【技术实现步骤摘要】
本专利技术涉及生物信息学领域，更具体的说是涉及一种基于自适应细粒度因果脑网络的阿尔茨海默症诊断方法。
技术介绍
1、阿尔茨海默症（ad）是最普遍的神经退行性疾病之一，深度学习领域的最新进展已经证明，神经影像数据分析在诊断这类型疾病方面具有巨大潜力。传统方法通常依赖于静态和线性模型，如基于卷积神经网络或transformer，但是它们可能无法有效捕捉大脑连接的复杂、动态和非线性性质。因此，研究人员很自然地想到引入图结构来建立大脑网络模型。在基于图神经网络gnn 的方法中，shimizu应用了 lingam，这是一种专注于估计非高斯因果结构的方法，为揭示大脑网络中的因果关系提供了一个框架。然而，这些方法虽然复杂，但往往忽视了循环时间动态和因果依赖关系，而这对于全面了解注意力缺失症背后的神经退行性过程至关重要。li等人提出了braingnn--一种专为fmri分析设计的可解释脑图神经网络，从而解决了其中的一些难题。braingnn 在识别大脑网络中的线性因果结构方面发挥了重要作用，但它在处理非线性相互作用的复杂性和典型的 fmri 研究的高维数据方面仍有困难。因此，人们仍然迫切需要将深度学习与因果推理相结合的综合方法，以更准确地模拟 ad 等神经退行性疾病中的动态非线性相互作用。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于自适应细粒度因果脑网络的阿尔茨海默症诊断方法，以解决将时间动态和因果依赖关系相结合用于分析并诊断阿尔茨海默症的问题，有助于大脑网络构建方法的研究，从而更好地发
2、为了实现上述目的，本专利技术采用如下技术方案：一种基于自适应细粒度因果脑网络的阿尔茨海默症诊断方法，具体步骤包括如下：
3、通过基于自适应细粒度因果脑网络的方法进行阿尔茨海默症诊断的过程图
4、数据收集与预处理： 首先收集阿尔茨海默症的功能磁共振成像（fmri）的真实样本数据集；数据预处理包括去噪、去除不相关信号等，将图像数据处理成时间序列数据，以便后续分析和建模；
5、自适应细粒度划分： 在脑网络分析中，采用时间序列周期性解耦方法对不同脑区自适应地划分出细粒度的时间序列；
6、不同粒度的特征提取： 基于自适应地细粒度划分，提取不同粒度下的信息。包括从脑区级和时间片级地多层次上提取神经活动的数据特征：采用深度学习和频域方法对高维数据进行多层次特征学习，以捕捉大脑网络的动态变化和结构特征；
7、因果脑网络构建： 利用所提取的多粒度数据特征，建立多粒度因果变量，采用granger因果发现方法，识别不同脑区之间的因果关系，分析脑区间或时间片间的因果方向及影响程度；
8、基于干预的因果网络融合： 在构建地不同粒度因果脑网络的基础上，结合因果图干预的基本原理，将脑区级的粗粒度因果脑网络信息融入到时间片级的细粒度因果脑网络中，完成最终的细粒度因果脑网络构建；
9、基于因果脑网络的疾病诊断： 利用构建的细粒度因果脑网络和多层次特征，基于图神经网络进行阿尔茨海默症的诊断。
10、2．进一步地，所述时间序列主要周期的生成方式采用周期模式解耦和topm 方法，对于一个样本的一个脑区来说，主要周期的值为：，。
11、3．进一步地，所述细粒度划分的分割点选择，对于每个脑区，时间序列的主要周期及其倍数是分割点，主要周期的值为：。
12、4．进一步地，所述因果网络的融合利用因果图干预方法，对粗粒度脑网络的每个因果变量进行干预，移除其所有入边，然后计算干预前后因果效应之差：；再将干预结果增加到细粒度因果脑网络，实现对细粒度因果脑网络的增强。
13、经由上述的技术方案可知,与现有技术相比,本专利技术公开提供了一种基于自适应细粒度因果脑网络的阿尔茨海默症诊断方法,本专利技术的有益效果为:
14、1、本专利技术提出了一种基于自适应细粒度因果脑网络的阿尔茨海默症诊断方法，能够利用图深度学习和脑区级别和时间片段级别的因果发现能力，综合提高了利用 fmri 诊断阿尔茨海默症的性能。
15、2、本专利技术以时间序列的周期解耦方法为基础，进行细粒度因果变量的自适应划分和嵌入式表示，有利于在时间维度上对脑神经病变的因果动态有更透彻的时间片段级理解，相较于现有的阿尔茨海默症诊断方法而言，具有更为简单且可解释的嵌入表示。
16、3、本专利技术所提出的因果图融合模型，通过对因果图的干预操作，将粗粒度因果图整合到细粒度脑网络中，从而以可解释的方式有效增强宏观特征的脑网络结构表示。
本文档来自技高网...【技术保护点】
1.一种基于自适应细粒度因果脑网络的阿尔茨海默症诊断方法，其特征在于，具体步骤包括如下：
2.根据权利要求1所述的自适应细粒度因果脑网络的阿尔茨海默症诊断方法，其特征在于，所述时间序列主要周期的生成方式采用周期模式解耦结合周期出现的频次，对于一个样本的一个脑区来说，主要周期的值为：，。
3.根据权利要求1所述的自适应细粒度因果脑网络的阿尔茨海默症诊断方法，其特征在于，所述细粒度划分的分割点选择，对于每个脑区，时间序列的主要周期及其倍数是分割点，主要周期的值为： 。
4.根据权利要求1所述的自适应细粒度因果脑网络的阿尔茨海默症诊断方法，其特征在于，所述因果网络的融合利用因果图干预方法，对粗粒度脑网络的每个因果变量进行干预，移除粗粒度网络中被干预结点的所有入边，然后计算干预前后因果效应之差：；再将干预结果增加到细粒度因果脑网络，实现对细粒度因果脑网络的增强。
【技术特征摘要】
1.一种基于自适应细粒度因果脑网络的阿尔茨海默症诊断方法，其特征在于，具体步骤包括如下：
2.根据权利要求1所述的自适应细粒度因果脑网络的阿尔茨海默症诊断方法，其特征在于，所述时间序列主要周期的生成方式采用周期模式解耦结合周期出现的频次，对于一个样本的一个脑区来说，主要周期的值为：，。
3.根据权利要求1所述的自适应细粒度因果脑网络的阿尔茨海默症诊断方法，其特征在于，所述细...
【专利技术属性】
技术研发人员：马跃峰，刘玻，王玉峰，王猛，张腾飞，程凤仙，王荣磊，陈金阳，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：
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。