骤(2)数据集合的划分：划分得到的dfc数据集合，得到训练集、验证集、测试集，它们的数据样本量本文档来自技高网...
【技术保护点】
1.基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(3.1)的实施步骤如下，步骤(3.1.1)节点级拓扑特征提取；
3.根据权利要求1所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(3.2)的实施步骤如下，步骤(3.2.1)DFC双向时空特征提取：使用双向GRU从多尺度拓扑特征时间序列中提取每个时刻双向依赖的时空特征；包含前向时空特征和后向时空特征；
4.根据权利要求1所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(3.3)中，在每折交叉验证中，使用Adam自适应优化算法最小化DFC-CBGRU的损失函数，并根据DFC-CBGRU在验证集上的分类准确率确定神经网络的结构和超参数；使用确定参数的DFC-CBGRU在测试集合上进行分类性能的测试，并将五次测试结果进行平均。
5.根据权利要求1所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(1.4)中，
6.根据权利要求2所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(3.1.1)节点级拓扑特征提取：节点级拓扑特征提取的卷积过程包含两个卷积操作：边到边卷积和逐元素边到节点卷积；首先，过滤的DFC被输入到E2E卷积核提取高级边级特征，具体公式如下：
7.根据权利要求2所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(3.1.2)模块级拓扑特征提取：
8.根据权利要求2所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(3.1.3)图级拓扑特征提取：图级拓扑特征提取包含两个卷积操作：边到边卷积和边到图卷积，其中E2E卷积操作与节点级拓扑特征提取步骤的相同；得到高级边级特征之后，使用E2G卷积核从中提取图级特征，,公式如下：
9.根据权利要求1所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(3.2)DFC双向依赖的时空特征的提取与融合：在得到每个时间点的三种拓扑特征之后，将DFC每个时刻的节点级、模块级、图级拓扑特征进行拼接，得到多尺度拓扑特征时间序列；多尺度拓扑特征时间序列的维度为(T×(N+M+G))，其中T表示DFC的时间点的个数，N为节点级特征的维度，M为模块级特征的维度，G为图级特征的维度。
10.根据权利要求9所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，前向GRU提取前向依赖时空特征的过程中，为t-1时刻的隐态信息，包含t时刻之前的时空特征；Xt为第t时刻的输入，即t时刻的多尺度拓扑特征信息；以Xt和作为输入，重置门推断出中有多少与此时输Xt入相关的信息，并保存在候选隐藏状态中；具体公式如下：
...【技术特征摘要】
1.基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(3.1)的实施步骤如下，步骤(3.1.1)节点级拓扑特征提取；
3.根据权利要求1所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(3.2)的实施步骤如下，步骤(3.2.1)dfc双向时空特征提取：使用双向gru从多尺度拓扑特征时间序列中提取每个时刻双向依赖的时空特征；包含前向时空特征和后向时空特征；
4.根据权利要求1所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(3.3)中，在每折交叉验证中，使用adam自适应优化算法最小化dfc-cbgru的损失函数，并根据dfc-cbgru在验证集上的分类准确率确定神经网络的结构和超参数；使用确定参数的dfc-cbgru在测试集合上进行分类性能的测试，并将五次测试结果进行平均。
5.根据权利要求1所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(1.4)中，首先确定滑动窗口的参数，包括滑动窗口大小w，和滑动步长s，据此将fmri时间序列划分为t个相交的子集；计算每个子集中不同bold信号之间的皮尔逊相关系数，生成对应的fc矩阵；将所有fc矩阵按时间顺序排列，得到dfc张量；其中用来确定t的公式如下：
6.根据权利要求2所述的基于卷积双向门控循环单元的动态功能连接分类方法，其特征在于，步骤(3.1.1)节点级拓扑特...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。