CN110604572A - 基于人脑特征图谱的脑活动状态识别方法 - Google Patents

Abstract

本发明公开了基于人脑特征图谱的脑活动状态识别方法，包含以下步骤：对人脑功能磁共振信号提取多种人脑功能特征图谱，形成多视角脑活动特征描述集；基于多通道三维卷积神经网络模型与多视角脑活动特征描述集生成融合型多视角脑特征图谱集；基于融合型多视角脑特征图谱集，训练三维全连接深度神经网络模型，获得脑状态分类模型并对测试样本分类。本发明通过提取功能磁共振信号的多种脑功能特征图谱，获得功能磁共振混合信号的多视角脑活动特征描述集，进而训练多通道三维卷积神经网络模型生成有效的融合型多视角脑特征图谱集，最后训练三维全连接深度神经网络脑状态分类模型对新样本进行识别，从而达到精确识别脑状态的目的。

Description

基于人脑特征图谱的脑活动状态识别方法

技术领域

本发明涉及一种基于功能磁共振成像技术的人脑功能活动状态分类方法，尤其是一种基于人脑特征图谱的脑活动状态分类方法。

背景技术

功能磁共振成像技术兴起于20世纪90年代，为传统的磁共振技术从单一的形态结构研究到与功能相结合的系统研究提供强有力的技术支持，同时也为神经认知研究、精神心理疾病及脑科疾病预防与诊断等提供了技术保障。基于功能磁共振成像技术的脑状态分类往往依据如下假设：1.功能磁共振成像技术能够记录不同时刻下的大脑活动；2.不同脑状态往往会产生不同的脑活动。然而，由于人脑结构本身的复杂性与人脑功能活动的复杂性，准确地推断大脑活动状态是具有挑战的。对于以上问题的研究，采用监督分类模型，即首先采集已知状态下的某些大脑活动信号，再依据已知状态下大脑活动信号统计学习出关于脑活动的有效分类模型。然而，如何提取出不同状态下的具有较强辨识能力的功能特征，并构建高精度分类器还亟需进一步研究与发展。因此，本发明提供了一种基于人脑特征图谱的脑活动状态分类，能够根据大脑活动信号精确地识别出脑状态。

发明内容

本发明的目的在于依据功能磁共振成像技术提供一种有效的人脑活动状态分类方法。基于不同脑状态的功能磁共振训练数据集，首先提取训练数据集中各名被试的多种脑功能特征图谱，形成各个脑状态的多视角脑活动特征描述集，进而采用三维卷积神经网络对多视角脑活动特征描述集中各个视角脑功能特征图谱进行学习与融合，获取该视角下某状态较为优异脑活动特征描述，再采用全连接深度神经网络对融合后的多视角脑活动特征进行分类模型训练，确定脑状态分类模型参数，最终实现对某被试脑状态的精确分类。

为实现上述目的，本发明提供一种基于功能磁共振成像技术的人脑功能活动状态分类，为方便描述，首先对本发明中特异名词作如下定义：

多视角脑活动特征描述集：

多视角脑活动特征描述集在本发明中指：基于当前国内外学者研究证明的多种有效脑特征图谱，从某被试的脑功能磁共振信号中提取出不同视角下的脑功能特征图谱，形成多视角脑活动特征描述集，来近似描述该被试的脑活动状态。

其次，本方法包含以下步骤：

步骤1、多视角脑活动特征描述集的形成过程：对训练集中不同状态对照组下的每个被试的脑功能磁共振信号计算其ReHo图谱、ALFF图谱、fALFF图谱、BE图谱以及DC图谱等；进一步，按照脑特征图谱视角，将训练集中所有被试的人脑功能特征图谱进行分类，便得到关于各状态对照组下的不同视角下脑活动特征描述集。

步骤2、多通道三维卷积神经网络生成融合型多视角脑特征图谱集：依据步骤1中得到的各状态多视角脑活动特征描述集，结合所给定状态与多被试同种视角下的特征图谱，提出了多通道三维卷积神经网络模型来生成各状态下融合型多视角脑特征图谱集。

步骤3、基于三维深度神经网络的脑状态分类模型及过程：基于步骤2中所获得的融合型多视角脑特征图谱集，首先基于来自训练样本集的融合型多视角脑特征图谱集对三维深度神经网络脑状态分类模型进行训练与验证，获取稳定的脑状态分类模型；其次，参照步骤1形成关于某待测被试的多视角脑活动特征描述集，采用三维深度神经网络脑状态分类模型对其进行分类。

本发明的有益效果是：本发明一种基于功能磁共振成像技术的人脑功能活动状态分类方法和现有技术的分类方法相比，其优点在于，本发明通过首先利用多视角人脑功能特征图谱来构成多视角脑活动特征描述集，获得关于某名被试脑功能磁共振信号的脑状态近似刻画，同时大规模约减了同一样本的脑功能磁共振信号数据量，有利于处理大数据样本下的人脑活动状态分类问题；再通过所提出的多通道三维卷积神经网络模型来生成高精度表征脑活动状态的融合型多视角脑特征图谱集；最后通过融合型多视角脑特征图谱集训练三维全连接深度神经网络，从而达到精确区分人脑活动状态的目的。本发明将非常有利于人脑状态分类、精神心理疾病及脑科疾病等方面的研究。

附图说明

图1为本发明一种基于人脑特征图谱的脑活动状态识别方法的流程简图；

图2为本发明一种基于人脑特征图谱的脑活动状态识别方法的流程图；

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

实施例：请参阅图1-2，本发明提供一种技术方案：以下结合附图，进一步说明本发明的具体实施例。

如图1所示，本发明公开一种基于人脑特征图谱的脑活动状态识别方法，该方法包含以下步骤：

步骤1、多视角脑活动特征描述集的形成过程：

步骤1.1、取训练集的所有被试的脑功能磁共振信号分别进行相关预处理操作，包括了时间层校正，头动校正，配准，空间标准化到蒙特利尔标准脑空间等。假定当前所有被试的脑功能磁共振信号来自K个脑状态，并标记这些状态分别为{1,2,…,k,…,K-1,K}，并依据认知状态标签，将这些预处理过后的被试数据分为K个对照组，N_k表示第k个状态组下的被试数，其中由此可见，该脑状态识别问题被建模成一个K分类问题。

步骤1.2、首先对第k组中第i个经预处理后的被试数据应用脑特征图谱提取器分别提取该名被试的ReHo、ALFF、fALFF、BE及DC等脑特征图谱，形成第k组中第i个被试的多视角脑活动特征描述集，记为其次，重复本操作，获得第k组中所有被试数据的多视角脑活动特征描述集，即最终形成关于第k组(即第k个状态组)的多视角脑活动特征描述集注：在本发明中选用了5种特征图谱，故L＝5。

步骤1.3、对K个对照组中所有被试分别重复步骤1.2中操作，分别形成K组多视角脑活动特征描述集，即X_k,1≤k≤K，分别对应于K个状态对照组。

步骤2、多通道三维卷积神经网络生成融合型多视角脑特征图谱集过程：关于K个状态组各自的融合型多视角脑特征图谱集形成可表示为其中1≤k≤K。其中CNN()表示执行三维卷积神经网络。特别地，三维卷积神经网络的层数为11层，损失函数选用categorical_crossentropy(交叉熵损失函数)，其相应的公式为优化函数选用随机梯度算法扩展式进行优化。

步骤3、基于三维全连接卷积神经网络的脑状态分类过程：给定某个被试的功能磁共振信号，假定其大脑状态属于待识别的K个状态中的某一状态，则其大脑状态的识别过程可由以下几个步骤构成：

步骤3.1、由步骤2生成的融合型多视角脑特征图谱集1≤k≤K，联接生成融合型脑特征图谱，对三维全连接卷积神经网络进行训练，并采用留一法执行交叉验证流程，获取三维深度神经网络的脑状态分类模型训练参数Θ，其中三维深度神经网络层数为23层，损失函数选用categorical_crossentropy，优化函数选用随机梯度算法扩展式进行优化。

步骤3.2、参照步骤1中所述，对该被试功能磁共振信号进行预处理操作，并脑特征图谱提取器分别提取该名被试的ReHo、ALFF、fALFF、BE及DC等脑特征图谱，形成该被试的多视角脑活动特征描述集，记作X＝[x₁,x₂,x₃,x₄,x₅]。

步骤3.3、将该被试的多视角脑活动特征描述集X执行步骤2，生成相应于该名被试联接型的融合型脑特征图谱，最后依据三维深度神经网络脑状态分类模型确定X所属脑状态，其公式化描述为k＝DNN(X)。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (2)

1.基于人脑特征图谱的脑活动状态识别方法，其特征在于，该方法包含以下步骤：

步骤1：对功能磁共振信号进行脑特征图谱提取，得到关于功能磁共振信号的局部一致性图谱、低频震荡振幅图谱、低频震荡振幅比图谱、脑熵图谱及中心度图谱，形成关于某功能磁共振信号的多视角脑活动特征描述集；

步骤2：基于多视角脑活动特征描述集，采用多通道三维卷积神经网络分别对各视角下多名被试的脑功能特征图谱进行有效融合，形成有效的融合型多视角脑特征图谱集；

步骤3：基于融合型多视角脑特征图谱集，训练三维全连接深度神经网络模型，获得脑状态分类模型并对测试样本分类。

2.根据权利要求1所述的基于人脑特征图谱的脑活动状态识别方法，其特征在于：所述步骤1中，对功能磁共振信号提取其多视角脑活动特征描述集，所述步骤2、步骤3中，提出的基于多通道三维神经网络的脑状态分类模型。