System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于模糊超盒质量感知神经网络的精神分裂症分类方法技术_技高网
当前位置: 首页 > 专利查询>南通大学专利>正文

基于模糊超盒质量感知神经网络的精神分裂症分类方法技术

技术编号:42382520 阅读:10 留言:0更新日期:2024-08-16 16:11
本发明专利技术提供了基于模糊超盒质量感知神经网络的精神分裂症分类方法,属于智能医学处理技术领域,解决了精神分裂症患者动态脑网络多个时间窗口数据质量不一致的问题;其技术方案为:利用三个特殊的卷积滤波器提取精神分裂症患者动态脑网络每个时间窗口的特征,然后通过全连接层和激活层以获得证据;将多视图证据作为输入构造多视图模糊最小最大神经网络分类器,输出每个视图的类节点;使用证据理论直接建模不确定性,计算每个视图的质量感知权重以评估每个视图的分类可信度;根据每个视图的质量感知权重集成多个视图的类节点以得到最终诊断结果。本发明专利技术的有益效果为:本发明专利技术分类精度较好,为精神分裂症诊断提供决策支持,提高患者就医满意度。

【技术实现步骤摘要】

本专利技术涉及医学信息智能诊断,尤其涉及基于模糊超盒质量感知神经网络的精神分裂症分类方法


技术介绍

1、精神分裂症是一种精神疾病。其特征为患者出现语言混乱、行为异常、幻觉和幻听等。世界上约0.3%-0.7%的人口遭受精神分裂症影响,由此可见精神分裂症患者诊断十分重要。多视图学习以共识原则或互补原则整合多视图的意见,比单视图学习效率更高,泛化能力更好。模糊最小最大神经网络利用基于模糊集的模糊超盒作为模式识别的基本计算元素,能够有效处理模糊信息和不确定性。不确定性感知方法能够评估多视图的不确定性,对具有高不确定性的视图减少权重或删除,从而降低高不确定性视图的影响,提高模型分类性能。

2、

3、文献stacked topological preserving dynamic brain networksrepresentation and classification提出了一种构建和表示动态功能连接网络的新方法,网络包含bold信号与大脑区域之间的相互作用,并从多维角度提取动态功能连接特征,用于脑部疾病的识别,但是忽略了动态功能连接多个时间窗口的潜在关联。

4、文献convolutional neural network with sparse strategies to classifydynamic functional connectivity设计了一种元素过滤器,对动态功能连接矩阵施加稀疏约束,然后对稀疏的动态功能连接矩阵进行降维,提取特征,识别异常的动态功能连接,但是忽略了动态功能连接中存在的不确定性信息。

5、因此,如何有效利用精神分裂症多个视图的信息,在不确定性较强的情况下帮助医生做出正确的诊断,是一个急需解决的问题。


技术实现思路

1、本专利技术的目的在于提供一种基于模糊超盒质量感知神经网络的精神分裂症分类方法,解决了现有的判断精神分裂症方法不确定性较高,增加医生对精神分裂症患者的患病情况的判断方面的难度问题。

2、本专利技术是通过如下措施实现的:一种用于基于模糊超盒质量感知神经网络的精神分裂症分类方法,包括以下步骤:

3、s1:利用边缘到边缘(e2e)、边缘到节点(e2n)和节点到图(n2g)卷积滤波器提取精神分裂症患者动态脑网络连接矩阵a={ad(1),ad(2),…,ad(v)}每个视图的特征图dfc,其中ad(v)∈r90×90,1≤v≤v,v为视图数量,r为特征图矩阵,将特征图dfc通过三个全连接层和一个激活层softplus,得到证据1≤k≤k,k为类别数;

4、s2:将证据作为输入模式,基于模糊集生成模糊超盒作为基本计算元素,为精神分裂症数据构造多视图模糊最小最大神经网络分类器对每个视图进行分类,第v个视图的分类器fv(ev)输出对应视图的类节点;

5、s3:使用证据理论建模精神分裂症数据的不确定性,根据证据e为每个视图分配一个不确定性质量uv并为每个类别分配一个置信度由证据ev导出狄利克雷分布参数αv=ev+1,计算每个视图的质量感知权重qv;

6、s4:使用加权融合策略将精神分裂症数据多个视图的多视图模糊最小最大神经网络分类器fv(ev)输出的类节点集成为最终精神分裂症预测结果yp;

7、s5:初始化预测正确的数量和预测失败的数量true=false=0,依次将n个精神分裂症样本的预测结果yp与真实标签y对比,如果相同则预测正确,true=true+1,反之则预测失败,false=false+1,计算所有样本的总体准确率

8、根据权利要求1所述的基于模糊超盒质量感知神经网络的精神分裂症分类方法,其特征在于,所述步骤s2包括如下步骤:

9、步骤s2.1:对于第v个视图,将证据ev作为输入,构造超盒模糊集

10、

11、其中,为输入模式,1≤n≤n,n为精神分裂症数据集样本数量,1≤x≤x,x为模糊超盒的维度,和分别为第j个超盒的最小值点和最大值点;

12、步骤s2.2:利用隶属度函数确定新增精神分裂症样本与现有超盒之间的匹配程度,第v个视图的隶属函数如下:

13、

14、步骤s2.3:在扩展超盒以包含新增精神分裂症样本过程中,需满足多视图约束条件:

15、

16、其中,0<θ<1是超盒膨胀系数;

17、步骤s2.4:多视图模糊最小最大神经网络分类器对于第v个视图的输出结果为其中为第v个视图中第k个类别的类节点,选择值最大的类节点作为精神分裂症预测结果。

18、根据权利要求1所述的基于模糊超盒质量感知神经网络的精神分裂症分类方法,其特征在于,所述步骤s3包括如下步骤:

19、步骤s3.1:使用证据理论建模精神分裂症数据的不确定性,根据证据e为每个视图分配一个不确定性质量uv并为每个类别分配一个置信度且它们的总和是1,即其中1≤v≤v,v为视图数量,1≤k≤k,k为类别数;

20、步骤s3.2:由证据导出狄利克雷分布参数即αk=ek+1,不确定性质量uv的计算公式如下:

21、

22、其中,

23、步骤s3.3:计算置信度

24、

25、步骤s3.4:计算精神分裂症数据每个视图的质量感知权重qv:

26、

27、其中,uv为不确定性质量,为置信度。

28、根据权利要求1所述的基于模糊超盒质量感知神经网络的精神分裂症分类方法,其特征在于,所述步骤s4包括如下步骤:

29、步骤s4.1:第v个视图的输出结果为其中为第v个视图中第k个类别的类节点;

30、步骤s4.2:集成精神分裂症数据多视图的类节点:

31、

32、其中,fv(ev)为多视图模糊最小最大神经网络分类器对于第v个视图的输出结果,qv为每个视图的质量感知权重;

33、步骤s4.3:得到精神分裂症集成类节点f(e):

34、

35、其中,1≤v≤v,v为视图数量,1≤k≤k,k为类别数;

36、步骤s4.4:得到最终精神分裂症预测结果yp:

37、yp=max(f(e))                               (16)

38、与现有技术相比,本专利技术的有益效果为:

39、1、针对现有的精神分裂症诊断任务需要医生人工对比脑网络数据且主观性强等问题,本专利技术构造多视图模糊最小最大神经网络作为精神分裂症动态脑网络数据每个时间窗口的分类层,利用模糊超盒处理精神分裂症患者动态脑网络每个时间窗口存在的模糊信息,将输入划分为一系列的模糊超盒,每个模糊超盒对应一个类别。在网络的训练过程中不断调整这些模糊超盒的位置和大小,以最大化每个模糊超盒内部样本的类别纯度。有效处理不确定性信息,提高分类精度;

40、2、针对精神分裂症动态脑网络数本文档来自技高网...

【技术保护点】

1.基于模糊超盒质量感知神经网络的精神分裂症分类方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的基于模糊超盒质量感知神经网络的精神分裂症分类方法,其特征在于,所述步骤S2包括如下步骤:

3.根据权利要求1所述的基于模糊超盒质量感知神经网络的精神分裂症分类方法,其特征在于,所述步骤S3包括如下步骤:

4.根据权利要求1所述的基于模糊超盒质量感知神经网络的精神分裂症分类方法,其特征在于,所述步骤S4包括如下步骤:

【技术特征摘要】

1.基于模糊超盒质量感知神经网络的精神分裂症分类方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的基于模糊超盒质量感知神经网络的精神分裂症分类方法,其特征在于,所述步骤s2包括如下步骤:

3.根据权...

【专利技术属性】
技术研发人员:丁卫平侯涛黄嘉爽鞠恒荣周天奕姚泓丞程纯姜舒耿胜成晓天王静
申请(专利权)人:南通大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1