CN111540467A - 精神分裂症分类识别方法、运行控制装置及医疗设备 - Google Patents
精神分裂症分类识别方法、运行控制装置及医疗设备 Download PDFInfo
- Publication number
- CN111540467A CN111540467A CN202010315531.5A CN202010315531A CN111540467A CN 111540467 A CN111540467 A CN 111540467A CN 202010315531 A CN202010315531 A CN 202010315531A CN 111540467 A CN111540467 A CN 111540467A
- Authority
- CN
- China
- Prior art keywords
- capsule
- schizophrenia
- classification
- layer
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Child & Adolescent Psychology (AREA)
- General Engineering & Computer Science (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Image Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- High Energy & Nuclear Physics (AREA)
Abstract
本发明公开一种精神分裂症分类识别方法、运行控制装置及医疗设备,包括获取数据样本,对数据样本进行预处理,得到功能连接矩阵;将功能连接矩阵输入到卷积层,在卷积层设置若干不同尺寸的卷积核,并通过每个卷积核从功能连接矩阵中提取得到胶囊;将胶囊输入到胶囊层,基于胶囊随机失活策略,采用路由协议算法对加权矩阵进行迭代更新,胶囊通过加权矩阵转换为预测向量;将预测向量加权求和后输入到分类胶囊层,根据边缘损失函数利用反向传播算法更新权值;根据网络训练得到最终权值,并计算得出分类结果,以分类出精神分裂症。本发明技术方案能够实现对精神分裂症的分类识别,提高分类准确度及提高分类方法的性能和鲁棒性。
Description
技术领域
本发明涉及精神分裂症诊断分类领域,特别涉及一种精神分裂症分类识别方法、运行控制装置及医疗设备。
背景技术
精神分裂症是指以基本个性改变,思维、情感、行为的分裂,精神活动与环境的不协调为主要特征的一类最常见的精神病。对于患者而言,精神分裂症会给生活和工作带来严重影响。
目前,对于精神分裂症的诊断主要依赖于对明显的精神症状的定性检查和患者的自述经验,但这对于早期及时发现疾病是不可行的。以神经生理信号为基础的机器学习诊断可能在精神分裂症的早期能够发现细微的异常。根据现有一些对精神分裂症的研究,可以针对患者的不同脑区之间的功能连接障碍进行反复的观察。功能连接障碍表现为脑区之间连接强度的异常,可以通过机器学习的方法将精神分裂症患者与正常人区分开。
迄今为止,根据功能性磁共振成像数据,对于精神分裂症的鉴定基本采用简单的机器学习方法和复杂的机器学习方法,并取得了一定的效果。现有的简单机器学习方法一般需要通过两个单独的步骤,例如,对所有功能连接特征进行评估,筛选出最具判别力的特征,采用线性判别分析等方法进行精神分裂症分类,但是这种方法将使得最佳特征提取和分类器训练不能同时进行协调和优化。而复杂的机器学习方法(例如深度神经网络)集成了两个步骤,并且可以同时调整以实现最佳性能。通过使用更复杂的方法在精神分裂症分类中可能会具有更好的表现,然而这些复杂的方法需要大量的数据用于模型训练,而在实践中由于存在参与方数量有限、采集成本高昂等多种因素的影响,现有的数据规模通常不足以满足需求。
名词解释:
AAL全称是Anatomical Automatic Labeling,大脑分区AAL模板是由蒙特利尔神经病学研究所提供的,大脑分区AAL模板一共有116个区域,90个属于大脑区域,26个属于小脑区域。
Fisher变换(费雪变换,英文全称是Fisher transformation),是统计学中用于相关系数假设检验的一种方法。
Softmax函数:在数学,尤其是概率论和相关领域中,归一化指数函数,或称Softmax函数,是逻辑函数的一种推广。它能将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种精神分裂症分类识别方法、运行控制装置及医疗设备,能够实现对精神分裂症的分类识别,提高分类准确度以及提高分类方法的性能和鲁棒性。
本发明实施例的第一方面,提供了一种精神分裂症分类识别方法,包括:
获取数据样本,并对所述数据样本进行预处理,得到功能连接矩阵;
将所述功能连接矩阵输入到多核胶囊网络的卷积层,在所述卷积层中设置若干个不同尺寸的卷积核,并通过每个所述卷积核从所述功能连接矩阵中提取连接信息,得到胶囊,其中,所述胶囊以向量形式表示,所述向量的方向代表属性,所述向量的长度代表对应属性的概率;
将所述胶囊输入到多核胶囊网络的胶囊层,基于胶囊随机失活策略,采用路由协议算法对加权矩阵进行迭代更新,之后所述胶囊通过所述加权矩阵转换为预测向量;
将所述预测向量加权求和后输入到多核胶囊网络的分类胶囊层,根据边缘损失函数利用反向传播算法更新网络连接的权值;
根据多核胶囊网络训练得到最终权值,根据所述最终权值计算得出所述数据样本的分类结果,以分类出精神分裂症。
本发明实施例中提供的一个或多个技术方案,至少具有如下有益效果:本发明实施例,通过设置多核胶囊网络对获取的数据样本进行分类,能够有效分类出患有精神分裂症的患者,相对于现有技术,本发明实施例的技术方案,提高了分类准确度,以及有效提高分类方法的性能和鲁棒性,且无需通过采集大量数据样本用于模型训练,降低数据采集的成本。
根据本发明的一些实施例,所述获取数据样本,并对所述数据样本进行预处理,得到功能连接矩阵,包括:
利用磁共振成像获取数据样本;
通过统计参数映射、静息态功能磁共振数据分析和静息态功能磁共振数据处理对所述数据样本进行预处理,得到功能连接矩阵。
根据本发明的一些实施例,所述预处理包括信号回归、带通滤波、平滑处理、图像分割、皮尔逊相关性分析和Fisher变换。
根据本发明的一些实施例,所述将所述胶囊输入到多核胶囊网络的胶囊层,基于胶囊随机失活策略,采用路由协议算法对加权矩阵进行迭代更新,之后所述胶囊通过所述加权矩阵转换为预测向量,包括以下步骤:
从每个所述卷积核中提取到的所述胶囊作为一组,构成与不同所述卷积核对应的若干胶囊组成的通道;
将通道中的胶囊输入至所述多核胶囊网络的胶囊层;
基于胶囊随机失活策略,采用路由协议算法对加权矩阵进行迭代更新;
所述通道中的胶囊通过所述加权矩阵转换为预测向量。
根据本发明的一些实施例,所述预测向量的计算公式为:
根据本发明的一些实施例,所述将预测向量加权求和的计算公式为:
其中,cij=exp(bij)/∑j∈Jexp(bij);
所述Sj是所述预测向量加权求和结果;所述cij是耦合系数,表示从所述较低级别胶囊i到较高级别胶囊j的链路系数,由Softmax函数确定;bij是所述较低级别胶囊i耦合到所述较高级别胶囊j的对数先验概率;J={1,2,3,…,j,…},是所述分类胶囊层中所有所述胶囊的集合。
根据本发明的一些实施例,还包括:将所述胶囊输出的向量的长度进行归一化至范围[0,1]内。
根据本发明的一些实施例,所述边缘损失函数的计算公式为:
L2=∑j∈JL2j=∑j∈JTjmax(0,m+-||vj||)2+∑j∈Jλ(1-Tj)max(0,||vj||-m-)2;
其中,所述L2表示所述边缘损失函数;所述vj是胶囊输出的向量,在所述分类胶囊层中所述胶囊的数量与类别的数量相同;当且仅当类别所述j存在时,所述Tj值为1;所述m+和所述m-分别为0.9和0.1;所述λ是加权因子,所述λ为0.5。
本发明实施例的第二方面,提供了一种运行控制装置,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上述第一方面所述的精神分裂症分类识别方法。
本发明实施例的第三方面,提供了一种医疗设备,包括有输入装置和如上述第二方面的运行控制装置,所述输入装置和所述运行控制装置电连接。
本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上述第一方面所述的精神分裂症分类识别方法。
本发明的附加方面和/或优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一个实施例所提供的精神分裂症分类识别方法的流程示意图;
图2是本发明一个实施例所提供的多核胶囊网络的结构示意图;
图3是本发明一个实施例所提供的对数据样本进行预处理的流程示意图;
图4是本发明一个实施例所提供的胶囊进入胶囊层后的流程示意图;
图5是本发明一个实施例所提供的路由协议算法中链路动态更新示意图;
图6是本发明一个实施例所提供的各模型性能比较的条状示意图;
图7是本发明一个实施例所提供的运行控制装置的结构示意图;
图8是本发明一个实施例所提供的医疗设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,虽然在系统示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于系统中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
参照图1、图2,本发明实施例的第一方面,提供了一种精神分裂症分类识别方法,包括:
步骤S100,获取数据样本,并对数据样本进行预处理,得到功能连接矩阵;
步骤S200,将功能连接矩阵输入到多核胶囊网络的卷积层,在卷积层中设置若干个不同尺寸的卷积核,并通过每个卷积核从功能连接矩阵中提取连接信息,得到胶囊,其中,胶囊以向量形式表示,向量的方向代表属性,向量的长度代表对应属性的概率;
步骤S300,将胶囊输入到多核胶囊网络的胶囊层,基于胶囊随机失活策略,采用路由协议算法对加权矩阵进行迭代更新,之后胶囊通过加权矩阵转换为预测向量;
步骤S400,将预测向量加权求和后输入到多核胶囊网络的分类胶囊层,根据边缘损失函数利用反向传播算法更新网络连接的权值;
步骤S500,根据多核胶囊网络训练得到最终权值,根据最终权值计算得出数据样本的分类结果,以分类出精神分裂症。
胶囊神经网络不需要采集大量数据用于模型训练,且能够获得良好的性能。胶囊神经网络的最初目的是对邮政编码手写数字进行分类,现已扩展到图像识别和文本挖掘中。胶囊神经网络在基于磁共振成像(MRI)数据进行脑肿瘤类型识别方面的性能优于卷积神经网络(CNN)。为将胶囊神经网络更好应用于精神分裂症的分类诊断中,根据大脑构造和分区(与精神分裂症密切相关),对胶囊神经网络作进一步改进。故在本发明一些实施例中,通过采用多核胶囊网络实现对精神分裂症的分类识别,多核胶囊网络中的多核结构分别对应于大脑中的不同构造和分区;每个核用于捕获特定大小的大脑区域信息,并且由这些核提取的特征被表示为向量(称为胶囊)。
具体地,参照图2,多核胶囊网络由卷积层、胶囊层和分类胶囊层构成。根据大脑构造和分区,在多核胶囊网络的卷积层中设置若干个不同尺寸的卷积核,在本发明一些实施例中,总共划分为6个。这6个卷积核的尺寸分别为1列,4列,6列,7列,9列和15列,其中,列是指功能连接矩阵的列,对应于大脑分区AAL模板,即与大脑解剖部分的不同区域尺寸相匹配,例如,卷积核的尺寸为4列对应于大脑皮层下,卷积核的尺寸为9列对应于小脑等,每个核所对应的大脑区域均可在图2中找到。通过获取数据样本,并对数据样本进行预处理,得到功能连接矩阵。在多核胶囊网络的卷积层中,通过卷积层提取得到的连接信息,用向量形式表示,称为胶囊,向量的方向代表属性,向量的长度代表对应属性的概率。之后,将胶囊输入至多核胶囊网络的胶囊层,之后基于胶囊随机失活策略,胶囊随机失活策略中的随机失活率是设定的,例如可以设定为50%,路由协议算法用于对加权矩阵进行迭代更新,胶囊通过加权矩阵转换为预测向量;将预测向量加权求和后输入到多核胶囊网络的分类胶囊层,在分类胶囊层中利用边缘损失函数计算损失值,并通过反向传播算法更新网络连接的权值。当多核胶囊网络训练好后,得到最终权值。根据最终权值计算得出数据样本的分类结果,以分类出精神分裂症,即分类得出为精神分裂症患者或者健康人。
本发明实施例中提供的一个或多个技术方案,至少具有如下有益效果:本发明实施例,通过设置多核胶囊网络对获取的数据样本进行分类,能够有效分类出患有精神分裂症的患者,相对于现有技术,本发明实施例的技术方案,提高了分类准确度,以及有效提高分类方法的性能和鲁棒性,且无需通过采集大量数据用于模型训练,降低数据采集的成本。
参照图3,根据本发明的一些实施例,获取数据样本,并对数据样本进行预处理,得到功能连接矩阵,包括:
步骤S110,利用磁共振成像获取数据样本;
步骤S120,通过统计参数映射、静息态功能磁共振数据分析和静息态功能磁共振数据处理对数据样本进行预处理,得到功能连接矩阵。
在本发明一些实施例中,利用磁共振成像获取数据样本,例如,T1加权磁共振成像和/或静息态功能磁共振成像的扫描均可由3-Tesla(特斯拉)磁共振扫描仪收集。T1加权磁共振成像的数据主要是利用快速梯度回波序列采集的,具体地,重复时间(TR)设置为2.53s,回波时间(TE)设置为1.64ms,3.5ms,5.36ms,7.22ms,9.08ms,翻转角设置为7°,厚片厚度设置为176mm,视野(FOV)设置为256×256mm,采集矩阵设置为256×256,体素分辨率设置为1×1×1mm3;静息态功能磁共振成像的数据主要是通过回波平面成像获取的,具体地,重复时间(TR)设置为2s,回波时间(TE)设置为29ms,矩阵设置为64×64,切片设置为33,体素分辨率设置为3×3×4mm3。获取了数据样本之后,对数据样本进行预处理,例如通过统计参数映射、静息态功能磁共振数据分析和静息态功能磁共振数据处理等。具体地,采用三个工具箱:统计参数映射、静息态功能磁共振数据分析工具包和静息态功能磁共振数据处理助手,其中静息态功能磁共振数据处理助手可以选择:MATLAB环境下的静息态功能磁共振高级版数据处理助手,从而获得功能连接矩阵。
根据本发明的一些实施例,预处理包括信号回归、带通滤波、平滑处理、图像分割、皮尔逊相关性分析和Fisher变换。
在本发明一些实施例中,需要对数据样本进行预处理,例如,通过对容积去除、运动校正、切片时序校正、空间归一化、头部运动参数、脑脊液、白质等回归量进行信号回归;在截止频率为0.01Hz和0.08Hz下,将数据样本进行带通滤波以减少噪音影响,以及进行空间平滑处理后,采用名为“自动解剖标记模板(AAL)”的解剖学图集对大脑进行分割,得到116个感兴趣区域(ROI)。随后利用皮尔逊(Pearson)相关性来计算所有感兴趣区域(ROI)对的连接强度,再应用Fisher的r-z变换以提高连接强度的正态性。将所有连接强度值组合在一起以形成功能连接矩阵,功能连接矩阵是多核胶囊网络的输入数据。
参照图4,根据本发明的一些实施例,将胶囊输入到多核胶囊网络的胶囊层,基于胶囊随机失活策略,采用路由协议算法对加权矩阵进行迭代更新,之后胶囊通过加权矩阵转换为预测向量,包括以下步骤:
步骤S310,从每个卷积核中提取到的胶囊作为一组,构成与不同卷积核对应的若干胶囊组成的通道;
步骤S320,将通道中的胶囊输入至多核胶囊网络的胶囊层;
步骤S330,基于胶囊随机失活策略,采用路由协议算法对加权矩阵进行迭代更新;
步骤S340,通道中的胶囊通过加权矩阵转换为预测向量。
在本发明一些实施例中,根据大脑构造和分区,在多核胶囊网络的卷积层中设置若干个不同尺寸的卷积核,具体地,总共划分为6个。将功能连接矩阵输入到多核胶囊网络的卷积层,并通过每个卷积核从功能连接矩阵中提取连接信息,得到胶囊。之后将从每个卷积核中提取到的胶囊作为一组,形成一个通道,由于总共具有6个卷积核,故相应构成6个通道,具体地,构成了与不同卷积核对应的若干胶囊组成的通道。在多核胶囊网络的胶囊层中,胶囊随机失活策略被嵌入每个通道内,且每个通道的随机失活率是单独设定的,并且所有通道的随机失活率相同。路由协议算法主要用于对加权矩阵进行迭代更新,之后通道中的胶囊通过加权矩阵转换为预测向量。更新过程如图5所示。
根据本发明的一些实施例,预测向量的计算公式为:
将预测向量加权求和的计算公式为:
其中,cij=exp(bij)/∑j∈Jexp(bij);
Sj是预测向量加权求和结果;cij是耦合系数,表示从较低级别胶囊i到较高级别胶囊j的链路系数,由Softmax函数确定;bij是较低级别胶囊i耦合到较高级别胶囊j的对数先验概率;J={1,2,3,…,j,…},是分类胶囊层中所有胶囊的集合;将胶囊输出的向量的长度进行归一化至范围[0,1]内。
在本发明一些实施例中,根据预处理得到的功能连接矩阵,将其输入到多核胶囊网络中。多核胶囊网络包括卷积层、胶囊层和分类胶囊层,功能连接矩阵中的列分别采用若干不同尺寸的卷积核缠绕。对于每个卷积核,卷积层的输出以向量的形式被输入到胶囊层。这些向量也被称为胶囊,是胶囊层的输入,例如,μi、μj分别是较低级别胶囊i、较高级别胶囊j在胶囊层中的表示符号。基于胶囊随机失活策略,若加权矩阵没有被丢弃,则在边缘损失函数支持的情况下,加权矩阵Wij通过反向传播,在整个链路过程完成时(通过若干次链路迭代)被更新。
在分类胶囊层中输入的是胶囊层输出的所有预测向量的加权求和,将预测向量加权求和的计算公式为:
根据本发明的一些实施例,边缘损失函数的计算公式为:
L2=∑j∈JL2j=∑j∈JTjmax(0,m+-||vj||)2+∑j∈Jλ(1-Tj)max(0,||vj||-m-)2;
其中,L2表示边缘损失函数;vj是胶囊输出的向量,在分类胶囊层中胶囊的数量与类别的数量相同;当且仅当类别j存在时,Tj值为1;m+和m-分别为0.9和0.1;λ是加权因子,λ为0.5。
在本发明一些实施例中,将预测向量加权求和后输入到多核胶囊网络的分类胶囊层。分类胶囊层中胶囊的数量与类别的数量相同,利用边缘损失函数来更新模型参数,总边缘损失是所有胶囊损失的总和,计算公式为:
L2=∑j∈JL2j=∑j∈JTjmax(0,m+-||vj||)2+∑j∈Jλ(1-Tj)max(0,||vj||-m-)2。
在多核胶囊网络训练阶段,根据反向传播算法更新网络连接的权值,以使总损失最小化。基于路由协议算法中的链路过程更新是在单条轨迹内进行,在测试阶段,胶囊的长度被计算为每个类别的概率,具有最大概率的类别将被记为数据样本的类别,以分类出精神分裂症。
结合图2、图5和图6,阐述本发明实施例的具体过程如下:
本发明一些实施例中,优选地,采用多核胶囊网络实现对精神分裂症的分类识别。
为了验证本发明实施例,通过采用相同的公开数据集来比较多核胶囊网络模型(MKCapsnet)的分类准确度与其他用于精神分裂症识别方法的分类准确度,其他用于精神分裂症识别的方法包括:K最近邻(k-NN,k-nearest neighbor)分类算法、线性判别分析(LDA)、线性支持向量机(L-SVM)和深度神经网络(DNN)。其中,使用的公开数据集由美国国立卫生研究院卓越生物医学研究中心(COBRE)提供,共由148名参与者参与,3名参与者被排除在预处理之外,理由是没有可用的类别信息(即没有识别数据是否来自患者的标签)或短时间的批量扫描,故有145名参与者,加上另外14名参与者因头部过度活动而被排除。最后共有:精神分裂症患者60例,正常对照组71例。通过10倍交叉验证获得的平均分类准确率来进行性能比较。
1.模型结构的比较
表1模型训练中的参数设置
参数 | 设置 |
训练次数 | 500 |
学习率 | 0.01 |
批次大小 | 3 |
随机失活率 | 50% |
激活函数 | Softplus |
提前停止标准 | 0.008 |
表2模型中的层设置参数
*核尺寸{1,4,6,7,9,15}表示卷积层中对应于解剖学图集上的大脑分割。
参照表1为模型训练时使用的参数设置,表2为模型中的层设置参数。通过网格搜索法查找用于模型训练时的参数设置和模型结构的参数。参数搜索流程如下:1.链路迭代的次数;2.激活函数;3.学习率;4.训练次数和批次大小;5.随机失活率;6.滤片/切片规格、每像素占用字节数;7通道和向量长度。
表3不同模型结构的性能比较
*标量随机失活策略:对向量元素执行随机失活操作;
*向量随机失活策略:没有对为每个通道分别设置随机失活,同时对这些通道应用设置50%的随机失活率。
*胶囊随机失活策略:每个通道分别设定随机失活率,所有通道随机失活率为50%。
参照表3,由于模型中不同设置将导致不同的分类性能,故在本发明一些实施例中,通过比较不同设置(即不同的随机失活策略、单个内核(列)与多个内核、有无多切片通道以及不同的损失)下的性能,以了解性能随模型的变化情况。所有平均分类准确率都是通过10倍交叉验证获得的。结果表明,具有多个内核、多切片通道和胶囊随机失活策略的模型性能最佳(准确率为82.42%、灵敏度为88.57%、特异度为75.00%)。由于受益于多个内核的设置,与最佳单列内核设置相比,本发明实施例的准确率提高了2.25%(请参考表3中的第11行和13行)。与正方形内核设置相比,本发明实施例的准确率显著提高了17.69%(请参考表3中的第12行和13行),在深度学习模型中,正方形内核设置经常用于图像和视频处理。由此可知,多切片通道的性能优于单切片通道。此外,胶囊随机失活策略比标量随机失活策略(请参考表3中的第4和6行)的准确率高1.43%,比向量随机失活策略(请参考表3中的第5和6行)的准确率高0.60%。在损失标准的性能比较中,L2损失与L1损失相比,L2损失显示出明显的优越性。
2.分类方法的比较
将所提出的多核胶囊网络与其他根据功能性连接对精神分裂症进行分类的方法进行比较。这些分类方法中的函数连接矩阵与本实施例所提出的精神分裂症分类识别方法中的功能连接矩阵相同。涉及参数的设置,采用网格搜索来优化参数,以实现最大化分类性能,由于参数数量巨大,为了减少搜索过程的时间消耗,参数被分组搜索并被设置为初始值。由于序列参数搜索也影响优化过程和模型性能,因此可基于参数的重要性来设置搜索序列。网格搜索的最后一步选取了影响特征尺寸的滤片/切片规格(8、16、32、64、128和256之间)、每像素占用字节数(1、2、3和4之间)、通道数(6、12、32和64之间)以及向量长度(8、12、20、32和64之间);同时考虑影响训练期所需的时间和训练阶段的过拟合的编号(在50、100、500和1000之间)和批次大小(在2、3、8、16和32之间)。然后,选择抑制过拟合的随机失活率(在0.3、0.4、0.5、0.6和0.7中)。而确认链路迭代的次数,是基于链路过程的重要性。链路迭代的次数根据模型的性能(在1、2、3、4和5之间)被设置为3,在链路迭代稳定之后,单独地确定影响反向传播过程和训练阶段的参数以进行链路迭代求解,即激活函数(在SoftPlus、整流线性单元和Sigmoid之中)和学习率(在0.1、0.05、0.01、10-3和10-4之中),相比之下,对其他不敏感参数进行搜索,这些参数的微小变化对模型性能没有显著影响。参数设置可参考表1、表2。
请参考表3、图6,多核胶囊网络(MKCapsnet)在分类准确率和灵敏度方面优于其它所有方法。具体地,多核胶囊网络实现了82%的最高准确率,而K最近邻(k-NN)分类算法、线性支持向量机(L-SVM)、线性判别分析(LDA)和深度神经网络(DNN)的准确率分别为71%、73%、76%和79%。在灵敏度方面,多核胶囊网络比其它几个方法相比至少高6%(MKCapsnet:89%,相对于:k-NN:57%,L-SVM:67%,LDA:70%,DNN:83%)。在特异度方面,多核胶囊网络比其它几个方法相比略小(MKCapsnet:75%,相对于:k-NN:83%,L-SVM:77%,LDA:82%,DNN:75%)。
如图5所示,将路由协议算法中链路系数的动态更新过程可视化。第一和第二行中的子曲线描述了精神分裂症患者样本的演进过程,而第三和第四行中的子曲线描述了健康对照组的演进过程。赋值0为将所有都设置初始化。在第一次迭代时,通过计算耦合系数cij,并且cij等于0.5。0.5表示对任何类别都没有偏好。随着进化,配对值逐渐地被路由链路到1和0,以代表每个类别的概率。对于精神分裂症患者样本,判别特征(像素代表一个特征)显示出:高概率链路到精神分裂症类别,低概率链路到健康对照组,对于健康对照组的分类概率则相反。经过较大概率差处理的特征具有较强的区分能力(具体参照图5中第一行和第四行为相同的较浅颜色,第二行和第三行为相同的较深颜色)。可以看出,各个大脑区域对精神分裂症的鉴定均有贡献,但额叶的贡献大于其他大脑区域。
本发明一些实施例,提出了多核胶囊网络模型,在该模型中嵌入了多个内核,以获取不同大小的大脑解剖部分中的内在连接特征。具体参照表3,多核胶囊网络总体上优于其他用于精神分裂症鉴定的方法(即k-NN、L-SVM、LDA和DNN)。特别是在灵敏度方面,多核胶囊网络的性能比深度神经网络(DNN)提高了6%。这就意味着多核胶囊网络能够更准确地识别精神分裂症患者,且在实际应用中,精神分裂症患者的检测失败的概率较低。
此外,本发明实施例所提出的精神分裂症分类识别方法,不需要像K-NN和L-SVM等方法那样对特征的选择进行单独步骤,从而减少了分类过程的步骤数量。分类器的缺点是最佳特征提取和分类器学习不能同时进行,这就降低了最优解的可能性,从而不能获得最佳分类性能。本实施例采用多核来获取大脑区域的变化尺寸中的功能连接特征,使得模型能够从本社区到全球社区的不同尺度上学习不同的信息。多核胶囊网络中的多核结构分别对应于大脑中的不同构造和分区,具体地,根据大脑分区AAL模板划分整个大脑时,卷积核的尺寸为1列对应于最小脑区;4列对应于大脑皮层下;6列对应于顶叶和颞叶;7列对应于枕叶、脑岛和脑边缘;9列对应于小脑,15列对应于额叶。
请参照表3,基于损失函数中所使用的不同准则的比较结果,性能是有差别的。在本发明一些实施例中,L2损失优于L1损失。当使用L2损失时,所有三个评估指标都显示出较高的准确率(L2损失相对于L1损失,准确率:82.42%相对于69.34%;灵敏度:88.57%相对于75.89%;特异度:75.00%相对于61.67%)。L1损失在最优解搜索过程中表现出波动性,收敛性较差。相反,L2损失表现出相对稳定的收敛。在胶囊层中,采用胶囊随机失活策略以提高训练效果。在本实施例中,为每个通道(对应于每个内核)单独地设置随机失活率,使得在每个通道中随机失活的向量数量可以保持相同。与向量随机失活策略(不是为每个通道单独设置随机失活,并且在一个通道中随机失活的向量数量可能大于另一个通道的向量数量)相比,当使用胶囊随机失活策略时,分类性能提高了0.6%。在图像或视频数据的深度学习模型中,标量随机失活策略得到了广泛的应用,将本实施例与之相比,本实施例的胶囊随机失活策略表现提高了1.4%。这些结果表明随机失活整个向量的方式优于随机失活胶囊网络中的向量的元素的方式。每个通道中的单独丢失表现出随机失活率在通道之间能够平衡的优点。因此,胶囊随机失活策略避免了在一些通道中存在过度随机失活,或在其它通道中存在缺失的问题。
参照图7,本发明实施例的第二方面,提供了一种运行控制装置,该运行控制装置6000可以是任意类型的智能终端,如手机、平板电脑、个人计算机等。
根据本发明的一些实施例,该运行控制装置6000包括:一个或多个控制处理器6001和存储器6002,图7中以一个控制处理器6001为例。
控制处理器6001和存储器6002可以通过总线或其他方式连接,图7以通过总线连接为例。
存储器6002作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及单元,如本发明实施例中的运行控制装置6000对应的程序指令/单元。控制处理器6001通过运行存储在存储器6002中的非暂态软件程序、指令以及单元,从而执行各种功能应用以及数据处理,即实现上述方法实施例的精神分裂症分类识别方法。
存储器6002可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据程序指令/单元创建的数据等。此外,存储器6002可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器6002可选包括相对于控制处理器6001远程设置的存储器,这些远程存储器可以通过网络连接至该运行控制装置6000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器6002中,当被一个或者多个控制处理器6001执行时,执行上述任意方法实施例中的精神分裂症分类识别方法。例如,执行以上描述的图1中的方法步骤S100至S500、图3中的方法步骤S110至S120、图4中的方法步骤S310至S340。
参照图8,本发明实施例的第三方面,还提供了一种医疗设备7000,包括有输入装置7001和如上述实施例的运行控制装置6000,输入装置7001和运行控制装置6000电连接。在本实施例中,输入装置7001可以为触摸屏幕、键盘、遥控器等。在其他实施例中,还可以包括有用于显示精神分裂症分类结果的屏幕等显示器或者用于指示患者健康状态的指示灯。例如,设置用于指示患者健康状态的指示灯:红色指示灯亮起,表示患者患有精神分裂症;绿色指示灯亮起,表示为健康状态;又或者,设置指示灯闪烁表示患者患有精神分裂症,指示灯常亮表示为健康状态。指示灯能够反映患者身体情况。
本发明实施例的第四方面,还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器6001执行,例如,被图7中的一个控制处理器6001执行,可使得上述一个或多个控制处理器6001执行上述方法实施例中的精神分裂症分类识别方法,例如,执行以上描述的图1中的方法步骤S100至S500、图3中的方法步骤S110至S120、图4中的方法步骤S310至S340。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种精神分裂症分类识别方法,其特征在于,包括:
获取数据样本,并对所述数据样本进行预处理,得到功能连接矩阵;
将所述功能连接矩阵输入到多核胶囊网络的卷积层,在所述卷积层中设置若干个不同尺寸的卷积核,并通过每个所述卷积核从所述功能连接矩阵中提取连接信息,得到胶囊,其中,所述胶囊以向量形式表示,所述向量的方向代表属性,所述向量的长度代表对应属性的概率;
将所述胶囊输入到多核胶囊网络的胶囊层,基于胶囊随机失活策略,采用路由协议算法对加权矩阵进行迭代更新,之后所述胶囊通过所述加权矩阵转换为预测向量;
将所述预测向量加权求和后输入到多核胶囊网络的分类胶囊层,根据边缘损失函数利用反向传播算法更新网络连接的权值;
根据多核胶囊网络训练得到最终权值,根据所述最终权值计算得出所述数据样本的分类结果,以分类出精神分裂症。
2.根据权利要求1所述的精神分裂症分类识别方法,其特征在于,所述获取数据样本,并对所述数据样本进行预处理,得到功能连接矩阵,包括:
利用磁共振成像获取数据样本;
通过统计参数映射、静息态功能磁共振数据分析和静息态功能磁共振数据处理对所述数据样本进行预处理,得到功能连接矩阵。
3.根据权利要求2所述的精神分裂症分类识别方法,其特征在于,所述预处理包括信号回归、带通滤波、平滑处理、图像分割、皮尔逊相关性分析和Fisher变换。
4.根据权利要求1所述的精神分裂症分类识别方法,其特征在于,所述将所述胶囊输入到多核胶囊网络的胶囊层,基于胶囊随机失活策略,采用路由协议算法对加权矩阵进行迭代更新,之后所述胶囊通过所述加权矩阵转换为预测向量,包括以下步骤:
从每个所述卷积核中提取到的所述胶囊作为一组,构成与不同所述卷积核对应的若干胶囊组成的通道;
将通道中的胶囊输入至所述多核胶囊网络的胶囊层;
基于胶囊随机失活策略,采用路由协议算法对加权矩阵进行迭代更新;
所述通道中的胶囊通过所述加权矩阵转换为预测向量。
7.根据权利要求6所述的精神分裂症分类识别方法,其特征在于,还包括:将所述胶囊输出的向量的长度进行归一化至范围[0,1]内。
8.根据权利要求1至4任一项所述的精神分裂症分类识别方法,其特征在于,所述边缘损失函数的计算公式为:
L2=∑j∈JL2j=∑j∈JTjmax(0,m+-||vj||)2+∑j∈Jλ(1-Tj)max(0,||vj||-m-)2;
其中,所述L2表示所述边缘损失函数;所述vj是胶囊输出的向量,在所述分类胶囊层中所述胶囊的数量与类别的数量相同;当且仅当类别所述j存在时,所述Tj值为1;所述m+和所述m-分别为0.9和0.1;所述λ是加权因子,所述λ为0.5。
9.一种运行控制装置,其特征在于,包括:至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至8任一项所述的精神分裂症分类识别方法。
10.一种医疗设备,其特征在于:包括有输入装置和如权利要求9所述的运行控制装置,所述输入装置和所述运行控制装置电连接。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315531.5A CN111540467B (zh) | 2020-04-21 | 2020-04-21 | 精神分裂症分类识别方法、运行控制装置及医疗设备 |
PCT/CN2020/112153 WO2021212715A1 (zh) | 2020-04-21 | 2020-08-28 | 精神分裂症分类识别方法、运行控制装置及医疗设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315531.5A CN111540467B (zh) | 2020-04-21 | 2020-04-21 | 精神分裂症分类识别方法、运行控制装置及医疗设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111540467A true CN111540467A (zh) | 2020-08-14 |
CN111540467B CN111540467B (zh) | 2023-03-31 |
Family
ID=71970632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010315531.5A Active CN111540467B (zh) | 2020-04-21 | 2020-04-21 | 精神分裂症分类识别方法、运行控制装置及医疗设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111540467B (zh) |
WO (1) | WO2021212715A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021212715A1 (zh) * | 2020-04-21 | 2021-10-28 | 五邑大学 | 精神分裂症分类识别方法、运行控制装置及医疗设备 |
CN113706459A (zh) * | 2021-07-15 | 2021-11-26 | 电子科技大学 | 一种自闭症患者异常脑区的检测及模拟修复装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114334140B (zh) * | 2022-03-08 | 2022-07-19 | 之江实验室 | 基于多关系功能连接矩阵的疾病预测系统及装置 |
CN117874286B (zh) * | 2024-03-13 | 2024-05-31 | 广州宇中网络科技有限公司 | 一种基于SaaS云应用的云基视频分析方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025284A (zh) * | 2017-04-06 | 2017-08-08 | 中南大学 | 网络评论文本情感倾向的识别方法及卷积神经网络模型 |
CN107908757A (zh) * | 2017-11-21 | 2018-04-13 | 恒安嘉新(北京)科技股份公司 | 网站分类方法及系统 |
CN108763219A (zh) * | 2018-06-06 | 2018-11-06 | 安徽继远软件有限公司 | 基于cnn-rsc组合优化算法的语音情感分析方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898577B (zh) * | 2018-05-24 | 2022-03-01 | 西南大学 | 基于改进胶囊网络的良恶性肺结节识别装置及方法 |
US11010902B2 (en) * | 2018-06-04 | 2021-05-18 | University Of Central Florida Research Foundation, Inc. | Capsules for image analysis |
EP3617948A1 (en) * | 2018-08-30 | 2020-03-04 | Siemens Healthcare GmbH | Capsule networks for analyzing medical image data |
CN109801305B (zh) * | 2019-01-17 | 2021-04-06 | 西安电子科技大学 | 基于深度胶囊网络的sar图像变化检测方法 |
CN110084320A (zh) * | 2019-05-08 | 2019-08-02 | 广东工业大学 | 甲状腺乳头状癌超声图像识别方法、装置、系统及介质 |
CN111540467B (zh) * | 2020-04-21 | 2023-03-31 | 五邑大学 | 精神分裂症分类识别方法、运行控制装置及医疗设备 |
-
2020
- 2020-04-21 CN CN202010315531.5A patent/CN111540467B/zh active Active
- 2020-08-28 WO PCT/CN2020/112153 patent/WO2021212715A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025284A (zh) * | 2017-04-06 | 2017-08-08 | 中南大学 | 网络评论文本情感倾向的识别方法及卷积神经网络模型 |
CN107908757A (zh) * | 2017-11-21 | 2018-04-13 | 恒安嘉新(北京)科技股份公司 | 网站分类方法及系统 |
CN108763219A (zh) * | 2018-06-06 | 2018-11-06 | 安徽继远软件有限公司 | 基于cnn-rsc组合优化算法的语音情感分析方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021212715A1 (zh) * | 2020-04-21 | 2021-10-28 | 五邑大学 | 精神分裂症分类识别方法、运行控制装置及医疗设备 |
CN113706459A (zh) * | 2021-07-15 | 2021-11-26 | 电子科技大学 | 一种自闭症患者异常脑区的检测及模拟修复装置 |
CN113706459B (zh) * | 2021-07-15 | 2023-06-20 | 电子科技大学 | 一种自闭症患者异常脑区的检测及模拟修复装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111540467B (zh) | 2023-03-31 |
WO2021212715A1 (zh) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111540467B (zh) | 精神分裂症分类识别方法、运行控制装置及医疗设备 | |
CN109886273B (zh) | 一种cmr图像分割分类系统 | |
CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
CN107358014B (zh) | 一种生理数据的临床前处理方法及系统 | |
CN109117864A (zh) | 基于异构特征融合的冠心病风险预测方法、模型及系统 | |
CN109344889B (zh) | 脑疾病分类装置、用户终端和计算机可读存储介质 | |
CN111090764B (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
CN109558912A (zh) | 一种基于深度可分离卷积的阿尔兹海默病分类方法 | |
CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
CN112733774A (zh) | 一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法 | |
Zhang et al. | Feature-transfer network and local background suppression for microaneurysm detection | |
CN114595725B (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
CN115496953A (zh) | 基于时空图卷积的脑网络分类方法 | |
CN113786185B (zh) | 一种基于卷积神经网络的静态脑网络特征提取方法和系统 | |
Buvaneswari et al. | Detection and Classification of Alzheimer’s disease from cognitive impairment with resting-state fMRI | |
Zhang et al. | Multi-relation graph convolutional network for Alzheimer’s disease diagnosis using structural MRI | |
CN114155952A (zh) | 一种老年人群老年痴呆病患病辅助分析系统 | |
CN112863650A (zh) | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 | |
Pallawi et al. | Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey | |
CN112561935B (zh) | 一种大脑影像智能分类方法、装置和设备 | |
CN115909438A (zh) | 基于深度时空域卷积神经网络的疼痛表情识别系统 | |
Alharthi et al. | Do it the transformer way: a comprehensive review of brain and vision transformers for autism spectrum disorder diagnosis and classification | |
da Silva et al. | Deep learning for early diagnosis of Alzheimer’s disease: a contribution and a brief review | |
Lindsay et al. | Deep Learning Networks and Visual Perception | |
CN109119158A (zh) | 一种基于稀疏核主分量分析的RdR散点图识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |