CN111466876A - 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 - Google Patents

Abstract

本公开公开了一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，包括脑电检测模块利用功能性近红外光谱成像装置对AD患者和正常人的大脑处于活动状态时的氧合血红蛋白、脱氧血红蛋白和总血红蛋白进行多通道检测，并构建fNIRS数据集；邻接矩阵构建模块对fNIRS数据集利用通道之间的相关性构建邻接矩阵；节点特征矩阵构建模块对fNIRS数据集进行特征提取，构建节点特征矩阵；图结构构建模块根据邻接矩阵和节点特征矩阵分别构建AD患者图结构和正常人图结构，形成训练数据集；阿尔兹海默症识别模块以训练数据集对构建的图神经网络进行训练，以训练后的图神经网络对待测人员的测试数据集进行识别，输出辅助诊断结果。实现将图神经网络用于fNIRS数据的分类中。

Description

一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统

技术领域

本公开涉及深度学习技术领域，特别是涉及一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

图卷积神经网络(GCN)通过一个特征提取器直接作用于图结构，其用于建模图节点之间的依存关系。当前，大多数图卷积神经网络具有相似的结构，因为使用了可以在图中各处共享权重的卷积运算符。与繁琐的全连接模型相比，这种神经网络结构在图形数据中至少具有三个优点：1)避免了与全连接层有关的参数爆炸；2)它允许参数在网络上共享，并避免过拟合；3)单个GCN可以处理不同结构甚至大小的输入图。GCN设计了一种从图数据中提取特征的方法，对图数据执行节点分类、图分类和链接预测。

在脑活动信号采集方法中，功能性近红外光谱(fNIRS)技术是脑活动监测技术方法中，被用于评估皮层激活的区域激活、定时和侧化，用于各种各样的知觉、语言、运动和认知调查。在这些认知功能相关的研究中，fNIRS仍主要是验证性研究。在脑活动检测或分类方面，线性判别分析(LDA)和支持向量机(SVM)分类器是两种最流行的近红外数据分类技术。

但是，发明人发现在使用fNIRS信号进行分类的过程中，大多数只将fNIRS信号作为一种时间序列进行处理，只关注了fNIRS信号的时间特征，而忽略了其空间特征，更不用说时间特征与空间特征的结合，而且不同条件下脑活动监测与识别的准确性和精细化程度也不尽人意。此外，fNIRS数据无法直接作为GCN的输入，无法充分利用fNIRS信号中的时间和空间信息，对大脑活动的监视和识别缺乏准确性和完善性。

另外，阿尔兹海默症(AD)主要在出现病症后通过认知评估，和结合影像学等检查做出临床诊断，但是当临床症状明显时，一般都处于中晚期，而且该症状在病理上具有不可逆性。发明人发现，有认知障碍的患者在脑电信号等生理信号上与正常人存在差异，其脑电信号的时域、频域等参数与正常人均有所不同；目前尚未出现利用fNIRS数据作为GCN网络的输入，并根据有认知障碍的患者在脑电信号等生理信号上与正常人存在的差异这一事实，提出了对阿尔兹海默症进行辅助诊断的方案。

发明内容

为了解决上述问题，本公开提出了一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，融合fNIRS数据的特征和大脑不同区域的连通性，构建一种新型图结构，将fNIRS数据转换为图数据，使用图卷积神经网络对其进行分类识别，实现将图神经网络用于fNIRS数据的分类中。

为了实现上述目的，本公开采用如下技术方案：

第一方面，本公开提供一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，包括：

脑电检测模块，用于利用功能性近红外光谱成像装置对AD患者和正常人的大脑处于活动状态时的氧合血红蛋白、脱氧血红蛋白和总血红蛋白进行多通道检测，并构建fNIRS数据集；

邻接矩阵构建模块，用于对经预处理后的fNIRS数据集利用通道之间的相关性构建邻接矩阵；

节点特征矩阵构建模块，用于对经预处理后的fNIRS数据集进行特征提取，以提取的特征构建节点特征矩阵；

图结构构建模块，用于根据邻接矩阵和节点特征矩阵分别构建AD患者图结构和正常人图结构，对AD患者图结构和正常人图结构添加标签形成训练数据集；

阿尔兹海默症识别模块，用于以训练数据集对构建的图神经网络进行训练，以训练后的图神经网络对待测人员的测试数据集进行识别，输出待测人员是否为阿尔兹海默症的辅助诊断结果。

第二方面，本公开提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：

利用功能性近红外光谱成像装置对AD患者和正常人的大脑处于活动状态时的氧合血红蛋白、脱氧血红蛋白和总血红蛋白的浓度进行多通道检测，并构建fNIRS数据集；

对经预处理后的fNIRS数据集利用通道之间的相关性构建邻接矩阵；

对经预处理后的fNIRS数据集进行特征提取，以提取的特征构建节点特征矩阵；

根据邻接矩阵和节点特征矩阵分别构建AD患者图结构和正常人图结构，对AD患者图结构和正常人图结构添加标签形成训练数据集；

以训练数据集对构建的图神经网络进行训练，以训练后的图神经网络对待测人员的测试数据集进行识别，输出待测人员是否为阿尔兹海默症的辅助诊断结果。

第三方面，本公开提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

利用功能性近红外光谱成像装置对AD患者和正常人的大脑处于活动状态时的氧合血红蛋白、脱氧血红蛋白和总血红蛋白的浓度进行多通道检测，并构建fNIRS数据集；

对经预处理后的fNIRS数据集利用通道之间的相关性构建邻接矩阵；

对经预处理后的fNIRS数据集进行特征提取，以提取的特征构建节点特征矩阵；

根据邻接矩阵和节点特征矩阵分别构建AD患者图结构和正常人图结构，对AD患者图结构和正常人图结构添加标签形成训练数据集；

以训练数据集对构建的图神经网络进行训练，以训练后的图神经网络对待测人员的测试数据集进行识别，输出待测人员是否为阿尔兹海默症的辅助诊断结果。

与现有技术相比，本公开的有益效果为：

本公开充分利用了fNIRS信号的时间特征和空间结构特征，将fNIRS数据转换为图数据，从通道中提取的特征定义为图的节点，并将任何通道对之间的相关系数的绝对值定义为图的边，实现使用图卷积神经网络对fNIRS数据进行分类。

本公开对fNIRS数据集进行特征提取，提取一组神经生理生物标志物，包括统计特征、Hjorth参数和基于小波包分解的能量特征等，具有高度的区别力和全面的描述性。

本公开提取了fNIRS信号的空间信息，并形成了多通道fNIRS功能结构化信息，具有更好的准确性和有效性来检测大脑活动，能够区分不同条件下的神经激活模式，并可以应用于心理活动检测。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本公开实施例1提供的框架流程图；

图2是本公开实施例1提供的数据采集过程中通道的布局及其在大脑区域的位置图；

图3为本公开实施例1提供的数据采集过程；

图4是本公开实施例1提供的数据预处理的过程图；

图5是本公开实施例1提供的数据预处理之后的所有通道氧合血红蛋白浓度图；

图6是本公开实施例1提供的图结构的构造过程；

图7是本公开实施例1提供的图卷积网络的结构图。

具体实施方式：

下面结合附图与实施例对本公开做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例1

如图1所示，本实施例提供一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，包括：

脑电检测模块，用于利用功能性近红外光谱成像装置对AD患者和正常人的大脑处于活动状态时的氧合血红蛋白、脱氧血红蛋白和总血红蛋白进行多通道检测，并构建fNIRS数据集；

邻接矩阵构建模块，用于对经预处理后的fNIRS数据集利用通道之间的相关性构建邻接矩阵；

节点特征矩阵构建模块，用于对经预处理后的fNIRS数据集进行特征提取，以提取的特征构建节点特征矩阵；

图结构构建模块，用于根据邻接矩阵和节点特征矩阵分别构建AD患者图结构和正常人图结构，对AD患者图结构和正常人图结构添加标签形成训练数据集；

阿尔兹海默症识别模块，用于以训练数据集对构建的图神经网络进行训练，保存训练、调参和测试后最优的分类和检测模型，以此模型对待测人员的数据集进行识别，输出待测人员是否为阿尔兹海默症的辅助诊断结果。

所述功能性近红外光谱fNIRS成像装置为多通道系统，包括17个发射器和16个接收器，由发射器发射红外光，接收器收集被散射的光，使用52个通道进行同步测量。

在本实施例中，fNIRS系统采用ETG-4000，日本日立医疗公司(Hitachi MedicalCo.，Japan，将采样率设置为10Hz，52个通道进行同步测量，数据记录中使用的通道总数为156个，每个受试者进行了3或4轮实验，每轮实验重复进行6次任务-休息期，所以每个受试者一共进行18或24次试验。实验中仪器记录了氧合血红蛋白，脱氧血红蛋白和总血红蛋白浓度的变化，以mM.mm为单位。源和探测器的距离保持3cm，并且根据国际EEG 10–20系统的相关标准进行探头的排布，如图2是通道的布局及其在大脑区域的位置。

在本实施例中，可以通过虚拟现实技术，以头盔式显示器作为显示工具，使受试者充分实现与虚拟空间的交互，提取受试者大脑处于活动状态时的脑电信号；

或者，通过布置心算任务，例如在心算MA任务中，指示从一个两位数字中重复减去另一个一位数字，初始减法在监视器上直观显示，受试者在12秒内进行心算，提取受试者大脑处于活动状态时的脑电信号。

在本实施例中，活动状态和休息状态交替出现。

在本实施例中，脑电信号包括氧合血红蛋白、脱氧血红蛋白和总血红蛋白，分别采集AD患者和正常人的脑电信号，构建fNIRS数据集。如图3所示，显示一轮实验的数据采集过程。

如图4所示，所述邻接矩阵构建模块或节点特征矩阵构建模块中对fNIRS数据集的预处理包括：

(1)手动清除。对于fNIRS数据集，绘制出每个通道整个实验过程的原始数据波形；然后消除具有明显异常的通道，例如不连续值或者值不变。

Oxy-Hb，Deoxy-Hb和Total-Hb的浓度变化的信号不可避免地与许多干扰信号混合，如呼吸，心脏跳动，机器噪声等。

功能近红外信号中的干扰信号主要包括生理噪声和非生理噪声。其中，生理噪声包括心脏信号，呼吸和Mayer波；生理噪声是影响近红外信号质量的主要因素，在预处理期间，应使用过滤器进行过滤。

非生理噪声包括机器漂移和运动伪影；机器噪音是由不同的机器引起的，需要一定的经验才能判断；运动伪影主要是不连续和峰值，在预处理过程中，需要手动除去运动段并使用过滤器进行过滤。

(2)使用带通滤波器进行滤波。为了获得更准确的数据并确保后续分析的有效性，使用傅立叶光谱分析和过滤方法处理fNIRS数据。

首先，根据大多数噪声的频率，例如呼吸频率为0.2Hz，Mayer波为0.1Hz，使用傅里叶变换对信号进行频谱分析，以获得功能性近红外信号的频带。

然后，根据频带设计一个带通滤波器，对信号进行滤波，以去除功能性近红外信号频带之外的分量。对此，设计了一个4阶的0.09Hz低通巴特沃斯滤波器。

另外，使用0.01Hz高通滤波器消除基线漂移，减少了噪声并提高了信号可靠性。

(3)归一化。使用MinMaxScalar函数进行归一化，将数值压缩到区间[0,1]内。给定序列X＝(x₁,x₂,…,x_n)，MinMaxScalar归一化公式如下：

其中，max和min分别代表标准化间隔的上限和下限；max X和min X是序列X的最大值和最小值；Y＝(y₁,y₂,…,y_n)∈[0,1]是归一化后的新序列值。

如图5所示为对单次实验运行进行预处理后的波形，显示了52个通道的氧合血红蛋白浓度的变化，大多数通道的波形图更符合理想(静止-刺激)变化趋势，即基线期间的集中趋势稳定，任务期间增加，任务结束时缓慢返回到基线状态。

所述邻接矩阵构建模块包括：

(1)从经过预处理的AD患者fNIRS数据集中提取出所有通道的大脑处于某次刺激期的数据序列，形成原始数据矩阵S(序列长度*通道数目)，序列长度是刺激期的时间对应的数据长度(序列长度＝刺激期时长*采样率)，其中刺激期和休息期的数据序列一般都不一样长；

(2)按通道对原始数据矩阵S计算每一个通道对的相关系数矩阵，记为T(通道数目*通道数目)；

(3)将相关系数矩阵减去单位矩阵，结果记为M，即M＝T-U，U为单位矩阵；

(4)设置并应用阈值e以消除M中具有假连接或弱连接的边缘，并生成稀疏相关矩阵；

阈值e具有相关系数值的范围(-1,1)，研究变量之间的线性相关量，根据相关系数描述通道之间的连通性。阈值e的值的确定与数据集中通道之间的整体连通性有关。阈值e的绝对值越大，则认为要连接的通道对的数量越少；阈值e的绝对值越小，则认为要连接的通道对的数量越多。阈值e的最终值是经过训练和测试后具有最大准确性的值。

(5)如果其绝对值小于该阈值，则认为对应的通道对i和j之间没有连通性，并且M中的对应元素设置为0，即m_ij＝0；小于阈值的系数设置为零，大于阈值的系数被保留，得到邻接矩阵A，即AD患者fNIRS数据集构建成的邻接矩阵。

同样，将正常人fNIRS数据集利用通道之间的相关性构建邻接矩阵。

所述节点特征矩阵构建模块包括：

(1)从经过预处理的AD患者fNIRS数据集中提取出所有通道的大脑处于某次刺激期的数据序列，形成原始数据矩阵S(序列长度*通道数目)，序列长度是刺激期的时间对应的数据长度(序列长度＝刺激期时长*采样率)，其中刺激期和休息期的数据序列一般都不一样长；

(2)对原始数据矩阵S每个通道的数据序列计算11个特征的值，AD患者和正常人的fNIRS数据集分别形成特征矩阵(特征数目*通道数目)，其中的每一列都代表对应通道的11个特征。

(3)将特征矩阵进行转置，其转换为通道数目*特征数目的节点特征矩阵X，节点特征矩阵X的每一行代表由相应通道的11个特征组成的特征向量。

所述fNIRS数据集特征提取包括：

(1)计算信号的统计特征。统计特征可以捕获信号的描述性信息，包括了时域信息；

其中，偏度是数据分布中偏度的方向和程度的度量，或者是数据分布中不对称度的数值特征。

峰度表示概率密度分布曲线的平均值处的峰值的特征数，峰度反映了波形峰的尖锐程度。

标准偏差反映数据集的离散度。

斜率，也称为角度系数，是直线与水平轴之间的角度的切线，反映了直线相对于水平面的倾斜度。

通过多项式拟合的方法，将MA期或休息期的数据拟合到一条斜线上，对应的参数为斜率。

(2)计算信号的Hjorth参数。Hjorth参数捕获信号随时间的变化趋势，被广泛用于脑电信号分析，主要有以下三个参数：Activity，Mobility和Complexity。

Activity代表信号活动的平均功率的度量；Mobility表示平均频率的估计值，称为“迁移率”；Complexity给出了信号带宽的估计。

其中各参数的计算公式如下：

Activity＝σ²，其中σ是原始信号的标准偏差；

其中σ′是原始信号的一阶差分信号的标准偏差；

其中σ″是原始信号二阶差的标准偏差。

(3)计算信号的积分。信号下的标准化区域(NAUS)或积分反映了脑电信号的总体变化水平和总体激活水平。

积分计算包括：计算第一次刺激或任务期之前的基线期的平均值；从每个休息期或任务期的数据序列中减去平均值；对处理后的数据序列进行积分。

(4)计算能量特征。选择小波包变换后具有最大能量的频带的能量特征。小波包分解(WPD)与小波分解不同，它不仅分解低频部分，而且分解高频部分。WPD过程是使用一组共轭正交滤波器并将信号分解为不同的频带。如果所选的小波包基函数足够有效，则WPD可以比小波分解提取更有效的特征。

能量特征提取的步骤如下：在一个单一通道中获得某次刺激期间内的预处理后的fNIRS信号序列x(n)；

基于db小波包基函数，对信号序列x(n)进行四层小波包分解，得到不同频段的16个子带重构信号；

计算每个重构信号的小波包能量；

选择具有最大能量的频带的能量特征；

计算数据集所有实验的能量特征形成特征向量，并对特征向量进行归一化。

如图6所示，所述图结构构建模块包括：根据邻接矩阵和节点特征矩阵分别构建AD患者图结构和正常人图结构，对AD患者图结构和正常人图结构添加标签形成训练数据集；

(1)将通道定义为图的节点，并将任何通道对之间的相关系数值定义为图的边，分别构建AD患者图结构和正常人图结构，图的节点信息包括了11个特征，邻接矩阵的每个值都代表了相应通道对的连通性；

(2)对AD患者图结构和正常人图结构添加标签，分别是标签0和标签1，形成训练数据集。

如图7所示，构建图神经网络GCN，并对图结构进行训练，得到模型，具体步骤包括：

(1)GCN网络由两个图卷积层组成，一个层后面是ReLu层，另一层后面是两个池化层和一个ReLu层，以及一个softmax层；总体前向传播公式为：

(2)对fNIRS数据集进行上述处理后最终形成由此种图结构和标签构成的数据集，将其用作图神经网络的输入，用于此模型的训练和测试。

(3)按照7:3的比例将上述数据集分为训练集和测试集，使用训练集对构建的图卷积神经网络进行不断的训练和调参，使用测试集对训练好的模型进行测试。重复此步骤，得到准确率最高、性能最稳定的最优模型；

(4)对待测人员进行以上相同的操作和处理，根据上述模型输出分类结果，判断待测人员是否为阿尔兹海默症。

在更多实施例中，还提供：

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：

利用功能性近红外光谱成像装置对AD患者和正常人的大脑处于活动状态时的氧合血红蛋白、脱氧血红蛋白和总血红蛋白的浓度进行多通道检测，并构建fNIRS数据集；

对经预处理后的fNIRS数据集利用通道之间的相关性构建邻接矩阵；

对经预处理后的fNIRS数据集进行特征提取，以提取的特征构建节点特征矩阵；

根据邻接矩阵和节点特征矩阵分别构建AD患者图结构和正常人图结构，对AD患者图结构和正常人图结构添加标签形成训练数据集；

以训练数据集对构建的图神经网络进行训练，保存训练、调参和测试后最优的分类和检测模型，以此模型对待测人员的数据集进行识别，输出待测人员是否为阿尔兹海默症的辅助诊断结果。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

利用功能性近红外光谱成像装置对AD患者和正常人的大脑处于活动状态时的氧合血红蛋白、脱氧血红蛋白和总血红蛋白的浓度进行多通道检测，并构建fNIRS数据集；

对经预处理后的fNIRS数据集利用通道之间的相关性构建邻接矩阵；

对经预处理后的fNIRS数据集进行特征提取，以提取的特征构建节点特征矩阵；

根据邻接矩阵和节点特征矩阵分别构建AD患者图结构和正常人图结构，对AD患者图结构和正常人图结构添加标签形成训练数据集；

以训练数据集对构建的图神经网络进行训练，保存训练、调参和测试后最优的分类和检测模型，以此模型对待测人员的数据集进行识别，输出待测人员是否为阿尔兹海默症的辅助诊断结果。

以上仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，其特征在于，包括：

脑电检测模块，用于利用功能性近红外光谱成像装置对AD患者和正常人的大脑处于活动状态时的氧合血红蛋白、脱氧血红蛋白和总血红蛋白进行多通道检测，并构建fNIRS数据集；

邻接矩阵构建模块，用于对经预处理后的fNIRS数据集利用通道之间的相关性构建邻接矩阵；

节点特征矩阵构建模块，用于对经预处理后的fNIRS数据集进行特征提取，以提取的特征构建节点特征矩阵；

图结构构建模块，用于根据邻接矩阵和节点特征矩阵分别构建AD患者图结构和正常人图结构，对AD患者图结构和正常人图结构添加标签形成训练数据集；

阿尔兹海默症识别模块，用于以训练数据集对构建的图神经网络进行训练，以训练后的图神经网络对待测人员的测试数据集进行识别，输出待测人员是否为阿尔兹海默症的辅助诊断结果。

2.如权利要求1所述的一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，其特征在于，所述功能性近红外光谱成像装置包括发光器和光电探测器，大脑处于活动状态时，由发光器发射红外光，光电探测器收集被散射的光，对AD患者和正常人的大脑处于活动状态时的氧合血红蛋白、脱氧血红蛋白和总血红蛋白的浓度进行多通道同步检测。

3.如权利要求1所述的一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，其特征在于，所述邻接矩阵构建模块或节点特征矩阵构建模块中对fNIRS数据集的预处理包括：采用滤波器对噪声信号进行滤波，并消除基线漂移；对滤波后的fNIRS数据集进行归一化处理。

4.如权利要求1所述的一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，其特征在于，所述邻接矩阵构建模块包括：

根据经预处理后的fNIRS数据集所有通道的数据序列构建原始数据矩阵，对原始数据矩阵计算各通道对的相关系数，构建相关系数矩阵；

将相关系数矩阵减去单位矩阵，并根据预设阈值过滤边缘信息，生成稀疏相关矩阵；

根据稀疏相关矩阵，将阈值绝对值小于该阈值的相关系数置为0，大于该阈值的相关系数保留，将稀疏相关矩阵转换为邻接矩阵。

5.如权利要求1所述的一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，其特征在于，所述节点特征矩阵构建模块包括：根据经预处理后的fNIRS数据集所有通道的数据序列构建原始数据矩阵，对原始数据矩阵中每个通道的数据序列计算特征值，形成特征矩阵；对特征矩阵进行转置得到节点特征矩阵。

6.如权利要求5所述的一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，其特征在于，所述特征值包括：统计特征、Hjorth参数和能量特征；

所述统计特征包括偏度、峰度、标准偏差和斜率；

所述Hjorth参数包括平均功率、平均频率和信号带宽。

7.如权利要求1所述的一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，其特征在于，所述图结构构建模块包括：将通道定义为图的节点，将通道对之间的相关系数定义为图的边，构建图结构。

8.如权利要求1所述的一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，其特征在于，所述阿尔兹海默症识别模块中，图神经网络包括两个图卷积层，第一图卷积层连接ReLu层，第二图卷积层连接两个池化层、一个ReLu层以及一个softmax层。

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：

利用功能性近红外光谱成像装置对AD患者和正常人的大脑处于活动状态时的氧合血红蛋白、脱氧血红蛋白和总血红蛋白的浓度进行多通道检测，并构建fNIRS数据集；

对经预处理后的fNIRS数据集利用通道之间的相关性构建邻接矩阵；

对经预处理后的fNIRS数据集进行特征提取，以提取的特征构建节点特征矩阵；

根据邻接矩阵和节点特征矩阵分别构建AD患者图结构和正常人图结构，对AD患者图结构和正常人图结构添加标签形成训练数据集；

以训练数据集对构建的图神经网络进行训练，以训练后的图神经网络对待测人员的测试数据集进行识别，输出待测人员是否为阿尔兹海默症的辅助诊断结果。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

利用功能性近红外光谱成像装置对AD患者和正常人的大脑处于活动状态时的氧合血红蛋白、脱氧血红蛋白和总血红蛋白的浓度进行多通道检测，并构建fNIRS数据集；

对经预处理后的fNIRS数据集利用通道之间的相关性构建邻接矩阵；

对经预处理后的fNIRS数据集进行特征提取，以提取的特征构建节点特征矩阵；

根据邻接矩阵和节点特征矩阵分别构建AD患者图结构和正常人图结构，对AD患者图结构和正常人图结构添加标签形成训练数据集；

以训练数据集对构建的图神经网络进行训练，以训练后的图神经网络对待测人员的测试数据集进行识别，输出待测人员是否为阿尔兹海默症的辅助诊断结果。

Images