CN115474939A - 一种基于深度展开神经网络的孤独症谱系障碍识别模型 - Google Patents

一种基于深度展开神经网络的孤独症谱系障碍识别模型 Download PDF

Info

Publication number
CN115474939A
CN115474939A CN202211292211.8A CN202211292211A CN115474939A CN 115474939 A CN115474939 A CN 115474939A CN 202211292211 A CN202211292211 A CN 202211292211A CN 115474939 A CN115474939 A CN 115474939A
Authority
CN
China
Prior art keywords
network
model
prototype
neural network
classifier
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.)
Pending
Application number
CN202211292211.8A
Other languages
English (en)
Inventor
雷大江
张涛
刘晨
史春梦
王国胤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202211292211.8A priority Critical patent/CN115474939A/zh
Publication of CN115474939A publication Critical patent/CN115474939A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • 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
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Neurology (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Psychiatry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Psychology (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Hospice & Palliative Care (AREA)
  • Mathematical Physics (AREA)
  • Neurosurgery (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Social Psychology (AREA)
  • Optics & Photonics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)

Abstract

本发明属于认知障碍领域，具体涉及一种基于深度展开神经网络的孤独症谱系障碍识别模型，该模型的构建过程包括：使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，对不可微部分定义一个近端算子将优化问题转换为迭代公式；用深度展开算法将迭代公式中的近端算子替换为双层卷积层，则迭代公式重建为迭代网络，得到迭代网路模块；将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器；将迭代网路模块和基于原型学习的卷积神经网络分类器组合，得到障碍识别模型；训练模型并测试模型性能，得到最优的障碍识别模型；本发明提高了网络模型的拟合能力和泛化能力，进一步提高了识别疾病的准确率。

Description

一种基于深度展开神经网络的孤独症谱系障碍识别模型
技术领域
本发明属于认知障碍领域，具体涉及一种基于深度展开神经网络的孤独症谱系障碍识别模型。
背景技术
大脑是一个复杂的动态系统，其发育变化与人类的高阶认知能力密切相关。在许多神经发育障碍和皮质发育畸形疾病中都能观察到异常的大脑皮层形态。脑沟模式不仅表现了大脑皮层的多种属性，还反映多个脑沟间的空间、几何和拓扑关系，而研究这种模式有助于认识皮层功能区及底层白质纤维连接的优化组织和排列方式。全局脑沟模式的变化反映了早期大脑发育的变化，并表现为认知功能、人格特征或精神障碍的个体间差异。因此，研究脑沟模式对深入认识大脑正常的发育机制，或神经发育障碍疾病的发病机制具有重要的学术意义和临床应用价值。
目前大多使用的技术在于求解带有生物学先验知识的脑功能网络优化问题以揭示大脑不同区域的关联性，并使用脑血氧水平依赖性构建脑功能网络并分类。传统的基于节点相关性的方法能有效地展示节点之间地相关程度，但是存在大量地冗余信息。改进后的基于稀疏表示的优化算法能有效地减少没用的节点连接，但是没有结合领域知识。除此之外，随着研究的进一步展开基于传统模型的算法出现了拟合能力较差，要达到较好的实验效果比较依赖大量手动的特征提取等问题。
现有技术问题：孤独症谱系障碍识别准确率较低、准确提取脑功能网络特征较难、脑功能网络构建和特征提取过程复杂。
发明内容
为解决上述技术问题，本发明提出一种基于深度展开神经网络的孤独症谱系障碍识别模型，该模型的构建过程包括：
获取静息态功能性磁共振成像技术表征的脑血氧水平依赖性信号；
使用用于关系分析的可配置管道方法对静息态功能性磁共振成像技术表征的脑血氧水平依赖性信号进行预处理，根据AAL分区模板将脑血氧水平依赖性的三维图像信号转换为二维时间序列信号，并将每个二维时间序列信号归一化，再将所有归一化后的二维时间序列信号按9:1的比例分为训练集和测试集；
使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，对不可微部分定义一个近端算子将优化问题转换为迭代公式；
用深度展开算法将迭代公式中的近端算子替换为双层卷积层，则迭代公式重建为迭代网络，得到迭代网路模块，迭代次数为迭代网路模块的个数；
将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器；
将迭代网路模块和基于原型学习的卷积神经网络分类器组合，得到碍识别模型，使用训练集训练模型并通过测试集测试模型性能，得到最优的障碍识别模型。
优选的，使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，表示为：
Figure BDA0003901435110000021
其中，
Figure BDA0003901435110000022
表示优化问题中的可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，Wk表示可微部分第k次迭代后的大脑不同分区的连接强度矩阵，α表示迭代步长，λ1表示空间信息先验的控制参数，X表示脑血氧水平依赖性的时间序列信号，D表示一个用于辅助计算的对角矩阵，S表示大脑不同分区之间连接拓扑的相似性。
优选的，对不可微部分定义一个近端算子将优化问题转换为迭代公式，表示为：
Figure BDA0003901435110000031
其中，prox(·)表示近端算子，Wk+1表示优化问题中的不可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，
Figure BDA0003901435110000032
表示优化问题中的可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，Wk表示可微部分第k次迭代后的大脑不同分区的连接强度矩阵，α表示迭代步长，λ1表示空间信息先验的控制参数，X表示脑血氧水平依赖性的时间序列信号，D表示一个用于辅助计算的对角矩阵，S表示大脑不同分区之间连接拓扑的相似性。
优选的，迭代网路模块，包括：
迭代公式中未知表示的近端算子prox(·)用双层卷积层代替，两个卷积层之间通过ReLU激活函数连接，卷积层的都采用了3×3的大小卷积核，并设置了边缘填充以保持维度大小不变，第一个卷积层设置32个卷积核特征，步长α和控制参数λ1通过网络学习自适应改变其数值，整个网路模块通过网络训练来自主学习近端算子的表示方法，获得更符合类别标签的特征表示。
优选的，将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器，具体包括：
在分类器中使用4层卷积提取特征，池化层用于下采样，卷积层使用的过滤器数量分别为：64、64、32、1；每个池化操作后使用RELU函数激活并正则化，卷积池化层后将图展开成一维输入到全连接层，全连接层一共四层，其中有两层隐藏层，他们的神经元个数分别为：10、64、32、2；每一层后都有ReLU激活函数；为了避免过拟合，全连接层中有Dropout操作；全连接层后连接原型学习，给每个类别设置多个原型，利用原型训练网络参数，分类器的损失函数使用了基于距离的交叉熵损失函数，将输出与各个原型之间的最短欧氏距离作为分类依据，距离某一类原型越近，属于其类别的可能性越高，同时，整个网络使用ADAM作为优化器，学习率设置为0.0001，Dropout项随机丢弃的概率为0.5，权值衰减参数设置为0.0001。
进一步的，给每个类别设置多个原型，利用原型训练网络参数，表示为：
Figure BDA0003901435110000041
其中，preclass表示模型最终预测的类别，f(x；θ)表示分类器中特征提取网络的输出，x代表分类器中特征提取网络的输入，θ代表中分类器中特征提取网络网络参数，mij表示每个原型，C表示类别个数，K表示每个类别的原型个数。
进一步的，基于距离的交叉熵损失函数，表示为：
Figure BDA0003901435110000042
其中，loss(x,θ,m)表示基于距离的交叉熵损失函数，d()表示模型输出和原型的相似程度，γ表示概率分配难度的超参数，x代表分类器中特征提取网络的输入，θ代表中分类器中特征提取网络的网络参数，m表示类别的原型，mij表示第i类的第j个每个原型，C表示类别个数，K表示每个类别的原型个数，k表示类别序号，l表示原型序号，e表示自然常数，mkl表示第k类的第l个原型。
优选的，设置batch大小为32，将训练集中的数据输入建立好的障碍识别模型并经过shuffle过程，数据每次迭代都输入一个batch的数据样本，数据经过8个迭代网络模块后输出大小为N×N的脑功能网络特征图，再经过四层卷积层提取成5×5的特征图，将5×5的特征图展开为1×10的向量并经过三层全连接层获得最终结果，在获得结果的同时每个标签类别训练了两个原型，利用基于距离的交叉熵损失函数计算损失并反向传播更新全连接参数、卷积核参数、包括被设置为可自适应学习的步长参数α和控制参数λ1，最后经过50个epoch的训练，得到损失下降到最低点时的模型；将测试集中的数据输入损失下降到最低点时的模型，并获得AUC、ACC、SPE、SEN的测试指标下的最优的障碍识别模型。
本发明的有益效果：
本发明利用深度展开算法将迭代公式与深度神经网络相结合，将迭代公式重建为迭代网络；自主学习的网络免去了繁重的特征提取任务，而且网络强大的拟合能力也进一步提高了识别疾病的准确率；除此之外，分类器中加入的原型学习框架也进一步提高了模型的泛化能力。
附图说明
图1为本发明的孤独症谱系障碍识别模型整体结构示意图；
图2为本发明的迭代网路模块结构示意图；
图3为本发明的基于原型学习的卷积神经网络分类器结构示意图；
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。
一种基于深度展开神经网络的孤独症谱系障碍识别模型，如图1所示，该模型的构建过程包括：
获取静息态功能性磁共振成像技术表征的脑血氧水平依赖性信号；
使用用于关系分析的可配置管道方法对静息态功能性磁共振成像技术表征的脑血氧水平依赖性信号进行预处理，根据AAL分区模板将脑血氧水平依赖性的三维图像信号转换为二维时间序列信号，并将每个二维时间序列信号归一化，再将所有归一化后的二维时间序列信号按9:1的比例分为训练集和测试集；
使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，对不可微部分定义一个近端算子将优化问题转换为迭代公式；
用深度展开算法将迭代公式中的近端算子替换为双层卷积层，则迭代公式重建为迭代网络，得到迭代网路模块，迭代次数为迭代网路模块的个数；
将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器；
将迭代网路模块和基于原型学习的卷积神经网络分类器组合，得到碍识别模型，使用训练集训练模型并通过测试集测试模型性能，得到最优的障碍识别模型。
实验使用数据选取发布于2013年的ABIDE数据集，由研究者从多个国际站点获取。选用的数据集预处理过程使用了分析连接体的可配置管道(CPAC)的预处理方法，并且经过AAL分区模板将大脑分成116个分区，每个分区有一串时间序列数据。经过预处理后的数据集再进行归一化并按照9:1的比例分为训练集和测试集。
有空间信息的脑功能网络优化问题，表示为：
Figure BDA0003901435110000061
其中，wi表示第i个分区和其他所有分区的连接强度向量，wij表示第i个分区和第j个分区之间的连接强度，N表示大脑分区的数量，xi表示第i个分区的时序特征，λ1和λ2是先验的控制参数，sij表示第i个分区和第j个分区之间连接拓扑的相似性，
Figure BDA0003901435110000062
其中dij表示第i个分区和第j个分区之间的空间距离，dij＝||Ri-Rj||2，R表示每个ROI的三维坐标
Figure BDA0003901435110000063
Ri表示第i个分区的三维坐标。
脑功能网络优化公式中的变量可以用矩阵形式表示为：
Figure BDA0003901435110000064
其中，X表示所有分区的时序数据矩阵
Figure BDA0003901435110000065
W表示连接强度矩阵
Figure BDA0003901435110000066
F表示计算F范数，tr表示计算矩阵的迹，D是一个用于辅助计算的对角矩阵，其对角元素
Figure BDA0003901435110000067
S表示大脑不同分区之间连接拓扑的相似性，λ1和λ2是先验的控制参数。
使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，表示为：
Figure BDA0003901435110000071
其中，
Figure BDA0003901435110000072
表示优化问题中的可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，Wk表示可微部分第k次迭代后的大脑不同分区的连接强度矩阵，α表示迭代步长，λ1表示空间信息先验的控制参数，X表示脑血氧水平依赖性的时间序列信号，D表示一个用于辅助计算的对角矩阵，其对角元素
Figure BDA0003901435110000073
S表示大脑不同分区之间连接拓扑的相似性，其元素
Figure BDA0003901435110000074
对不可微部分定义一个近端算子将优化问题转换为迭代公式，表示为：
Figure BDA0003901435110000075
其中，prox(·)表示近端算子，Wk+1表示优化问题中的不可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，
Figure BDA0003901435110000076
表示优化问题中的可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，Wk表示可微部分第k次迭代后的大脑不同分区的连接强度矩阵，α表示迭代步长，λ1表示空间信息先验的控制参数，X表示脑血氧水平依赖性的时间序列信号，D表示一个用于辅助计算的对角矩阵，S表示大脑不同分区之间连接拓扑的相似性。
迭代网路模块，如图2所示，包括：
迭代公式中未知表示的近端算子prox(·)用双层卷积层代替，两个卷积层之间通过ReLU激活函数连接，卷积层的都采用了3×3的大小卷积核，并设置了边缘填充以保持维度大小不变，第一个卷积层设置32个卷积核特征，步长α和控制参数λ1通过网络学习自适应改变其数值，整个网路模块通过网络训练来自主学习近端算子的表示方法，获得更符合类别标签的特征表示。
将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器，如图3所示，具体包括：
在分类器中使用4层卷积提取特征，池化层用于下采样，卷积层使用的过滤器数量分别为：64、64、32、1；每个池化操作后使用RELU函数激活并正则化，卷积池化层后将图展开成一维输入到全连接层，全连接层一共四层，其中有两层隐藏层，他们的神经元个数分别为：10、64、32、2；每一层后都有ReLU激活函数；为了避免过拟合，全连接层中有Dropout操作；全连接层后连接原型学习，给每个类别设置多个原型，利用原型训练网络参数，分类器的损失函数使用了基于距离的交叉熵损失函数，将输出与各个原型之间的最短欧氏距离作为分类依据，距离某一类原型越近，属于其类别的可能性越高，同时，整个网络使用ADAM作为优化器，学习率设置为0.0001，Dropout项随机丢弃的概率为0.5，权值衰减参数设置为0.0001。
给每个类别设置多个原型，利用原型训练网络参数，表示为：
Figure BDA0003901435110000081
其中，preclass表示模型最终预测的类别，f(x；θ)表示分类器中特征提取网络的输出，x代表分类器中特征提取网络的输入，θ代表中分类器中特征提取网络网络参数，mij表示每个原型，C表示类别个数，K表示每个类别的原型个数，其中i∈{1,2,...,C}，C表示类别个数，j∈{1,2,...,K}。
基于距离的交叉熵损失函数，表示为：
Figure BDA0003901435110000082
其中，loss(x,θ,m)表示基于距离的交叉熵损失函数，
Figure BDA0003901435110000083
表示模型输出和原型的相似程度，γ表示概率分配难度的超参数，也就是控制相似程度对概率的影响；x代表分类器中特征提取网络的输入，θ代表中分类器中特征提取网络的网络参数，m表示类别的原型，mij表示第i类的第j个每个原型，C表示类别个数，K表示每个类别的原型个数，k表示类别序号，l表示原型序号，e表示自然常数，mkl表示第k类的第l个原型。
设置batch大小为32，将训练集中的数据输入建立好的障碍识别模型并经过shuffle过程，数据每次迭代都输入一个batch的数据样本，数据经过8个迭代网络模块后输出大小为N×N(N表示大脑不同区域的数量)的脑功能网络特征图，再经过四层卷积层提取成5×5的特征图，将5×5的特征图展开为1×10的向量并经过三层全连接层获得最终结果，在获得结果的同时每个标签类别训练了两个原型，利用基于距离的交叉熵损失函数计算损失并反向传播更新全连接参数、卷积核参数、包括被设置为可自适应学习的步长参数α和控制参数λ1，最后经过50个epoch的训练，得到损失下降到最低点时的模型；将测试集中的数据输入损失下降到最低点时的模型，并获得AUC(ROC曲线下面积)、ACC(准确率)、SPE(特异性)、SEN(敏感性)的测试指标。同时，针对现有的其他算法和分类器设计对比实验。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，该模型的构建过程包括：
获取静息态功能性磁共振成像技术表征的脑血氧水平依赖性信号；
使用用于关系分析的可配置管道方法对静息态功能性磁共振成像技术表征的脑血氧水平依赖性信号进行预处理，根据AAL分区模板将脑血氧水平依赖性的三维图像信号转换为二维时间序列信号，并将每个二维时间序列信号归一化，再将所有归一化后的二维时间序列信号按9:1的比例分为训练集和测试集；
使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，对不可微部分定义一个近端算子将优化问题转换为迭代公式；
用深度展开算法将迭代公式中的近端算子替换为双层卷积层，则迭代公式重建为迭代网络，得到迭代网路模块，迭代次数为迭代网路模块的个数；
将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器；
将迭代网路模块和基于原型学习的卷积神经网络分类器组合，得到障碍识别模型，使用训练集训练模型并通过测试集测试模型性能，得到最优的障碍识别模型。
2.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，表示为：
Figure FDA0003901435100000011
其中，
Figure FDA0003901435100000012
表示优化问题中的可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，Wk表示可微部分第k次迭代后的大脑不同分区的连接强度矩阵，α表示迭代步长，λ1表示空间信息先验的控制参数，X表示脑血氧水平依赖性的时间序列信号，D表示一个用于辅助计算的对角矩阵，S表示大脑不同分区之间连接拓扑的相似性。
3.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，对不可微部分定义一个近端算子将优化问题转换为迭代公式，表示为：
Figure FDA0003901435100000021
其中，prox(·)表示近端算子，Wk+1表示优化问题中的不可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，
Figure FDA0003901435100000022
表示优化问题中的可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵，Wk表示可微部分第k次迭代后的大脑不同分区的连接强度矩阵，α表示迭代步长，λ1表示空间信息先验的控制参数，X表示脑血氧水平依赖性的时间序列信号，D表示一个用于辅助计算的对角矩阵，S表示大脑不同分区之间连接拓扑的相似性。
4.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，迭代网路模块，包括：
迭代公式中未知表示的近端算子prox(·)用双层卷积层代替，两个卷积层之间通过ReLU激活函数连接，卷积层的都采用了3×3的大小卷积核，并设置了边缘填充以保持维度大小不变，第一个卷积层设置32个卷积核特征，步长α和控制参数λ1通过网络学习自适应改变其数值，整个网路模块通过网络训练来自主学习近端算子的表示方法，获得更符合类别标签的特征表示。
5.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器，具体包括：
在分类器中使用4层卷积提取特征，池化层用于下采样，卷积层使用的过滤器数量分别为：64、64、32、1；每个池化操作后使用RELU函数激活并正则化，卷积池化层后将图展开成一维输入到全连接层，全连接层一共四层，其中有两层隐藏层，他们的神经元个数分别为：10、64、32、2；每一层后都有ReLU激活函数，为了避免过拟合，全连接层中有Dropout操作，全连接层后连接原型学习，给每个类别设置多个原型，利用原型训练网络参数，分类器的损失函数使用了基于距离的交叉熵损失函数，将输出与各个原型之间的最短欧氏距离作为分类依据，距离某一类原型越近，属于其类别的可能性越高，同时，整个网络使用ADAM作为优化器，学习率设置为0.0001，Dropout项随机丢弃的概率为0.5，权值衰减参数设置为0.0001。
6.根据权利要求5所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，给每个类别设置多个原型，利用原型训练网络参数，表示为：
Figure FDA0003901435100000031
其中，preclass表示模型最终预测的类别，f(x；θ)表示分类器中特征提取网络的输出，x代表分类器中特征提取网络的输入，θ代表中分类器中特征提取网络网络参数，mij表示每个原型，C表示类别个数，K表示每个类别的原型个数。
7.根据权利要求5所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，基于距离的交叉熵损失函数，表示为：
Figure FDA0003901435100000032
其中，loss(x,θ,m)表示基于距离的交叉熵损失函数，d()表示模型输出和原型的相似程度，γ表示概率分配难度的超参数，x代表分类器中特征提取网络的输入，θ代表中分类器中特征提取网络的网络参数，m表示类别的原型，mij表示第i类的第j个每个原型，C表示类别个数，K表示每个类别的原型个数，k表示类别序号，l表示原型序号，e表示自然常数，mkl表示第k类的第l个原型。
8.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，使用训练集训练模型并通过测试集测试模型性能，具体包括：
设置batch大小为32，将训练集中的数据输入建立好的障碍识别模型并经过shuffle过程，数据每次迭代都输入一个batch的数据样本，数据经过8个迭代网络模块后输出大小为N×N的脑功能网络特征图，再经过四层卷积层提取成5×5的特征图，将5×5的特征图展开为1×10的向量并经过三层全连接层获得最终结果，在获得结果的同时每个标签类别训练了两个原型，利用基于距离的交叉熵损失函数计算损失并反向传播更新全连接参数、卷积核参数、包括被设置为可自适应学习的步长参数α和控制参数λ1，最后经过50个epoch的训练，得到损失下降到最低点时的模型；将测试集中的数据输入损失下降到最低点时的模型，并获得AUC、ACC、SPE、SEN的测试指标下的最优的障碍识别模型。
CN202211292211.8A 2022-10-21 2022-10-21 一种基于深度展开神经网络的孤独症谱系障碍识别模型 Pending CN115474939A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211292211.8A CN115474939A (zh) 2022-10-21 2022-10-21 一种基于深度展开神经网络的孤独症谱系障碍识别模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211292211.8A CN115474939A (zh) 2022-10-21 2022-10-21 一种基于深度展开神经网络的孤独症谱系障碍识别模型

Publications (1)

Publication Number Publication Date
CN115474939A true CN115474939A (zh) 2022-12-16

Family

ID=84395183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211292211.8A Pending CN115474939A (zh) 2022-10-21 2022-10-21 一种基于深度展开神经网络的孤独症谱系障碍识别模型

Country Status (1)

Country Link
CN (1) CN115474939A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117243569A (zh) * 2023-10-12 2023-12-19 国家康复辅具研究中心 一种基于多源信息融合的认知功能评估方法和系统
CN117312971A (zh) * 2023-11-29 2023-12-29 北京邮电大学 一种孤独症谱系障碍个体识别装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117243569A (zh) * 2023-10-12 2023-12-19 国家康复辅具研究中心 一种基于多源信息融合的认知功能评估方法和系统
CN117243569B (zh) * 2023-10-12 2024-05-07 国家康复辅具研究中心 一种基于多源信息融合的认知功能评估方法和系统
CN117312971A (zh) * 2023-11-29 2023-12-29 北京邮电大学 一种孤独症谱系障碍个体识别装置
CN117312971B (zh) * 2023-11-29 2024-04-02 北京邮电大学 一种孤独症谱系障碍个体识别装置

Similar Documents

Publication Publication Date Title
CN108231201B (zh) 一种疾病数据分析处理模型的构建方法、系统及应用方法
Khan et al. Intelligent fusion-assisted skin lesion localization and classification for smart healthcare
CN113040715B (zh) 一种基于卷积神经网络的人脑功能网络分类方法
CN109528197B (zh) 基于脑功能图谱进行精神疾病的个体化预测方法和系统
CN115474939A (zh) 一种基于深度展开神经网络的孤独症谱系障碍识别模型
CN108648191A (zh) 基于贝叶斯宽度残差神经网络的害虫图像识别方法
CN111000553B (zh) 一种基于投票集成学习的心电数据智能分类方法
CN106897685A (zh) 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统
CN111563533A (zh) 基于图卷积神经网络融合多种人脑图谱的受试者分类方法
CN105160400A (zh) 基于l21范数的提升卷积神经网络泛化能力的方法
CN113693563B (zh) 一种基于超图注意力网络的脑功能网络分类方法
CN111368885A (zh) 一种基于深度学习和信息融合的航空发动机气路故障诊断方法
Chen et al. Mobile convolution neural network for the recognition of potato leaf disease images
CN109558896A (zh) 基于超声组学和深度学习的疾病智能化分析方法及系统
CN115222688B (zh) 基于图网络时间序列的医学影像分类方法
CN106650818A (zh) 基于高阶超网络的静息态功能磁共振影像数据分类方法
CN111524140B (zh) 基于cnn和随机森林法的医学图像语义分割方法
CN115841607A (zh) 一种基于图注意力网络的脑网络结构和相似度的联合学习方法
CN111513717A (zh) 一种大脑功能状态提取方法
Kamada et al. Knowledge extraction of adaptive structural learning of deep belief network for medical examination data
CN109871869A (zh) 一种肺结节分类方法及其装置
Yang et al. Classification of medical images with synergic graph convolutional networks
Qian Exploration of machine algorithms based on deep learning model and feature extraction
Ahmad et al. Eye diseases classification using hierarchical MultiLabel artificial neural network
CN116503680A (zh) 基于脑图谱的脑影像结构化分析和脑疾病分类系统

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