CN114287908A - 一种多通带图卷积融合的脑连接分类方法 - Google Patents

Abstract

本发明提供了一种多通带图卷积融合的脑连接分类方法，通过多通带特征融合达到脑连接分类的目的。本发明主要包括全脑功能连接影像特征提取和多通带图卷积融合网络两个主要部分。针对所有受试者功能性核磁共振数据，本发明在现有的图卷积网络的基础上，引入图散射卷积融合低通滤波和带通滤波，实现多通带特征学习。并且，进一步采用残差过滤模块和对抗生成模块降低噪声的影响，提高对干扰信息的鲁棒性，提取出稳定、高区分度的特征，进而实现脑连接分类目标任务。

Description

一种多通带图卷积融合的脑连接分类方法

技术领域

本发明涉及一种多通带图卷积融合的脑连接分类方法，属于计算机图像识别中模式识别技术领域。

背景技术

精神疾病已经成为当今世界普遍存在的健康问题，它不仅扰乱患者的生活，还对经济发展与社会稳定造成了巨大的影响。因此，对于精神疾病的检测诊断受到越来越多的研究关注。然而，目前精神疾病诊断主要有问询、量表评价和临床表现诊断方式。这需要消耗大量的专业人员的精力，同时难以明确患者反馈的真实性，故该方式受到较为主观的影响。此外，大部分针对精神疾病的诊断问题研究都是基于原始影像特征与较为简单的分类方法，忽略了数据存在的噪声以及不同空间下的隐藏特征。并且，精神疾病的发病率在快速增长的同时确诊率却没有显著提高，因此，如何利用少量的样本来辅助诊断是亟需解决的问题。

随着研究的深入，近年来有相关研究表明精神疾病和大脑神经调节及交互存在紧密的联系。因此，越来越多的基于大脑神经的非侵入性影像技术如功能磁共振成像(Functional Magnetic Resonance Imaging，简称fMRI)、弥散张量成像(DiffusionTensor Imaging，简称DTI)、脑电图(Electroencephalogram，简称EEG)等应用于寻找精神疾病的生物学标志物，进而辅助诊断。但是，如何对影像数据提取有效的特征，并且进行精准的辅助诊断，是至关重要的。目前，发展迅速且愈发成熟的深度学习方法对能够帮助诊断精神疾病的影像数据进行处理，提取到隐藏在此类数据背后难以发现的信息，将疾病诊断的问题转化为脑连接分类问题，进而实现精神疾病的诊断。针对具有该非欧氏空间下的图拓扑结构信息，目前最为有效的处理方式为图卷积神经网络。但是当前最流行的频域图卷积方法存在过平滑问题，即节点随着网络结构的加深，节点特征变得难以区分，往往会导致节点处理任务的结果退化。

发明内容

为解决上述问题，本发明提供了一种多通带图卷积融合的脑连接分类方法，在现有的图卷积网络的基础上，引入图散射卷积融合低通滤波和带通滤波，实现多通带特征学习。并且，进一步采用残差过滤模块和对抗生成模块降低噪声的影响，提高对干扰信息的鲁棒性，提取出稳定、高区分度的特征实现脑连接分类目标任务。

为了达到上述目的，本发明提供如下技术方案：

一种多通带图卷积融合的脑连接分类方法，包括以下步骤：

步骤1，针对脑连接分类任务进行数据预处理，即对样本原始数据(fMRI)处理得到具有显著区别的特征，获得不同类别样本之间差异明显的生物学标志。具体包括如下子步骤：

1-1，基于脑的灰质与白质分区图谱提取被试样本的全脑(灰质、白质)的功能连接强度。首先，采用脑图谱映射的方式得到大脑功能连接中的感兴趣区域；然后，依据映射后得到的脑区血氧浓度BOLD变化值，计算脑区之间的相皮尔森相关系数获得脑区之间的相关性矩阵M；最后，取相关性矩阵M的上三角或者下三角元素，拉平成一维向量作为此样本的特征；

1-2，利用统计学方式对不同类别的样本的全脑连接特征进行统计分析，获取不同类别样本之间存在显著差异的脑连接特征。首先，将所有的样本划分成多个类别，对多个类别的样本分别计算步骤1-1中的脑区相关性矩阵的平均值代表该类别的脑区相关性度量值；之后，采用统计学上经典的双样本t检验，寻找不同类别的样本集中具有显著差异的脑区。通过计算得到t检验统计量，之后根据自由度df＝N_A+N_B-2和计算出的t检验统计量，对照t分布表格即界值表确定P值。最后，使用错误发现率(False Discovery Rate，FDR)对P值校正，进而可以在错误率很低的情况下找到具有真正显著差异的脑区相关性特征。

步骤2，根据步骤1构建的不同类别的样本之间的显著特征构图。对于脑区信号数据处理所有N个样本后提取到具有显著差异的脑区功能连接特征X∈R^N×d，通过K近邻的方式构建样本和样本间的关系矩阵，即样本间的图拓扑结构G(V,E)。每个样本作为图中的一个结点构成了图中的V结点集合，每个结点的特征是这个样本提取的特征。

步骤3，根据步骤2构建的样本间的图拓扑结构作为输入，采用多通带图卷积融合的方式进行特征抽取。基于多通带图卷积融合网络主要由散射图卷积融合模块(Scattering Graph Convolutional Fusion Module，SGCFM)、残差过滤模块(ResidualFilter Module，RFM)以及对抗生成模块(Generative Adversarial Module，GAM)三个部分组成，具体包括如下子步骤：

3-1，首先，利用散射图卷积融合模块，通过傅里叶变换和几何散射变换分别对样本特征处理，提取出含有主要信息的低通和带通频率信号数据。然后，将低通、带通支路获得的样本低频和高频信息结果进行拼接融合。最后，将每条支路对应的通道的信息串联即为支路学校的样本特征；

3-2，采用一种残差过滤模块来将捕获的频谱降低到定义的截至频率，进而过滤掉带通和低通两个支路融合时产生的高频噪声；

3-3，针对获取的脑区信号特征X引入对抗生成模块，以此来指导散射图卷积网络更好地学习到有用信息。即在步骤1中获得的特征X的低通、带通信息基础上，对正态分布H_hp～N(0,1)随机采样来充当数据的高频噪声信息。然后，将所有样本脑区信号特征X的低通、带通以及高通信息输入到生成器网络中，通过生成网络来重构样本脑区信号原始特征X。

作为本发明的改进方案，步骤1-2中对有显著差异的P值的阈值选择默认的0.05，即P＝0.05的脑区作为样本显著特征。

作为本发明的改进方案，所述步骤3-1中使用公式(2)的方式进行多通带信息融合：

其中，

与

分别表示低通、带通支路学习到的特征；C_lp,C_bp分别代表低通支路和带通支路的通道数；将每条支路对应的通道的信息串联即为支路学习的样本特征，对低通支路的第k个通道

计算方式如公式(3)所示：

其中σ(·)表示非线性激活函数，采用|·|^q方式；对于带通支路的各个通道，计算方式如公式(4)所示：

其中，J_k表示不同阶和尺度的几何散射算子；散射图卷积融合模块的低通部分

与带通部分

两个通带支路信息融合定义如公式(5)所示：

可学习的参数

来自于每个支路的卷积层；

分别是各支路的偏置学习参数。

作为本发明的改进方案，所述步骤3-2中，残差过滤模块通过一个超参数α，邻接矩阵A以及度矩阵D构成，具体的定义如公式(6)所示：

将残差过滤模块用于散射图卷积融合模块之后，即最后的输出如公式(7)表示：

其中

表示可学习的参数权重矩阵；当H^l+1作为最后一层的输出时，设置d_l+1＝2即等于分类的类别个数；

表示可学习的偏置矩阵。

作为本发明的改进方案，所述步骤3-3中通过生成网络来重构样本脑区信号原始特征X的具体步骤如公式(8)所示：

其中，H_lp表示样本特征X低通信息，H_bp表示样本特征X带通通信息，H_hp表示样本特征X高通信息，G(·)代表生成器网络，Θ_g表示生成器网络中的可学习参数集合；

代表生成器基于低通，带通，高通信息重构出的样本特征。

作为本发明的改进方案，所述步骤3-3中对抗生成模块还包括判别器，通过判别生成器重构出的样本特征

和样本原始特征X之间的差异度来衡量生成器以及散射图卷积融合模块学习的低通、带通信息有效性；使用用于检验数据间差异的均方误差作为差异度计算函数，具体定义如公式(9)所示：

其中，D(·)表示判别器，即均方误差损失；以此作为损失来训练生成对抗模块，同时指导散射图卷积融合模块学习到更为有效的样本特征X的低通，带通信息。

与现有技术相比，本发明具有如下优点和有益效果：

本发明通过多通带特征融合达到脑连接分类的目的。针对所有受试者功能性核磁共振数据，在现有的图卷积网络的基础上，引入图散射卷积融合低通滤波和带通滤波，实现多通带特征学习。并且，进一步采用残差过滤模块和对抗生成模块降低噪声的影响，提高对干扰信息的鲁棒性，提取出稳定、高区分度的特征实现脑连接分类目标任务。

附图说明

图1为本发明的实施流程示意图。

图2为本发明在不同任务上的对比实验结果。

图3为本发明模块间的消融实验结果。

具体实施方式

以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

本发明提出的一种基于多通带图卷积融合的脑连接分类方法流程及其架构如图1所示。具体步骤包括(1)全脑功能连接影像特征提取，(2)多通带图卷积融合网络两个主要部分。

1)全脑功能连接影像特征提取部分主要工作：首先，对提供的受试样本原始的脑功能行磁共振fMRI影像数据与大脑白质图谱和灰质图谱映射得到大脑分区ROIs(感兴趣区域)的脑区影像数据；然后，利用皮尔森相关性计算得到脑区之间的功能性关联度的量化值。接着，对所有样本的脑区之间的功能性关联度量化值使用双样本t检验，根据P值筛选出不同类别的样本具有显著区别的脑区功能连接；最后，以这些显著区别的脑区功能连接作为每个样本的输入特征。具体处理详见步骤1和2。

2)多通带图卷积融合网络部分主要工作：首先，散射图卷积融合模块根据1)处理得到的每个样本脑区显著功能连接特征，使用基于傅里叶变换的图卷积方式提取样本的低通频段信息。同时，利用基于几何散射变换的图卷积方式提取样本的带通频段信息。之后，对两个通带支路学习到的特征进行融合，得到样本融合了低通、带通信息的多通带特征。然后，利用残差过滤模块，对样本的多通带融合特征设置截断频率过滤掉多通带融合产生的高频噪声信息。与此同时，采样正太分布模拟样本的高通部分信息，将样本低通、带通、高通特征输入到生成对抗模块中，通过对抗的思想来指导散射图卷积融合模块更好的学习提取样本高区分度信息，同时应对噪声提高鲁棒性。最后，样本的多通带融合信息经过残差过滤模块后得到类别预测结果，实现脑连接分类任务。具体的细节详见步骤2。

本发明所提出的模型不同于传统图卷积方式，主要通过频域变换对特征过滤提取到低通、带通两个通带数据融合做决策。充分利用数据的多通带特征，并且过滤掉高频部分的噪声信息。此外，使用生成对抗方式约束，指导多通带特征学习模块提取到更有效信息。具体地说，本发明包括如下步骤：

步骤1，针对脑连接分类任务进行数据预处理，即对样本原始数据处理得到具有显著区别的特征。本发明是以功能性核磁共振(functional Magnetic Resonance Imaging，fMRI)数据作为研究对象，获得不同类别的样本之间差异明显的生物学标志。具体处理方式可以分为一下两个子步骤：

1-1，基于脑的灰质与白质分区图谱提取被试样本的全脑(灰质、白质)的功能连接强度。首先，采用脑图谱映射的方式得到大脑功能连接中的感兴趣区域；然后，需要对脑区之间的BOLD值计算获得脑区之间的功能性相关度分析。本发明使用经典的反映变量之间的相关性的皮尔森相关(Pearson Correlation)分析，具体计算方法如公式(1)：

其中，X＝{X₁,X₂,...,X_n}和Y＝{Y₁,Y₂,...,Y_n}表示两个在n时间维度下的变量，r_X,Y表示变量X和Y的皮尔森相关系数，cov(X,Y)为变量X和Y的协方差，σ_X和σ_Y分别代表X和Y的标准差。在本发明中可以看作是两个脑区在采样时间序列下的BOLD信号变量。对所有脑区，即82个灰质脑区和48个白质脑区，总共130个脑区做两两脑区之间的皮尔森相关分析，可以得到130×130的脑区相关性矩阵M。最后，取相关性矩阵M的上三角或者下三角元素，拉平成一维向量作为此样本的特征；

1-2，利用统计学方式对被试样布的全脑连接特征进行统计分析，获取所属不同类别的样本之间存在显著差异的脑连接特征。首先，为了验证所选取的功能性连接特征是否能够区分所属不同类别样本间的差异，本发明首先将所有的样本划分成多个类别，然后将所有N个样本都通过步骤1-1中处理方式得到N个样本的130个脑区的相关性矩阵{Mⁱ∈R^{130 ×130},i∈{1,2,...,N}}。接下来，采用统计学上经典的双样本t检验，寻找不同类别的样本集中具有显著差异的脑区。之后根据自由度df＝N_A+N_B-2和计算出的t检验统计量对照t分布表格即界值表确定P值。最后，使用错误发现率(False Discovery Rate，FDR)对P值校正，进而可以在错误率很低的情况下找到具有真正显著差异的脑区相关性特征。其中，对有显著差异的P值的阈值α选择默认的0.05，即P＜α＝0.05的脑区作为样本显著特征。

步骤2，根据步骤1构建的不同类别的样本之间的显著特征构图。对于脑区信号数据处理所有N个样本后提取到具有显著差异的脑区功能连接特征X∈R^N×d，通过K近邻的方式构建样本和样本间的关系矩阵，即样本间的图拓扑结构G(V,E)。每个样本作为图中的一个结点构成了图中的V结点集合，每个结点的特征是这个样本提取的特征。K近邻构建的关系矩阵作为图中的E边集合，其中少量样本含有标签。接下来依据少量含有标签的样本来学习推导出无标签的样本类别实现脑连接的分类。

步骤3，根据步骤2构建的样本间的图拓扑结构作为输入，采用多通带图卷积融合的方式进行特征抽取。基于多通带图卷积融合网络主要由散射图卷积融合模块(Scattering Graph Convolutional Fusion Module，SGCFM)、残差过滤模块(ResidualFilter Module，RFM)以及对抗生成模块(Generative Adversarial Module，GAM)三个部分组成，具体包括如下子步骤：

3-1，首先，利用散射图卷积融合模块，通过傅里叶变换和几何散射变换分别对样本特征处理，提取出含有主要信息的低通和带通频率信号数据。然后，对低通、带通支路获得的样本低频和高频信息结果进行融合。为了定义分层传播规则，本发明使用公式(2)的方式进行多通带信息融合。

其中，

与

分别表示低通、带通支路学习到的特征。C_lp,C_bp分别代表低通支路和带通支路的通道数。将每条支路对应的通道的信息串联即为支路学习的样本特征。对低通支路的第k个通道

计算方式如公式(3)。

其中A代表邻接矩阵，D代表度矩阵，σ(·)表示非线性激活函数，本文采用|·|^q方式。同时，每个通道采用不同的传播矩阵即不同的傅里叶算子。同样地，对于带通支路的各个通道，计算方式如下。

其中，J_k表示不同阶和尺度的几何散射算子。同样σ(·)采用|·|^q方式。最终散射图卷积融合模块的低通部分

与带通部分

两个通带支路信息融合定义如公式(5)所示。

可学习的参数

来自于每个支路的卷积层。

分别是各支路的偏置学习参数。最后，通过串联两个支路卷积学习的样本特征形成样本的多通带信息，并且作为后面用于脑连接分类的依据。

3-2，低通支路和带通支路融合，收集到结点级别的多尺度信息来自不同阶邻居区域信息的聚集，这些不同阶的邻居区域可能表现出截然不同的频谱。因此，本发明采用一种残差过滤模块来将捕获的频谱降低到定义的截至频率，进而过滤掉高频噪声。

残差过滤模块是通过一个超参数α，邻接矩阵A以及度矩阵D构成，具体的定义如公式(6)所示。

将残差过滤模块用于散射图卷积融合模块之后，即最后的输出可以如公式(7)表示。

其中

表示可学习的参数权重矩阵。当H^l+1作为最后一层的输出时，可以设置d_l+1＝2即等于分类的类别个数。

表示可学习的偏置矩阵。通过残差过滤模块，可以设置截至频率，进而过滤掉带通和低通两个支路融合时产生的高频噪声。

3-3，针对获取的脑区信号特征X创新性地引入对抗生成模块，以此来指导散射图卷积网络更好地学习到有用信息。即在步骤1中获得的特征X的低通、带通信息基础上，对正态分布H_hp～N(0,1)随机采样来充当数据的高频噪声信息。然后，将所有样本脑区信号特征X的低通、带通以及高通信息输入到生成器网络中，通过生成网络来重构样本脑区信号原始特征X。具体步骤如公式(8)所示。

其中，H_lp表示样本特征X低通信息，H_bp表示样本特征X带通通信息，H_hp表示样本特征X高通信息，G(·)代表生成器网络，Θ_g表示生成器网络中的可学习参数集合。

代表生成器基于低通，带通，高通信息重构出的样本特征。在本发明中，生成器网络使用的是简单的三层全连接网络结构。

生成对抗模块还包括判别器模块，本发明通过判别生成器重构出的样本特征

和样本原始特征X之间的差异度来衡量生成器以及散射图卷积融合模块学习的低通、带通信息有效性。本发明使用用于检验数据间差异的均方误差作为差异度计算函数，具体定义如公式(9)所示。

其中，D(·)表示判别器，即均方误差损失。以此作为损失来训练生成对抗模块，同时指导散射图卷积融合模块学习到更为有效的样本特征X的低通，带通信息。

为了验证本发明提出的基于多通带图卷积融合模型(MBGCFN)在脑连接分类的有效性以及优越性，选取了当前经典流行的机器学习半监督分类方法进行准确率比较，同时采用敏感性，特异性指标进行多指标的衡量。选用的对比方法包括深度随机游走(DeepWalk)、深度子空间聚类(Deep Subspace Clustering，简称DSC)、图卷积神经网络(Graph Convolutional Network，简称GCN)以及图注意力网络(Graph AttentionNetwork，简称GAT)。

实施例：

下面以东南大学附属中大医院和新乡医学院第二附属医院数据集数据为例，来说明本发明的多通带图卷积融合的脑连接分类方法。

实验条件：现选取一台计算机进行实验，该计算机的配置有英特尔处理器(3.4GHz)和10GB随机存取存储器，64位操作系统，编程语言用的是Python3。

本次实验的实验数据来自于东南大学附属中大医院以及新乡医院，采用同一型号的磁共振成像设备和参数，从218例受试者采集磁共振数据样本，其中89例为健康对照(Health Control，HC)，另外129例是重度抑郁症患者(Major Depressive Disorder，MDD)。所有数据均为来自门诊与住院的患者，HC为同期广告招募的性别、年龄及教育程度与MDD患者相匹配的健康对照。

所有功能性核磁共振成像(fMRI)数据都是采用参数相同的磁共振机器。采集的参数如下。T1成像的参数为：TR为1900ms，TE为2.48ms，层数为176，层厚1mm，视野为。静息状态功能性磁共振参数为：TR为2000ms，TE为25ms，视野为，层数为36，厚度3mm，时间点为240个。之后对每个受试者拍摄的fMRI数据进行预处理：运动校正、切片时间校正、线性校正、与T1和功能性图像配准以及干扰信号的回归去噪。最后得到本发明使用的受试者原始样本特征。

实验参数设置为：为了公平地比较不同方法的性能，所有方法都采用步骤1中脑区信号数据处理后的样本特征，即白质-白质，灰质-灰质，灰质-白质具有显著高鉴别性的功能连接733维特征。同时，预先给定图拓扑结构的方法都使用K近邻方法采用所有样本个数218的百分之十作为邻居数量计算获得图拓扑结构。所有方法都是半监督学习分类方法，全都采用给定百分之十的标签样本来进行学习，所有对比方法都采用原论文设定的超参数。

图2为不同任务上的对比实验结果。图3为本发明所提出方法的模块消融实验。显然，本发明方法在准确率(Accuracy)、特异性(Specificity)、敏感性(Sensitivity)各方面均优于现有方法。且消融实验证明本发明提出的方法的每个模块对于脑连接分类都是有作用的。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种多通带图卷积融合的脑连接分类方法，其特征在于，包括以下步骤：

步骤1，针对脑连接分类任务进行数据预处理，即对样本原始数据fMRI处理得到具有显著区别的特征，获得不同类别样本之间差异明显的生物学标志，具体包括如下子步骤：

1-1，基于脑的灰质与白质分区图谱提取被试样本的全脑灰质和白质的功能连接强度；首先，采用脑图谱映射的方式得到大脑功能连接中的感兴趣区域；然后，依据映射后得到的脑区血氧浓度BOLD变化值，计算脑区之间的相皮尔森相关系数获得脑区之间的相关性矩阵M；最后，取相关性矩阵M的上三角或者下三角元素，拉平成一维向量作为此样本的特征；

1-2，利用统计学方式对不同类别的样本的全脑连接特征进行统计分析，获取不同类别样本之间存在显著差异的脑连接特征；首先，将所有的样本划分成多个类别，对多个类别的样本分别计算步骤1-1中的脑区相关性矩阵的平均值代表该类别的脑区相关性度量值；之后，采用双样本t检验，寻找不同类别的样本集中具有显著差异的脑区；通过计算得到样本的t检验统计量，之后根据自由度df＝N_A+N_B-2和计算出的t检验统计量，对照t分布表格即界值表确定P值；最后，使用错误发现率FDR对P值校正，从而在错误率很低的情况下找到具有真正显著差异的脑区相关性特征；

步骤2，根据步骤1构建的不同类别的样本之间的显著特征构图；对于脑区信号数据处理所有N个样本后提取到具有显著差异的脑区功能连接特征X∈R^N×d，通过K近邻的方式构建样本和样本间的关系矩阵，即样本间的图拓扑结构G(V,E)；每个样本作为图中的一个结点构成了图中的V结点集合，每个结点的特征是这个样本提取的特征。

步骤3，根据步骤2构建的样本间的图拓扑结构作为输入，采用多通带图卷积融合的方式进行特征抽取。基于多通带图卷积融合网络主要由散射图卷积融合模块SGCFM、残差过滤模块RFM以及对抗生成模块GAM三个部分组成，具体包括如下子步骤：

3-1，首先，利用散射图卷积融合模块，通过傅里叶变换和几何散射变换分别对样本特征处理，提取出含有主要信息的低通和带通频率信号数据；然后，将低通、带通支路获得的样本低频和高频信息结果进行拼接融合；最后，将每条支路对应的通道的信息串联即为支路学校的样本特征；

3-2，采用一种残差过滤模块来将捕获的频谱降低到定义的截至频率，进而过滤掉带通和低通两个支路融合时产生的高频噪声；

3-3，针对获取的脑区信号特征X引入对抗生成模块，以此来指导散射图卷积网络更好地学习到有用信息；即在步骤1中获得的特征X的低通、带通信息基础上，对正态分布H_hp～N(0,1)随机采样来充当数据的高频噪声信息；然后，将所有样本脑区信号特征X的低通、带通以及高通信息输入到生成器网络中，通过生成网络来重构样本脑区信号原始特征X。

2.根据权利要求1所述的多通带图卷积融合的脑连接分类方法，其特征在于，所述步骤1-2中对有显著差异的P值的阈值选择默认的0.05，即P＝0.05的脑区作为样本显著特征。

3.根据权利要求1所述的多通带图卷积融合的脑连接分类方法，其特征在于，所述步骤3-1中使用公式(2)的方式进行多通带信息融合：

其中，

与

分别表示低通、带通支路学习到的特征；C_lp,C_bp分别代表低通支路和带通支路的通道数；将每条支路对应的通道的信息串联即为支路学习的样本特征，对低通支路的第k个通道

计算方式如公式(3)所示：

其中σ(·)表示非线性激活函数，采用|·|^q方式；对于带通支路的各个通道，计算方式如公式(4)所示：

其中，J_k表示不同阶和尺度的几何散射算子；散射图卷积融合模块的低通部分

与带通部分

两个通带支路信息融合定义如公式(5)所示：

可学习的参数

来自于每个支路的卷积层；

分别是各支路的偏置学习参数。

4.根据权利要求1所述的多通带图卷积融合的脑连接分类方法，其特征在于，所述步骤3-2中，残差过滤模块通过一个超参数α，邻接矩阵A以及度矩阵D构成，具体的定义如公式(6)所示：

将残差过滤模块用于散射图卷积融合模块之后，即最后的输出如公式(7)表示：

其中

表示可学习的参数权重矩阵；当H^l+1作为最后一层的输出时，设置d_l+1＝2即等于分类的类别个数；

表示可学习的偏置矩阵。

5.根据权利要求1所述的多通带图卷积融合的脑连接分类方法，其特征在于，所述步骤3-3中通过生成网络来重构样本脑区信号原始特征X的具体步骤如公式(8)所示：

其中，H_lp表示样本特征X低通信息，H_bp表示样本特征X带通通信息，H_hp表示样本特征X高通信息，G(·)代表生成器网络，Θ_g表示生成器网络中的可学习参数集合；

代表生成器基于低通，带通，高通信息重构出的样本特征。

6.根据权利要求1所述的多通带图卷积融合的脑连接分类方法，其特征在于，所述步骤3-3中对抗生成模块还包括判别器，通过判别生成器重构出的样本特征

和样本原始特征X之间的差异度来衡量生成器以及散射图卷积融合模块学习的低通、带通信息有效性；使用用于检验数据间差异的均方误差作为差异度计算函数，具体定义如公式(9)所示：

其中，D(·)表示判别器，即均方误差损失；以此作为损失来训练生成对抗模块，同时指导散射图卷积融合模块学习到更为有效的样本特征X的低通，带通信息。

Images