CN111882045B - 基于可微神经结构搜索的大脑时-空网络分解方法及系统 - Google Patents

Abstract

本发明公开一种基于可微神经结构搜索的大脑时‑空网络分解方法及系统，方法包括：根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵；根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构；引入早停机制，根据所述最优细胞结构确定最终细胞结构；根据所述最终细胞结构对大脑时‑空网络进行分解，获得时间动态特征和空间网络特征。本发明先将RNN层细胞结构中的内部节点引入到可微的连续搜索空间中进行搜索更新，引入早停机制构建最终细胞结构，并根据所述最终细胞结构对大脑时‑空网络进行最优分解，从而有助于后续对脑疾病的精准医疗、风险智能预测、以及个性化教育提供依据。

Description

基于可微神经结构搜索的大脑时-空网络分解方法及系统

技术领域

本发明涉及人工智能大脑网络分解技术领域，特别是涉及一种基于可微神经结构搜索的大脑时-空网络分解方法及系统。

背景技术

大脑功能网络是研究大脑认知及思维过程的重要依据，能够为智慧教育、精准医疗等领域提供重要支持。循环神经网络(recurrent neural network,RNN)由于对时间维度的刻画具有天然的优势，因此已被广泛应用于脑网络的动态分析中。然而，受到当前算法模型本身结构的限制，目前针对大脑网络的分析研究非常依赖于具体独立任务的先验知识，无法对特定领域的所有场景进行泛化地刻画分析，如：不同的认知任务、不同的个体等。因此，引入更具有泛化能力的模型框架，摒弃完全依赖于人工设计的网络模型，能够为大脑网络的个性化综合分析提供更加全面的技术框架。神经网络结构搜索(neural architecturesearch，NAS)受大脑本身泛化能力的启发，能够为更加精准地实现基于时-空共变特性的脑网络分析提供技术支持。

目前，在搜索策略上，NAS模型主要基于强化学习(reinforce learning，RL)和进化算法(evolutional algorithms，EA)。对于基于强化学习的NAS模型，每次生成新的网络结构都会被看作是智能体(agent)与环境交互的动作(action)，并从环境中获得回馈，强化学习的目标就是让回馈最大化。对于基于进化算法的NAS模型，受到生物种群进化的启发，通过选择、重组和变异这三种操作实现优化问题求解。然而，以上算法主要集中于对模型整体结构的离散域空间搜索，如整体模型的深度、宽度等，其模型更容易受到扩展性的限制。因此，为了破除扩展性限制，基于连续域空间对模型内部的细胞结构进行搜索更具优势。可微体系结构搜索框架(Differentiable ARchiTecture Search，DARTS)作为一种能够在连续空间域进行优化搜索的方法，可以发现具有复杂图形拓扑的高性能结构，能够为大脑网络的刻画提供帮助。

而对于大脑功能网络，不仅在时间维度存在着动态变化特性，且在空间维度上存在脑区协同特性，同时还存在着时-空共变特性。因此，受大脑功能网络时-空综合特征的启发，从时-空共变角度来探究大脑网络，将能够更加完善地为大脑信息的挖掘提供帮助，进而为脑计划的推进提供依据。随着神经影像技术的发展，功能磁共振成像(functionalMagnetic Resonance Imaging,fMRI)由于同时具备较好的时间分辨率和空间分辨率，已经被广泛应用于大脑功能的刻画中，能够作为大脑时-空网络分解的重要数据支持。然而，以上可微的神经网络结构搜索框架具有两个缺陷：1、仅考虑了时间维度上的数据分析，忽略了空间维度和时-空交互信息的挖掘，因此无法达到自适应地对针对时-空网络分解的RNN细胞结构进行最优搜索；2、上述搜索框架具有崩溃问题(collapse issue)，将会导致细胞结构过浅，从而造成表现力差的问题。

发明内容

基于此，本发明的目的是提供一种基于可微神经结构搜索的大脑时-空网络分解方法及系统，以实现对大脑四维时-空网络的最优分解。

为实现上述目的，本发明提供了一种基于可微神经结构搜索的大脑时-空网络分解方法，所述方法包括：

步骤S1：基于HCP数据集的七个认知任务构建大脑原始数据矩阵；

步骤S2：根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵；

步骤S3：根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构；

步骤S4：引入早停机制，根据所述最优细胞结构确定最终细胞结构；

步骤S5：根据所述最终细胞结构对大脑时-空网络进行分解，获得时间动态特征和空间网络特征。

可选地，所述根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构，具体包括：

步骤S31：将所述输入特征矩阵输入嵌入层进行压缩，获得循环神经网络RNN层的维度；

步骤S32：将离散操作转变到可微的连续搜索空间中，对RNN层细胞结构中的内部节点间的操作进行更新搜索；

步骤S33：将连续空间搜索后的节点间操作进行离散化，获得离散域内的节点间操作，并根据离散域内的节点间操作确定细胞结构；

步骤S34：利用损失函数公式，根据所述输出层矩阵和所述目标输出矩阵确定损失函数值；

步骤S35：基于损失函数值进行迭代更新，获得最优细胞结构。

可选地，所述引入早停机制，根据所述最优细胞结构确定最终细胞结构，具体包括：

步骤S41：判断当前的所述最优细胞结构中是否存在小于或等于3个“等于”操作；

步骤S42：如果当前的所述最优细胞结构中存在小于或等于3个“等于”操作，则将当前的所述最优细胞结构作为最终细胞结构；

步骤S43：如果当前的所述最优细胞结构中存在大于3个“等于”操作，则采用反推法回溯历史搜索细胞结构，对“等于”操作进行删减；

步骤S44：依次判断反推过程中的细胞结构中是否存在小于或等于2个“等于”操作，如果所述细胞结构中存在小于或等于2个“等于”操作，则将所述细胞结构作为最终细胞结构；否则将拥有最少“等于”操作的所述细胞结构作为最终细胞结构。

可选地，所述根据所述最终细胞结构对大脑时-空网络进行分解，获得时间动态特征和空间网络特征，具体包括：

步骤S51：根据所述最终细胞结构确定大脑网络的时间动态特征；

步骤S52：根据弹性网络回归，利用所述时间动态特征对大脑网络的空间特征进行估计，获得空间网络特征。

本发明还提供一种基于可微神经结构搜索的大脑时-空网络分解系统，所述系统包括：

大脑原始数据矩阵构建模块，用于根据HCP数据集的七个认知任务构建大脑原始数据矩阵；

矩阵参数确定模块，用于根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵；

最优搜索模块，用于根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构；

早停机制引入模块，用于引入早停机制，根据所述最优细胞结构确定最终细胞结构；

分解模块，用于根据所述最终细胞结构对大脑时-空网络进行分解，获得时间动态特征和空间网络特征。

可选地，所述最优搜索模块，具体包括：

压缩单元，用于将所述输入特征矩阵输入嵌入层(embedding layer)进行压缩，获得循环神经网络RNN层的维度；

更新搜索单元，用于将离散操作转变到可微的连续搜索空间中，对RNN层细胞结构中的内部节点间的操作进行更新搜索；

离散化处理单元，用于将连续空间搜索后的节点间操作进行离散化，获得离散域内的节点间操作，并根据离散域内的节点间操作确定细胞结构；

损失函数值确定单元，用于利用损失函数公式，根据所述输出层矩阵和所述目标输出矩阵确定损失函数值；

迭代更新单元，用于根据损失函数值进行迭代更新，获得最优细胞结构。

可选地，所述早停机制引入模块，具体包括：

第一判断单元，用于判断当前的所述最优细胞结构中是否存在小于或等于3个“等于”操作；如果当前的所述最优细胞结构中存在小于或等于3个“等于”操作，则将当前的所述最优细胞结构作为最终细胞结构；如果当前的所述最优细胞结构中存在大于3个“等于”操作，则采用反推法回溯历史搜索细胞结构，对“等于”操作进行删减；

第二判断单元，用于依次判断反推过程中的细胞结构中是否存在小于或等于2个“等于”操作，如果所述细胞结构中存在小于或等于2个“等于”操作，则将所述细胞结构作为最终细胞结构；否则将拥有最少“等于”操作的所述细胞结构作为最终细胞结构。

可选地，所述分解模块，具体包括：

时间动态特征确定单元，用于根据所述最终细胞结构确定大脑网络的时间动态特征；

空间网络特征确定单元，用于根据弹性网络回归，利用所述时间动态特征对大脑网络的空间特征进行估计，获得空间网络特征。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开一种基于可微神经结构搜索的大脑时-空网络分解方法及系统，方法包括：根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵；根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构；引入早停机制，根据所述最优细胞结构确定最终细胞结构；根据所述最终细胞结构对大脑时-空网络进行分解，获得时间动态特征和空间网络特征。本发明先将RNN层细胞结构中的内部节点引入到可微的连续搜索空间中进行搜索更新，引入早停机制构建最终细胞结构，并根据所述最终细胞结构对大脑时-空网络进行最优分解，从而有助于后续对脑疾病的精准医疗、风险智能预测、以及个性化教育提供依据。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例早停机制下的基于可微神经结构搜索的时-空网络分解方法流程示意图；

图2为本发明实施例基于细胞结构的搜索依据示意图；

图3为本发明实施例在赌博任务数据集上的细胞结构搜索结果；

图4为本发明实施例在赌博任务数据集上大脑时间维度网络动态分解结果

图5为本发明实施例在赌博任务数据集上大脑空间维度网络分解结果；

图6为本发明实施例在七个任务数据集上大脑时间维度网络动态分解对比图；

图7为本发明实施例在七个任务数据集上大脑空间维度网络分解对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于可微神经结构搜索的大脑时-空网络分解方法及系统，以实现对大脑四维时-空网络的最优分解。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明公开一种基于可微神经结构搜索的大脑时-空网络分解方法，所述方法包括：

步骤S1：基于HCP数据集的七个认知任务构建大脑原始数据矩阵；

步骤S2：根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵；

步骤S3：根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构；

步骤S4：引入早停机制，根据所述最优细胞结构确定最终细胞结构；

步骤S5：根据所述最终细胞结构对大脑时-空网络进行分解，获得时间动态特征和空间网络特征。

下面对各个步骤进行详细论述：

步骤S1：基于HCP数据集的七个认知任务构建大脑原始数据矩阵，具体包括：

步骤S11：基于所述HCP数据集的七个认知任务获取四维功能磁共振成像fMRI数据；四维fMRI数据包括三维空间维度和一维时间维度。

本发明选取HCP(human connectome project)数据集中的全部七个认知任务数据集进行说明，HCP数据集是目前对人类大脑进行分析研究的最大、最常用的公开数据集之一。在本实施例中，共有750名执行了全部七个认知任务，且数据质量符合标准的被试数据被使用。七个认知任务包括：情绪任务(emotion task)、赌博任务(gambling task)、语言任务(language task)、运动任务(motor task)、关系任务(relational task)、社会任务(social task)和工作记忆任务(working memory task)。数据集的详细信息如下表所示：

表格1数据集信息

步骤S12：对所述四维fMRI数据进行归一化处理，获得大脑原始数据矩阵，具体公式为：

X＝[x₁,x₂,…,x_i,…x_t],X∈R^s×t，

其中，X表示大脑原始数据矩阵，x_i表示第i个时间点下的大脑空间数据，s表示空间维度包含的体素数量，t代表时间维度，时间维度为m个被试数量与每个被试的时间序列长度n的乘积。

在各个认知任务中s为固定数量，为59,421；在各个认知任务中m保持一致；时间序列长度n则根据不同认知任务的要求进行变化，如：在情绪任务中，n＝176；在工作记忆任务中，n＝405。因此，t随之将根据任务不同而变化。

步骤S2：根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵，具体包括：

步骤S21：基于大脑空间感兴趣脑区(regionofinterest，ROI)模板，将所述大脑原始数据矩阵转换为输入特征矩阵，所述输入特征矩阵公式为：

X′＝[x′₁,x′₂,…,x′_i,…x′_t-1],X′∈R^r×(t-1)；

其中，X′表示输入特征矩阵；r表示空间维度包含的脑区数量，即为HCP数据集中公开的大脑空间感兴趣脑区模板生成的360个脑区，每个脑区值为所在脑区所有体素值的平均值；x′_i表示输入层第i个输入数据，即第i个特征数据，且有i∈(0,t)，t为时间维度，长度与X中t相同。

本发明中的大脑空间感兴趣脑区(regionofinterest，ROI)模板为现有模板。此网址https://balsa.wustl.edu/WN56为360个脑区的呈现图。

步骤S22：设Y＝[y₁,y₂,…,y_j,…y_t-1],Y∈R^r×(t-1)为输出层矩阵，y_j为输出层第j个输出数据，即对第i-1个输入数据的预测结果，且有j∈(0,t)，t为时间维度；

步骤S23：设Y′＝[y′₁,y′₂,…,y′_j,…y′_t-1]＝[x′₂,x′₃,…,x′_i+1,…x′_t],Y′∈R^{r ×(t-1)}为目标输出矩阵，其中，y′_j＝x′_i+1，y′_j为x′_i的下一时间点脑数据。

步骤S3：根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构，具体包括：

步骤S31：将所述输入特征矩阵输入嵌入层(embedding layer)进行压缩，获得循环神经网络RNN层的维度，也就是说，将所述输入特征矩阵的360维压缩为32维作为RNN的输入维度和输出维度。

细胞结构的内部节点N限定为8个，对每一个内部节点的操作包括identity、zero、tanh、relu和sigmoid五种操作；identity为“等于”操作，即内部节点n⁽ⁱ⁾和n^(j)间有连接的操作，但没有激活函数、zero操作为内部节点n⁽ⁱ⁾和n^(j)间没有连接的操作，其中，n⁽ⁱ⁾为第i个内部节点，n^(j)为第j个内部节点。

步骤S32：将离散操作转变到可微的连续搜索空间中，对RNN层细胞结构中的内部节点间的操作进行更新搜索，具体公式为：

其中，为(n⁽ⁱ⁾,n^(j))边上的松弛化到连续空间搜索后的节点间操作，o为离散空间中细胞结构内部节点n⁽ⁱ⁾和n^(j)之间边上的操作，/>为节点间的结构权重向量，Θ为所有操作的集合。

步骤S33：将连续空间搜索后的节点间操作进行离散化，获得离散域内的节点间操作，并根据离散域内的节点间操作确定细胞结构，具体公式为：

其中，A为细胞结构，o^(i,j)为离散空间中细胞结构内部节点n⁽ⁱ⁾和n^(j)之间边上的操作，Θ为所有操作的集合，为节点间的结构权重向量。

步骤S34：利用损失函数公式，根据所述输出层矩阵和所述目标输出矩阵确定损失函数值，所述损失函数公式具体公式为：

f_k＝-Σ_j p(y′_j)·log(q(y′_j))；

其中，f_k为第k次迭代的损失函数值，p(y′_j)为第j个目标输出样本y′_j的真实分布，q(y′_j)为基于输出层矩阵Y，对第j个目标输出样本y′_j的预测分布。

步骤S35：基于损失函数值进行迭代更新，获得最优细胞结构，具体为：判断相邻两次的损失函数值是否小于或等于零(即f_k-f_k-1≤0)；如果相邻两次的损失函数值小于或等于零时，则将细胞结构A作为最优细胞结构；如果相邻两次的损失函数值大于零时，则令迭代次数k加1，继续执行“步骤S132”，直到达到最大迭代次数，将最大迭代次数搜索到的细胞结构A作为最优细胞结构。如图2所示，针对不同认知任务，当损失函数值为最小时，输出细胞结构为当前认知任务的最优细胞结构。

步骤S4：引入早停机制，根据所述最优细胞结构确定最终细胞结构，具体步骤包括：

步骤S41：判断当前的所述最优细胞结构中是否存在小于或等于3个“等于”操作。

步骤S42：如果当前的所述最优细胞结构中存在小于或等于3个“等于”操作，则将当前的所述最优细胞结构作为最终细胞结构，表示当前细胞结构并未受到崩溃问题影响。

步骤S43：如果当前的所述最优细胞结构中存在大于3个“等于”操作，表示当前细胞结构已受到崩溃问题影响，导致细胞结构过浅，则采用反推法回溯历史搜索细胞结构，对“等于”操作进行删减。

步骤S44：依次判断反推过程中的细胞结构中是否存在小于或等于2个“等于”操作，如果所述细胞结构中存在小于或等于2个“等于”操作，则将所述细胞结构作为最终细胞结构；否则将拥有最少“等于”操作的所述细胞结构作为最终细胞结构。图3(a)为未引入早停机制的细胞结构图，图3(b)为引入早停机制的细胞结构图，可见图3(b)中的细胞结构相比于3(a)中的细胞结构减少了“等于”操作，从而解决了原始算法带来的崩溃问题。

早停机制的英文为early-stopping mechanism，是在机器学习领域防止过拟合的一种正则机制。

步骤S5：根据所述最终细胞结构对大脑时-空网络进行分解，获得时间动态特征和空间网络特征，具体包括：

步骤S51：根据所述最终细胞结构确定大脑网络的时间动态特征，具体公式为：T∈R^h×t；其中，h为分解后的脑网络特征维度，h＝32，t为时间维度。如图4所示，基于赌博认知任务，分解后的大脑网络时间维度动态特征与任务设计具有非常高的相关性；同时，如图5所示，在所有七个认知任务下，本申请所提出的基于早停机制的分解方法，在时间动态特征分解中与未引入早停机制的分解方法进行比较，任务设计具有更高的相关性，在情绪、赌博、运动、关系任务上具有显著提高的差异(*代表双样本t检验中，p值<0.1，**代表p值<0.05，***代表p值<0.01)，体现了本申请所提方法的有效性。

步骤S52：根据弹性网络回归(ElasticNet)，利用所述时间动态特征对大脑网络的空间特征进行估计，获得空间网络特征，具体公式为：

其中，为待估计的空间网络特征，S为大脑网络的空间特征，S∈R^s×h，h为分解后的脑网络特征维度，h＝32，s为空间脑区维度s＝360，T为大脑网络的时间动态特征，X表示大脑原始数据矩阵，||·||₁为L1范数，/>为L2范数，λ₁为L1范数的权重系数，λ₂为L2范数的权重系数。如图6所示，基于赌博任务，分解后的大脑空间网络图6(b)与基准网络图6(a)具有一致性，刺激相关的关键脑区激活均具有相似性。如图7所示，在所有认知任务下，引入早停机制的时-空网络分解方法与未引入早停机制的时-空网络分解方法，在空间维度脑网络分解结果中具有可比性，除社会和工作记忆任务具有显著下降外，在其他任务上未见明显差异。这表明时间维度分解精度的提高可能牺牲了一部分空间维度的分解精度，但基于本申请所提方法的空间网络分解精度已足以刻画出关键的激活脑区，体现了本申请所提算法的稳定性和鲁棒性。

本发明所涉及的技术试验均在python 2.7.13环境下，基于Pytorch 0.3.1，在Intel(R)E5-1620 CPU 3.50GHz的PC上和一个Nvidia GTX 1080Ti GPU下完成。另外，mini-batch设置为128，在结构搜索阶段设置迭代次数阈值为20轮，在大脑时-空网络分解阶段设置迭代次数阈值为200轮。

本发明还提供一种基于可微神经结构搜索的大脑时-空网络分解系统，所述系统包括：

大脑原始数据矩阵构建模块，用于根据HCP数据集的七个认知任务构建大脑原始数据矩阵。

矩阵参数确定模块，用于根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵。

最优搜索模块，用于根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构。

早停机制引入模块，用于引入早停机制，根据所述最优细胞结构确定最终细胞结构。

分解模块，用于根据所述最终细胞结构对大脑时-空网络进行分解，获得时间动态特征和空间网络特征。

作为一种实施方式，本发明所述最优搜索模块，具体包括：

压缩单元，用于将所述输入特征矩阵输入嵌入层(embedding layer)进行压缩，获得循环神经网络RNN层的维度。

更新搜索单元，用于将离散操作转变到可微的连续搜索空间中，对RNN层细胞结构中的内部节点间的操作进行更新搜索。

离散化处理单元，用于将连续空间搜索后的节点间操作进行离散化，获得离散域内的节点间操作，并根据离散域内的节点间操作确定细胞结构。

损失函数值确定单元，用于利用损失函数公式，根据所述输出层矩阵和所述目标输出矩阵确定损失函数值。

迭代更新单元，用于根据损失函数值进行迭代更新，获得最优细胞结构。

作为一种实施方式，本发明所述早停机制引入模块，具体包括：

第一判断单元，用于判断当前的所述最优细胞结构中是否存在小于或等于3个“等于”操作；如果当前的所述最优细胞结构中存在小于或等于3个“等于”操作，则将当前的所述最优细胞结构作为最终细胞结构；如果当前的所述最优细胞结构中存在大于3个“等于”操作，则采用反推法回溯历史搜索细胞结构，对“等于”操作进行删减。

第二判断单元，用于依次判断反推过程中的细胞结构中是否存在小于或等于2个“等于”操作，如果所述细胞结构中存在小于或等于2个“等于”操作，则将所述细胞结构作为最终细胞结构；否则将拥有最少“等于”操作的所述细胞结构作为最终细胞结构。

作为一种实施方式，本发明所述分解模块，具体包括：

时间动态特征确定单元，用于根据所述最终细胞结构确定大脑网络的时间动态特征。

空间网络特征确定单元，用于根据弹性网络回归，利用所述时间动态特征对大脑网络的空间特征进行估计，获得空间网络特征。。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (2)

1.一种基于可微神经结构搜索的大脑时-空网络分解方法，其特征在于，所述方法包括：

步骤S1：基于HCP数据集的七个认知任务构建大脑原始数据矩阵；

步骤S2：根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵；

步骤S3：根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构；具体包括：

步骤S31：将所述输入特征矩阵输入嵌入层进行压缩，获得循环神经网络RNN层的维度；

步骤S32：将离散操作转变到可微的连续搜索空间中，对RNN层细胞结构中的内部节点间的操作进行更新搜索；

步骤S33：将连续空间搜索后的节点间操作进行离散化，获得离散域内的节点间操作，并根据离散域内的节点间操作确定细胞结构；

步骤S34：利用损失函数公式，根据所述输出层矩阵和所述目标输出矩阵确定损失函数值；

步骤S35：基于损失函数值进行迭代更新，获得最优细胞结构；

步骤S4：引入早停机制，根据所述最优细胞结构确定最终细胞结构；具体包括：

步骤S41：判断当前的所述最优细胞结构中是否存在小于或等于3个“等于”操作；

步骤S42：如果当前的所述最优细胞结构中存在小于或等于3个“等于”操作，则将当前的所述最优细胞结构作为最终细胞结构；

步骤S43：如果当前的所述最优细胞结构中存在大于3个“等于”操作，则采用反推法回溯历史搜索细胞结构，对“等于”操作进行删减；

步骤S44：依次判断反推过程中的细胞结构中是否存在小于或等于2个“等于”操作，如果所述细胞结构中存在小于或等于2个“等于”操作，则将所述细胞结构作为最终细胞结构；否则将拥有最少“等于”操作的所述细胞结构作为最终细胞结构；

步骤S5：根据所述最终细胞结构对大脑时-空网络进行分解，获得时间动态特征和空间网络特征；具体包括：

步骤S51：根据所述最终细胞结构确定大脑网络的时间动态特征；

步骤S52：根据弹性网络回归，利用所述时间动态特征对大脑网络的空间特征进行估计，获得空间网络特征。

2.一种基于可微神经结构搜索的大脑时-空网络分解系统，其特征在于，所述系统包括：

大脑原始数据矩阵构建模块，用于根据HCP数据集的七个认知任务构建大脑原始数据矩阵；

矩阵参数确定模块，用于根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵；

最优搜索模块，用于根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构；

早停机制引入模块，用于引入早停机制，根据所述最优细胞结构确定最终细胞结构；

分解模块，用于根据所述最终细胞结构对大脑时-空网络进行分解，获得时间动态特征和空间网络特征；

所述最优搜索模块，具体包括：

压缩单元，用于将所述输入特征矩阵输入嵌入层(embedding layer)进行压缩，获得循环神经网络RNN层的维度；

更新搜索单元，用于将离散操作转变到可微的连续搜索空间中，对RNN层细胞结构中的内部节点间的操作进行更新搜索；

离散化处理单元，用于将连续空间搜索后的节点间操作进行离散化，获得离散域内的节点间操作，并根据离散域内的节点间操作确定细胞结构；

损失函数值确定单元，用于利用损失函数公式，根据所述输出层矩阵和所述目标输出矩阵确定损失函数值；

迭代更新单元，用于根据损失函数值进行迭代更新，获得最优细胞结构；

所述早停机制引入模块，具体包括：

第一判断单元，用于判断当前的所述最优细胞结构中是否存在小于或等于3个“等于”操作；如果当前的所述最优细胞结构中存在小于或等于3个“等于”操作，则将当前的所述最优细胞结构作为最终细胞结构；如果当前的所述最优细胞结构中存在大于3个“等于”操作，则采用反推法回溯历史搜索细胞结构，对“等于”操作进行删减；

第二判断单元，用于依次判断反推过程中的细胞结构中是否存在小于或等于2个“等于”操作，如果所述细胞结构中存在小于或等于2个“等于”操作，则将所述细胞结构作为最终细胞结构；否则将拥有最少“等于”操作的所述细胞结构作为最终细胞结构；

所述分解模块，具体包括：

时间动态特征确定单元，用于根据所述最终细胞结构确定大脑网络的时间动态特征；

空间网络特征确定单元，用于根据弹性网络回归，利用所述时间动态特征对大脑网络的空间特征进行估计，获得空间网络特征。