CN113706460A - 一种基于类脑神经网络模型的自闭症检测装置 - Google Patents
一种基于类脑神经网络模型的自闭症检测装置 Download PDFInfo
- Publication number
- CN113706460A CN113706460A CN202110802175.4A CN202110802175A CN113706460A CN 113706460 A CN113706460 A CN 113706460A CN 202110802175 A CN202110802175 A CN 202110802175A CN 113706460 A CN113706460 A CN 113706460A
- Authority
- CN
- China
- Prior art keywords
- brain
- neural network
- layer
- evaluation
- accuracy
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Radiology & Medical Imaging (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Heart & Thoracic Surgery (AREA)
- Educational Technology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于类脑神经网络模型的自闭症检测装置,属于医学影像图像处理技术领域。本发明的检测装置包括类脑神经网络构建单元、图像预处理单元、特征提取单元和检测单元。本发明避免直接采用神经网络对脑部的医学影像图像进行处理,采用类脑神经网络构建单元,提高识别的准确性。输出决策层需要集成多个子网络的输出,类脑神经网络的准确率没有达到设定的准确率阈值时,可以尝试增加子网络的数量,并对输出结果进行重新整合,来提高准确率。具备更大的灵活性。可以在降低数据集维数的同时提高整个网络的性能。对被检测者的自病症检测结果进行可视化输出,结果的展示方式形象直观。
Description
技术领域
本发明属于医学影像图像处理技术领域,具体涉及一种基于类脑神经网络模型的自闭症检测装置。
背景技术
自闭症是以社会性障碍作为主要症状的发育障碍之一(据称患病率为1%)。对于儿童自闭症如果误诊或未发现可能对儿童的日常生活和学校生活带来严重障碍。然而,尚未发现对自闭症有确定疗效的药物疗法。因此,用以改善自闭症的唯一方式是早期诊断和基于该诊断的早期教育干预。然而,难以利用当前的标准临床技术来实现对自闭症早期确诊。
随着医学影像图像处理技术领域的发展,基于人工智能的方式对所采集的脑部医学影像图像(脑部静息态功能磁共振图)自闭症的智能检测,能为自闭症早期确诊提供辅助诊断。然而传统的反向传播神经网络处理问题准确率不够高,不能够进行分布式训练,因而有必要对直接采用神经网络对脑部的医学影像图像进行特征提取进而实现对自闭症的预测的方案进行改进。
发明内容
本发明提供了一种基于类脑神经网络模型的自闭症检测装置,以提升对自闭症的检测性能。
本发明采用的技术方案如下:
一种基于类脑神经网络模型的自闭症检测装置,包括类脑神经网络构建单元、图像预处理单元、特征提取单元和检测单元;
所述类脑神经网络构建单元,用于构建用于自闭症的二分类的类脑神经网络模型,所述类脑神经网络模型的输入数据为基于采集的脑部静息态功能磁共振图序列所提取的多种特征数据,其中,脑部静息态功能磁共振图序列包括正常对照者和自病症患者的脑部静息态功能磁共振图序列,包括多个BP神经网络,每个BP神经网络对应一个特征子集,用于确定输入该BP神经网络的特征数据,输出为自闭症的二分类预测结果;并将最终得到的子数据集队列中记录的每个子数据集对应的特征子集和对应的BP神经网络进行唯一编号,再将各特征子集信息发送给特征提取单元,以及将各BP神经网络信息发送给检测单元;其中,特征子集信息包括编号和包括的特征项,BP神经网络信息包括编号和各网络层的网络参数;
图像预处理单元,输入为被检测者的脑部静息态功能磁共振图序列,对各脑部静息态功能磁共振图进行图像预处理后,提取每张脑部静息态功能磁共振图的脑结构网络和脑功能网络并发送给特征提取单元;特征提取单元,基于每个特征子集指定的特征项,进行特征提取,得到被检测者的多个特征向量,并将每个特征向量所对应的特征子集的编号作为每个特征向量的编号,再将所有特征向量发送给检测单元;所述检测单元,将收到的特征向量按照编号匹配到对应的BP神经网络,再基于各个BP神经网络的输出进行综合判决,得到被检测者的自病症检测结果。
进一步的,所述BP神经网络为三层结构,包括输入层、隐藏层和输出层,隐藏层的激活函数为ReLU函数,输出层的正规化处理采用softmax函数,训练时采用的损失函数为交叉熵函数。
进一步的,所述类脑神经网络模型的层次结构包括分解层、启动层和输出决策层;
在分解层,从输入数据随机提取部分特征组合成一个新的子数据集,在开始训练之前,选取子数据集的部分特征组成预评估数据集,用单个BP神经网络进行训练,训练后得到预评估结果;为预评估结果设置一个准确率阈值,丢弃准确率未达到该准确率阈值的子数据集,从输入数据中提取新的子数据集再次进行预评估;
在启动层,根据预评估准确率的降序排序结果,从输入数据中选择当前预评估数据集不包含的特征,将预评估数据集扩展到子数据集的大小,然后新的子数据集生成对应的预评估数据集进行训练,若预评估准确率未达到准确率阈值,则重新进行扩展;若达到了准确率阈值,则依据预评估准确率插入启动层的子数据集队列中,并标记为已扩展;
输出决策层,综合所有BP神经网络的输出,作为类脑神经网络模型的最终的输出。
进一步的,所述检测单元还用于对被检测者的自病症检测结果进行可视化输出。
本发明提供的技术方案至少带来如下有益效果:
在本发明中,避免直接采用神经网络对脑部的医学影像图像进行处理,采用类脑神经网络构建单元,提高识别的准确性。对被检测者的自病症检测结果进行可视化输出,结果的展示方式形象直观。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中,采用的类脑神经网络的结构示意图;
图2是本发明实施例中,类脑神经网络的触发机制示意图;
图3是本发明实施例中,类脑神经网络的构建时序图;
图4是本发明实施例提供的一种基于类脑神经网络模型的自闭症检测装置的结构示意图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种基于类脑神经网络模型的自闭症检测装置。其中,类脑神经网络模型输入数据为期望借助类脑神经网络进行分类的数据集。
参加图1,类脑神经网络分为3层,分解层、启动层和输出决策层。
在分解层,从输入数据随机提取部分特征(可以设置为总特征集的70%)组合成一个新的子数据集,在开始训练之前,选取子数据集的部分特征组成预评估数据集(可以设置为总特征集的50%),用单个BP(Back Propagation)神经网络进行训练,训练后得到预评估结果。需要说明的是,选取的特征占比可以依据实际问题进行调整,而非仅限制在上述的优选占比。但要确保,预估数据集特征数<子数据集特征数≤输入数据特征数。接着,根据预评估结果的降序排序,对于性能较好的数据集,应优先进行硬件配置和训练。为预评估结果设置一个准确率阈值,丢弃准确率未达到该准确率阈值的数据集,从输入数据中提取新的子数据集再次进行预评估。
其中,所采用的BP神经网络优选三层结构,即输入层、隐藏层和输出层。在反向传播的情况下,需要是所设置的损失函数最小,通常选择梯度下降法、最小二乘法或牛顿法。本发明实施例中,优选梯度下降法,损失函数优选交叉熵函数,激活函数为ReLU函数,正规化处理采用softmax函数。
在启动层,根据预评估准确率的降序排序结果,从输入数据中选择当前预评估数据集不包含的特征,将预评估数据集扩展到子数据集的大小。然后新的子数据集生成对应的预评估数据集进行训练,若预评估准确率未达到准确率阈值,则重新进行扩展;若达到了准确率阈值,则依据预评估准确率插入启动层的子数据集队列中,并标记为已扩展。
输出决策层需要集成多个子网络的输出,并给出最终的输出。通常可以采用投票法或平均法。本发明实施例中,优选平均法。大脑有一个“三思而后行”的过程,当它有了初步的结论时,就会采取行动。因此,类脑神经网络中当子网络训练达到一定阶段时,才会“触发”扩展预评估数据集的操作。当子网络整合的结果优于设定的准确率阈值时,整个类脑神经网络将停止并输出结果。当类脑神经网络的准确率没有达到设定的准确率阈值时,尝试增加子网络的数量,并对输出结果进行重新整合。如果可以通过增加子网络数量来提高准确率,可以继续增加子网络的数量,直到无法通过增加子网络数量来提高准确率。如果所有当前子网络的结果都被计算和整合,但结果仍然不能达到设定的阈值,则增大子数据集的特征数并从原数据集中生成新的子数据集,替换表现不佳的子数据集,继续执行类脑神经网络。参加图2,具体步骤为:
(1)获取子网络的个数,记为N。并将启动层排序前N个子数据集逐个放入子网络。当首批放入的子数据集训练至约50%时,开始对预评估数据集进行扩展。此时,训练任务和扩展任务将并行执行;
(2)将子网络的输出记为out1,out2,...,outi,...,outn;基于当前的所有输出得到输出向量out;其中,n表示子网络的输出数量,outi表示第i个子网络的输出。
(3)每当得到一个输出,就将其和之前的得到的输出进行整合,生成准确率accn。但是要确保整合输出个数不大于N;
(4)如果accn大于预期准确率acc_ex,即可终止程序;当全部输出整合后都没能达到acc_ex,对子网络的个数N进行加1;
(5)由于N发生变化,对输出的整合随之变化,记新的准确率为accn_new;
(6)当accn_new>accn,继续比较accn_new和acc_ex的大小,如果大于acc_ex,即可结束类脑神经网络的执行。否则,继续增加子网络数N,确认能否进一步提升准确率;
(7)如果accn_new<accn,则N-1,恢复之前的数值,此时意味着增加子网络个数不能有效提升准确率。表现不佳的子数据集被剔除。调整子数据集的特征集大小(默认增加10%)和预评估数据集的特征集大小(默认增加5%)。从输入数据X生成一个新的子数据集用于网络的训练。
参加图3,在一种可能的实现方式中,本发明实施例采用下属过程构建类脑神经网络:
(1)输入数据X,随机提取部分特征(大小记为size1)生成多个子数据集,记为T1,T2,...Ti,...,Tn,其中,n表示子数据集数量,基于当前的所有数据集得到集合T;
(2)选取子数据集的部分特征组成预评估数据集(大小记为size2),记为P1,P2,...,P,i...,Pn,基于当前的所有评估数据集得到集合P;
(3)对每个预评估数据集进行单独训练,得到预评估准确率,记为p_acc1,p_acc2,...,p_acci,...,p_accn,将所有预评估准确表示为向量p_acc;
(4)对每个预评估数据集的准确率p_acci进行检测,预评估准确率阈值记为acc_thre。当其小于设定的阈值acc_thre,则从输入数据重新生成子数据集,否则将其和对应的子数据集Ti以及预评估数据集Pi放入启动层。
(5)将启动层中的子数据集T和预评估数据集P依据预评估数据集的准确率p_acc进行降序排序;
(6)当子数据集训练至50%时,将P按照降序顺序进行扩展,记当前正在扩展的预评估数据集为Pi;
(7)从输入数据X中提取特征,确保特征未出现在Pi中,大小为size1-size2,生成的新数据集记为p;
(8)将Pi和p进行混合,记为Ei,并进行预评估;
(9)从Ei中提取与评估数据集EPi,训练得到准确率ep_acci;
(10)对ep_acci进行检测,当其小于阈值acc_thre,则返回步骤7,重新提取数据集p,否则将Ei依据ep_acci的大小,插入启动层的子数据集降序队列中;
(11)当还有未被扩展的预评估数据集,回到步骤6继续扩展,否则结束流程。
进一步的,还可以考虑将聚类算法与类脑神经网络相结合来处理数据量大的问题。对数据集进行聚类后,将数据集划分为几个类别。每个类别的数据集被提取部分数据并组合成新的数据集,从而得到多个数据集,然后交给不同计算节点的类脑神经网络进行处理。计算完成后,再对得到的计算数据进行输出决策,计算节点等待新的计算任务。即首先对数据进行聚类处理后,得到多聚类结果,每个聚类结果作为一个类脑神经网络的输入,配置多个计算节点,每个计算节点用于一个类脑神经网络的计算,获取该类脑神经网络的输出。再综合所有输出得到最终的输出结果。
参加图4,本发明实施例提供的种基于类脑神经网络模型的自闭症检测装置,包括类脑神经网络构建单元、图像预处理单元、特征提取单元和检测单元;其中,类脑神经网络构建单元,用于构建用于自闭症的二分类的类脑神经网络模型,所述类脑神经网络模型的输入数据为基于采集的脑部静息态功能磁共振图序列所提取的多种特征数据,其中,脑部静息态功能磁共振图序列包括正常对照者和自病症患者的脑部静息态功能磁共振图序列,包括多个BP神经网络,每个BP神经网络对应一个特征子集,用于确定输入该BP神经网络的特征数据,输出为自闭症的二分类预测结果;所述类脑神经网络构包括分解层、启动层和输出决策层,并将最终得到的子数据集队列中记录的每个子数据集对应的特征子集和对应的BP神经网络进行唯一编号,再将各特征子集信息(编号和包括的特征项)发送给特征提取单元,以及将各BP神经网络信息(编号和各层的网络参数)发送给检测单元;图像预处理单元,输入为被检测者的脑部静息态功能磁共振图序列,对各脑部静息态功能磁共振图进行图像预处理(包括格式转换、去时间点、时间层矫正、头动矫正、空间标准化、平滑、去线性漂移、滤波和去协变等)后,提取每张脑部静息态功能磁共振图的脑结构网络和脑功能网络并发送给特征提取单元;特征提取单元,基于每个特征子集指定的特征项,进行特征提取,得到被检测者的多个特征向量,并将每个特征向量所对应的特征子集的编号作为每个特征向量的编号,再将所有特征向量发送给检测单元;所述检测单元,将收到的特征向量按照编号匹配到对应的BP神经网络,再基于各个BP神经网络的输出进行综合判决(均值或者众数判决),得到被检测者的自病症检测结果。
其中,脑结构网络是指:提取脑部静息态功能磁共振图的脑灰质部分,再基于选择的模板将灰质部分划分为多个脑区,计算各脑区的灰质体积(体素数量),从而得到各个脑区的灰质体积序列,再计算任意两个脑区的灰质体积序列之间的相关系数(如皮尔逊相关系数或肯德尔相关系数),得到各脑区之间的连接关系值,再对所有连接关系值进行二值化处理,将小于阈值的连接关系设置为0,表示两个脑区不连接,大于或等于阈值的连接关系设置为1,表示两个脑区联通,从而得到脑结构网络。
脑功能网络是指:根据所选择的脑区模板,对图像预处理后的脑部静息态功能磁共振图进行脑区划分,得到多个脑区,再统计每个脑区的体素得到脑区时间序列,通过皮尔逊相关系数计算任意两个脑区时间序列之间的相关系数作为其连接强度,再对所有连接强度进行二值化处理,若小于指定的阈值,则置为0,表示两个脑区不连接;若大于或等于指定阈值,则置为1,表示两个脑区联通,从而得到脑功能网络。
在一种可能的实现方式中,类脑神经网络模型的输入数据包括的特征可以是:将脑功能网络上三角部分进行变换,生成对应样本数的矩阵作为输入特征;选取脑功能网络的网络拓扑属性(包括但不限于特征路径长度,聚类系数、介数中心性、全局效率、局部效率、脑区的聚类系数等);选取异常的大脑静息态活动信号;选取结构网络局部属性中异常脑区的节点度和节点介数。其中,特征路径长度,指网络中随机节点的最短路径长度的平均值。聚类系数,用来表示网络的总体聚类程度,定义degi表示节点i的节点度,ki表示和节点i邻接的节点生成的边的数量,C表示聚类系数,则介数中心性,基于最短路径针对网络图中心性的衡量标准之一。针对全连接网络图,其中任意两个节点均至少存在一个最短路径,在无权重网络图中该最短路径是路径包含边的数量求和,每个节点的介数中心性即为这些最短路径穿过该节点的次数。全局效率,表示网络的传播速率,定义Distij表示任意节点i和j之间的最短距离,GE表示全局效率,则局部效率,节点会和邻接的节点构成子网络,基于全部子网络的全局效率均值得到局部效率。脑区的聚类系数,以脑区作为节点获取实际的边数,然后计算可能的边数。比值就是脑区的聚类系数,定义Ci表示第i个节点所对应的脑区的聚类系数,则
本发明实施例提供的基于类脑神经网络模型的自闭症检测装置,至少带来如下有益效果:
(1)避免直接采用神经网络对脑部的医学影像图像进行处理,采用类脑神经网络构建单元,提高识别的准确性。
(2)采用分布式训练提升模型的训练速度,根据预评估结果的降序排序,对于性能较好的数据集,可以优先进行硬件配置和训练。
(3)输出决策层需要集成多个子网络的输出,类脑神经网络的准确率没有达到设定的准确率阈值时,可以尝试增加子网络的数量,并对输出结果进行重新整合,来提高准确率。具备更大的灵活性。可以在降低数据集维数的同时提高整个网络的性能。
(4)对被检测者的自病症检测结果进行可视化输出,结果的展示方式形象直观。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,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 (4)
1.一种基于类脑神经网络模型的自闭症检测装置,其特征在于,包括类脑神经网络构建单元、图像预处理单元、特征提取单元和检测单元;
所述类脑神经网络构建单元,用于构建用于自闭症的二分类的类脑神经网络模型,所述类脑神经网络模型的输入数据为基于采集的脑部静息态功能磁共振图序列所提取的多种特征数据,其中,脑部静息态功能磁共振图序列包括正常对照者和自病症患者的脑部静息态功能磁共振图序列,包括多个BP神经网络,每个BP神经网络对应一个特征子集,用于确定输入该BP神经网络的特征数据,输出为自闭症的二分类预测结果;并将最终得到的子数据集队列中记录的每个子数据集对应的特征子集和对应的BP神经网络进行唯一编号,再将各特征子集信息发送给特征提取单元,以及将各BP神经网络信息发送给检测单元;其中,特征子集信息包括编号和包括的特征项,BP神经网络信息包括编号和各网络层的网络参数;
图像预处理单元,输入为被检测者的脑部静息态功能磁共振图序列,对各脑部静息态功能磁共振图进行图像预处理后,提取每张脑部静息态功能磁共振图的脑结构网络和脑功能网络并发送给特征提取单元;特征提取单元,基于每个特征子集指定的特征项,进行特征提取,得到被检测者的多个特征向量,并将每个特征向量所对应的特征子集的编号作为每个特征向量的编号,再将所有特征向量发送给检测单元;所述检测单元,将收到的特征向量按照编号匹配到对应的BP神经网络,再基于各个BP神经网络的输出进行综合判决,得到被检测者的自病症检测结果。
2.如权利要求1所述的自闭症检测装置,其特征在于,所述BP神经网络为三层结构,包括输入层、隐藏层和输出层,隐藏层的激活函数为ReLU函数,输出层的正规化处理采用softmax函数,训练时采用的损失函数为交叉熵函数。
3.如权利要求1所述的自闭症检测装置,其特征在于,所述类脑神经网络模型的层次结构包括分解层、启动层和输出决策层;
在分解层,从输入数据随机提取部分特征组合成一个新的子数据集,在开始训练之前,选取子数据集的部分特征组成预评估数据集,用单个BP神经网络进行训练,训练后得到预评估结果;为预评估结果设置一个准确率阈值,丢弃准确率未达到该准确率阈值的子数据集,从输入数据中提取新的子数据集再次进行预评估;
在启动层,根据预评估准确率的降序排序结果,从输入数据中选择当前预评估数据集不包含的特征,将预评估数据集扩展到子数据集的大小,然后新的子数据集生成对应的预评估数据集进行训练,若预评估准确率未达到准确率阈值,则重新进行扩展;若达到了准确率阈值,则依据预评估准确率插入启动层的子数据集队列中,并标记为已扩展;
输出决策层,综合所有BP神经网络的输出,作为类脑神经网络模型的最终的输出。
4.如权利要求1所述的自闭症检测装置,其特征在于,所述检测单元还用于对被检测者的自病症检测结果进行可视化输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110802175.4A CN113706460B (zh) | 2021-07-15 | 2021-07-15 | 一种基于类脑神经网络模型的自闭症检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110802175.4A CN113706460B (zh) | 2021-07-15 | 2021-07-15 | 一种基于类脑神经网络模型的自闭症检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706460A true CN113706460A (zh) | 2021-11-26 |
CN113706460B CN113706460B (zh) | 2023-06-20 |
Family
ID=78650205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110802175.4A Active CN113706460B (zh) | 2021-07-15 | 2021-07-15 | 一种基于类脑神经网络模型的自闭症检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706460B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707654A (zh) * | 2022-06-06 | 2022-07-05 | 浙江大学 | 基于人工智能框架的算法训练推理性能可视化方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070154931A1 (en) * | 2005-12-15 | 2007-07-05 | Radich Jerald P | Genes associate with progression and response in chronic myeloid leukemia and uses thereof |
CN110443798A (zh) * | 2018-12-25 | 2019-11-12 | 电子科技大学 | 一种基于磁共振图像的自闭症检测方法、装置及系统 |
CN211862821U (zh) * | 2019-12-04 | 2020-11-06 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的孤独症辅助评估系统 |
-
2021
- 2021-07-15 CN CN202110802175.4A patent/CN113706460B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070154931A1 (en) * | 2005-12-15 | 2007-07-05 | Radich Jerald P | Genes associate with progression and response in chronic myeloid leukemia and uses thereof |
CN110443798A (zh) * | 2018-12-25 | 2019-11-12 | 电子科技大学 | 一种基于磁共振图像的自闭症检测方法、装置及系统 |
CN211862821U (zh) * | 2019-12-04 | 2020-11-06 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的孤独症辅助评估系统 |
Non-Patent Citations (3)
Title |
---|
JIANCHUAN XING 等: "Group-wise change point detection in task FMRI data by Bayesian methods" * |
ZHENGNING WANG 等: "Brain functional activity-based classification of autism spectrum disorder using an attention-based graph neural network combined with gene expression" * |
杨骁: "结构层次脑机制研究及在大数据处理上的应用" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707654A (zh) * | 2022-06-06 | 2022-07-05 | 浙江大学 | 基于人工智能框架的算法训练推理性能可视化方法及装置 |
CN114707654B (zh) * | 2022-06-06 | 2022-08-23 | 浙江大学 | 基于人工智能框架的算法训练推理性能可视化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113706460B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Darwiche | Bayesian networks | |
Lin et al. | Using machine learning to assist crime prevention | |
Zhu et al. | Hard sample aware noise robust learning for histopathology image classification | |
CN104809226B (zh) | 一种早期分类不平衡多变量时间序列数据的方法 | |
CN106951825A (zh) | 一种人脸图像质量评估系统以及实现方法 | |
CN110889496B (zh) | 一种基于对抗生成网络的人脑效应连接识别方法 | |
CN113706460B (zh) | 一种基于类脑神经网络模型的自闭症检测装置 | |
CN115051929A (zh) | 基于自监督目标感知神经网络的网络故障预测方法及装置 | |
CN114898879A (zh) | 一种基于图表示学习的慢病风险预测方法 | |
Mac Parthaláin et al. | Fuzzy-rough set based semi-supervised learning | |
CN116569194A (zh) | 联合学习 | |
CN107085655B (zh) | 基于属性的约束概念格的中医数据处理方法及系统 | |
CN113035348A (zh) | 一种基于gru特征融合的糖尿病诊断方法 | |
Sanz et al. | A decision tree based approach with sampling techniques to predict the survival status of poly-trauma patients | |
Acerbi et al. | Continuous time bayesian networks for gene network reconstruction: a comparative study on time course data | |
CN114004258B (zh) | 一种半监督的心电异常检测方法 | |
Kiang et al. | A comparative analysis of an extended SOM network and K-means analysis | |
Liu et al. | Unified and contrasting graphical lasso for brain network discovery | |
CN114242237A (zh) | 基于图神经网络的miRNA-疾病关联预测 | |
Huang et al. | Genetic Algorithm Optimized Feature Transformation—A Comparison with Different Classifiers | |
CN114188024A (zh) | 基于畜禽疾病知识图谱的畜禽疾病的预测分类方法 | |
To et al. | Analysis of cardiac imaging data using decision tree based parallel genetic programming | |
CN106599264B (zh) | 一种基于大数据的突发事件演化推理方法及系统 | |
Mielniczuk et al. | One-Class Classification Approach to Variational Learning from Biased Positive Unlabeled Data | |
CN117312971B (zh) | 一种孤独症谱系障碍个体识别装置 |
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 |