CN116051849A - 一种脑网络数据特征提取方法及装置 - Google Patents

Abstract

本发明公开了一种脑网络数据特征提取方法及装置，该方法基于嵌入（Embedding）和格拉斯曼流形（Grassmannian Manifold）优化得到多层脑网络节点信息低维表示，通过使用嵌入的方法将多层脑网络节点信息进行低维表示，并将嵌入表示基于格拉斯曼流形进行优化，得到更加有代表性、有意义的低维节点特征信息并可以通过重建低维表示获得低维脑部功能连接网络。本发明通过对复杂的多层脑网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层脑网络节点低维表示信息，有效的提高多层脑网络数据信息的利用率，利用较少的数据量实现较高准确率的疾病诊断、节点检测等脑部研究。

Description

一种脑网络数据特征提取方法及装置

技术领域

本发明涉及医学影像和网络信息处理领域，尤其涉及一种脑网络数据特征提取方法及装置。

背景技术

核磁共振成像（Magnetic Resonance Imaging，MRI）是一种通过物理现象生成的断层成像。它利用磁共振现象从人体中获得电磁信号，基于核磁共振现象的原理，对核磁共振信号进行空间编码，重建出人体图像。核磁共振成像具有多功能性，不仅能对软组织进行标准结构对比，还能反映其他组织属性及动态特征，脑部核磁成像可以反映出血液动力学和水分子扩散等组织属性与动态特征，可获得具有先进对比度的脑部MRI数据，能为人体脑区的生理过程和标志物提供替代标志物。在脑部功能核磁共振成像中，数据中的对比度可以表示血容量、血氧量、血氧量和相对血氧水平的差异等等，是一种常用的多层脑网络疾病诊断技术。

实现多层脑网络疾病的自动诊断是计算机、人工智能、医学影像等相关领域的研究热点之一。人体脑网络错综复杂，具有十分庞大的数据信息，通过对核磁共振成像图像的深入研究，挖掘其包含的有用信息，得到多层脑网络信息并将这些特征运用到疾病的诊断研究中，是提高其诊断准确率的关键。网络嵌入方法（Network Embedding），是一种有效的网络表征学习方法，旨在用低维、稠密的向量空间表示高维、稀疏的向量空间。一系列研究表明，使用网络嵌入可以有效的找到一种映射函数，将复杂的脑网络数据信息降维，将网络中的每个节点转换为低维的潜在表示。

对多层脑部MRI数据进行处理，获取多层脑网络功能连接网络并使用功能网络对如阿尔兹海默症等疾病进行研究，对疾病的诊断、疾病发展阶段等相关研究起到了积极的作用。近年来出现了一些对多层脑网络数据进行研究的相关技术手段，有学者提出使用降维的方式对多层脑网络数据进行研究，提高信息的有效性，但现有的技术手段只对多层脑网络单层信息进行研究，通常使用常见的特征提取等方式进行信息挖掘，方式单一，很难全面的获取多层脑网络的全部关键信息。且只对层内信息进行研究，不能全面的利用多层脑网络的信息，丢失了部分重要的相互作用关系。难以获取全面的数据用于继续研究，导致相关的研究与多层脑网络疾病的自动诊断存在一定缺陷与不足。

发明内容

本发明的目的在于针对现有技术的不足，构建包含脑部脑区节点同频段层内信息及不同频段间层间信息的多层脑网络数据，充分获得多层脑网络数据的有效信息，融合层内信息与层间信息进行处理，将复杂庞大的多层脑网络数据进行降维，通过嵌入学习及在流形上进行迭代优化后得到不同脑区节点的嵌入表示向量，即为脑区节点的特征表示向量。本发明提出了一个新的多层脑网络嵌入框架，在一个统一的优化框架中同时建模脑区节点层内连接依赖和跨层网络依赖，获得嵌入学习表示联合框架，并使用联合表示函数作为损失函数在流形上进行优化，获得多层脑网络节点的嵌入向量公共表示，即为提取的脑网络数据特征。

本发明采用的技术方案如下：

一种脑网络数据特征提取方法，具体包括：

基于多层脑部功能连接网络构建层内节点嵌入表示、层间节点嵌入表示和层内层间网络一致性嵌入表示；将层内节点嵌入表示、层间节点嵌入表示和层内层间网络一致性嵌入表示相结合，并在层内层间网络一致性嵌入表示中每层加入自适应权重项α_i ，i是多层脑部功能连接网络中的层的索引，得到联合嵌入表示框架；

在格拉斯曼流形上优化联合嵌入表示框架，优化得到的层内层间网络一致性嵌入表示F即为提取的低维脑网络数据特征。

进一步地，联合嵌入表示框架具体为：

其中，n是多层脑部功能连接网络中的层数，F_i是多层脑部功能连接网络中第i层层内连接矩阵对应的层内节点嵌入表示向量，L_i是多层脑部功能连接网络中第i层层内连接矩阵对应的拉普拉斯矩阵，α_D表示层间权重参数，W_ij是多层脑部功能连接网络中的第i层与第j层的层间连接矩阵，K_ij表示第i层和第j层之间的相互作用矩阵，K_ij近似等于F_i ^TD_ijF_j；D_ij是第i、j层层间连接矩阵W_ij对应的对角线矩阵，α_i是自适应权重，F是层内层间网络一致性嵌入表示；

进一步地，所述在格拉斯曼流形上优化联合嵌入表示框架具体为：

通过使用指数映射操作将与从切线空间映射到格拉斯曼流形，对联合嵌入表示框架中的F_i与F进行迭代优化；其中与分别是流形空间上联合嵌入表示框架的格拉斯曼梯度；

通过构建自适应优化损失函数对权重α_i进行迭代优化，损失函数表示如下：

其中，λ、γ_D表示权重参数。

进一步地，所述流形空间上联合嵌入表示框架的格拉斯曼梯度通过如下方法获得：

根据联合嵌入表示框架分别对F_i和F求偏导，得到F_i和F基于联合嵌入表示框架的欧几里得梯度与；

通过正交投影将欧几里得梯度投影到切线空间上，可以得到格拉斯曼梯度与。

进一步地，所述多层脑部功能连接网络通过如下方法构建获得：

获取患者的脑部MRI数据，计算脑部不同脑区节点之间的相互关系，其中同频段内的脑区节点相互关系作为脑区节点的层内连接网络；不同频段之间的脑区节点相互关系作为脑区节点的层间连接网络，层内连接网络和层间连接网络构成多层脑部功能连接网络。

一种脑网络数据特征提取装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的脑网络数据特征提取方法。

一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现前述的脑网络数据特征提取方法。

一种脑网络数据特征提取装置，包括：

多层脑网络嵌入表示联合框架模块，在一个统一的优化框架中同时建模层内连接和跨层网络依赖，获得嵌入表示学习，通过构建多层脑网络层内嵌入表示模型及层间嵌入表示模型搭建算法，并引用大部分人类脑部脑区节点连接具有网络一致性的概念，增加多层脑网络间一致性约束项，得到多层脑部功能连接网络构建联合嵌入表示框架：

其中，n是多层脑部功能连接网络中的层数，F_i是多层脑部功能连接网络中第i层层内连接矩阵对应的层内节点嵌入表示向量，L_i是多层脑部功能连接网络中第i层层内连接矩阵对应的拉普拉斯矩阵，α_D表示层间权重参数，W_ij是多层脑部功能连接网络中的第i层与第j层的层间连接矩阵，K_ij表示第i层和第j层之间的相互作用矩阵，K_ij近似等于F_i ^TD_ijF_j；D_ij是第i、j层层间连接矩阵W_ij对应的对角线矩阵，α_i是自适应权重，F是层内层间网络一致性嵌入表示；

优化模块，在格拉斯曼流形上优化联合嵌入表示框架，优化得到的层内层间网络一致性嵌入表示F即为提取的脑网络数据特征；具体地，在格拉斯曼流形上对损失函数进行优化，通过格拉斯曼流形距离来描述不同嵌入向量的空间分布一致性，通过在流形上不断优化，得到最佳的多层脑网络节点低维表示信息；在优化过程中引入自适应多层脑网络权重信息，在优化中对多层脑网络进行自适应权重调整，为了合并所有的嵌入信息并学习到不同网络的互补属性，添加一个非负的权重α_i来调整嵌入学习，α_i越大，i在学习获得低维嵌入方面的角色观点就越重要，反之亦然，自适应获取信息量好而重要的网络信息进行权重提高，提高节点向量表示的优化准确性与有效性。

进一步地，还包括核磁共振成像数据处理模块，通过对MRI数据进行处理，分别对不同频段的多层脑网络数据进行处理，分别得到同频段的多层脑网络功能连接与不同频段之间的多层脑网络功能连接，对多层脑网络进行处理，得到有效数据构成的功能连接多层脑网络，构建多层脑网络功能网络节点信息。

一种脑部疾病预测系统，包括：

脑网络数据特征提取装置，用于提取获得脑网络数据特征；

脑部疾病预测模块，用于基于脑网络数据得到的特征进行脑部疾病预测。

进一步地，所述脑部疾病预测模块为神经网络或分类决策树。

本发明的有益效果是：通过全面的应用多层脑网络不同频段内的节点信息及频段之间的节点信息对多层脑网络信息进行计算，解决了多层脑网络数据应用不全面的问题；在多层脑网络信息处理中应用网络嵌入计算，有效的将高维度高复杂性的多层脑网络数据转换为多层脑网络节点的低维潜在表示，提高多层脑网络节点信息的有效性，更好的划分与定位多层脑网络关键区域；引入多层脑网络一致性及自适应权重的概念，准确全面的获得低维的多层脑网络节点表示向量即为提取的脑网络数据特征，为多层脑网络疾病诊断提供更有用的信息，进一步提高疾病研究与诊断的有效性。

附图说明

图1是本发明一种脑网络数据特征提取方法的流程示意图；

图2是本发明实施例一的流程示意图；

图3是处理后的多层脑网络数据展示图，其中，图3中的(a)为多层脑网络矩阵结果图，图3中的(b)为多层脑网络立体展示图，图3中的(c)为多层脑网络俯视展示图；

图4是本发明实施例一提取得到的脑网络数据特征的聚类结果图；

图5是本发明得到的脑网络数据特征重建后的多层脑网络与真实及其他方法构建的多层脑网络对比图，其中，图5中的(a)为计算使用的仿真脑网络数据可视化展示图，图5中的(b)为使用本发明嵌入向量重建得到的脑区节点网络可视化展示图，图5中的(c)为使用Muti-Layerd Network Embedding算法重建得到的脑区节点网络可视化展示图，图5中的(d)为使用NMF算法重建得到的脑区节点网络可视化展示图；

图6是本发明实施例二一种脑网络数据特征提取装置结构图；

图7是本发明实施例二的一种电子设备结构图；

图8是本发明实施例三的一种脑部疾病预测系统结构图。

具体实施方式

本发明方法通过对多层脑网络数据同频段内与不同频段间的节点区域相互联系，构建多层脑网络。通过对多层脑网络数据进行降维，得到低维有效的节点表示向量即为提取的脑网络数据特征，减少后续计算、研究的数据量，提高计算效率，为多层脑网络疾病研究与诊断提供更有效的信息。下面结合具体实施例和附图对本发明作进一步说明。

实施例一

图1是本发明方法的流程图，本发明的一种脑网络数据特征提取方法，先构建多层脑网络数据，构建层内层间联合优化框架，引入网络一致性及自适应权重参数，然后在流形上对嵌入表示进行优化，得到低维节点向量表示即提取获得脑网络数据的低维特征；如图2实施例的流程示意图所示，具体包括如下步骤：

步骤一：构建多层脑部功能连接网络；

一般情况下，多层脑部功能连接网络是基于患者的脑部医学图像数据如MRI等构建获得的，通过获取患者的脑部MRI数据，对数据进行处理，计算不同频段的多层脑网络数据，得到多层脑部功能连接网络；所述多层脑部功能连接网络W由脑部不同脑区节点之间的相互关系构成，包括层内连接网络与层间连接网络。

本实施例中以N=10，n=3的仿真多层脑部功能连接网络为例，构建由10个脑区节点，3层多层脑部功能连接网络。

仿真数据基于MRI数据进行网络构建，模拟生成层内连接网络及层间连接网络，模拟N个同频段内的脑区节点相互关系作为脑区节点层内连接网络，由同一频段网络数据构建的层内连接矩阵W_i构成，放在多层脑网络仿真数据邻接矩阵可视化的对角线部分，将不同频段之间的脑区节点相互关系作为脑区节点层间连接网络，由层与层之间即不同频段之间的网络数据构建的层间连接矩阵W_ij构成，其中下标i，j是层的索引，i≠j ，i，j∈（1，...，n），放在多层脑网络仿真数据邻接矩阵可视化的上下三角的相应位置，图3示出为本实施例多层脑部功能连接网络数据邻接矩阵可视化图，图3中的(a)示出的矩阵对角线部位三个矩阵模块为层内连接网络，对应图3中的(c)示出的矩阵层内连接，表示同频段脑区的相互连接表示；图3中的(a)示出的除对角线矩阵外其余六个矩阵模块表示不同频段间脑区的相关连接，对应图3中的(b)示出的跨层连接信息。

步骤二：对多层脑网络构建联合嵌入表示框架，具体包括如下步骤：

(2.1)层内节点嵌入表示：使用步骤一得到的多层脑部功能连接网络其中的层内连接矩阵构建层内节点嵌入表示，首先使用公式：L_i=D_i-W_i计算层内网络拉普拉斯矩阵，其中D_i是一个第i层层内连接矩阵W_i对应的对角线矩阵，每个对角线元素等于W_i中所有节点的总连接度和；以F_i表示W_i的节点嵌入向量，为了在W_i中找到可以保持原始拓扑结构的节点低维嵌入向量表示，对第i层的层内连接矩阵，如果两个节点有连接，则可以强制此两节点之间的嵌入向量表示相似，由此可以将层内嵌入表示为求嵌入向量与拉普拉斯矩阵L_i的迹：，并通过优化嵌入表示得到层内数学优化表达式为：。

(2.2)层间节点嵌入表示：使用得到的脑网络数据W中的层间连接矩阵构建层间节点嵌入表示，先使用表示第i层嵌入和第j层嵌入之间的相互作用矩阵，上标w_i、w_j分别表示第i层、第j层层内连接矩阵的大小，满足嵌入条件，可以发现K_ij近似等于，其中D_ij是第i、j层层间连接矩阵W_ij对应的对角线矩阵，每个对角线元素等于层间连接矩阵W_ij中所有节点的总连接度和。在嵌入表达中，层间嵌入向量的相互作用表示应与层间连接矩阵W_ij相同，求解W_ij与第i、j层的嵌入表达之间的F范数距离计算它们之间的差异，通过最小化W_ij与第i、j层嵌入之间的嵌入表达矩阵的差异得到最佳的嵌入表达，可以得到第i层与第j层的节点相似度嵌入数学优化表示为；||*||_F ²表示F范数。

(2.3)层内层间网络一致性嵌入表示：构建层内与层间公共的节点嵌入信息表示F，节点嵌入信息表示F为正交矩阵，具有分布在格拉斯曼流形上的特征，通过定义嵌入信息表示F与层间嵌入信息F_i在流形上分布的距离，计算多层嵌入向量与层内嵌入向量的一致性。求解嵌入向量直接的迹tr(*)得到嵌入向量之间的距离，保持优化框架的一致性，将最小化流形距离辅助项表示为：，ρ是一个常数，一般可取值为F的维度，通过迭代持续优化嵌入向量的分布一致性；

(2.4)多层脑网络节点信息联合框架：将层内节点嵌入表示、权重层间节点嵌入表示和层内层间网络一致性嵌入表示相结合，并在网络一致性损失项中加入自适应权重项α_i ，通过自适应F_i与F之间的距离权重调整网络一致性所占比重，得到联合嵌入表示框架：

其中，α_D表示层间权重参数；

步骤三：在格拉斯曼流形上优化联合嵌入表示框架，具体包括如下步骤：

（3.1）计算流形空间上联合嵌入表示框架的格拉斯曼梯度与：首先根据联合嵌入表示框架分别对F_i和F求偏导，得到二者基于联合嵌入表示框架的欧几里得梯度与，分别为：

通过正交投影将欧几里得梯度投影到切线空间上，可以得到格拉斯曼梯度与：

，

其中，I_N*N是大小为的N*N单位矩阵，N是节点的数量。

（3.2）使用（3.1）中得到的新格拉斯曼梯度与，通过使用指数映射操作将与从切线空间映射到格拉斯曼流形，得到新的F_i与F。

（3.3）构建自适应优化损失函数：通过计算F与F_i的一致性得到权重参数，自适应的调整第i个F_i在一致性计算中所占的比重，通过引入带有λ约束项的拉格朗日乘子来计算α_i，得到拉格朗日函数作为α_i的损失函数，如下：

其中，γ_D表示权重参数；

（3.4）计算并对权重α_i的损失函数进行迭代优化：通过计算拉格朗日函数分别对α_i与λ求导后为0的解，可以得到。对计算过程进行迭代，得到最佳结果。其中γ_α表示权重参数。

步骤四：利用自适应权重与优化后的F_i得到多层脑网络节点低维嵌入信息向量即层内层间网络一致性嵌入公共表示F，即提取得到脑网络数据特征。

图4所示是利用本发明方法对仿真数据（图3所示）处理得到的嵌入表示的聚类结果图，在本实施例中，使用K聚类算法进行验证，可以看到在嵌入空间中，聚类算法可以将全部多层脑网络节点聚为3类，分别符合数据中的相应图3中多层脑部功能连接网络与关键节点的特征特性，关键节点的嵌入坐标在三个区域的中间，同时与另两个多层脑网络模块具有相近性，共进行九次实验，可以发现九次检测都符合数据的特征特性。降维后的节点信息向量即提取得到脑网络数据特征可以很好的保留原始网络的节点关键信息，既减少了数据量，又分别保留了层内层外的节点关键信息，通过降维为多层脑网络数据研究提供更高效准确的信息。

如图5所示，使用得到的嵌入向量F计算脑区节点之间的相关性，根据相关性重建网络，图5中的(a)为计算使用的仿真脑网络数据可视化展示图，图5中的(b)为使用本发明嵌入向量重建得到的脑区节点网络可视化展示图，图5中的(c)和图5中的(d)分别为对比算法Muti-Layerd Network Embedding与NMF（Li J, Chen C, Tong H, et al. Multi-layered network embedding[C]//Proceedings of the 2018 SIAM InternationalConference on Data Mining. Society for Industrial and Applied Mathematics,2018: 684-692.）得到嵌入向量重建的脑网络数据可视化展示图，通过可视化图像可以看到，本发明通过重建得到的图像很好的反映了原始数据的模块性与连接特征，通过降维后得到的嵌入向量较好的保留了原始脑区节点的特征信息。

实施例二

与前述一种脑网络数据特征提取方法的实施例相对应，本发明还提供了一种脑网络数据特征提取装置的实施例。

参见图6，本发明实施例提供的一种脑网络数据特征提取装置，包括：

多层脑网络嵌入表示联合框架模块，对多层脑部功能连接网络构建联合嵌入表示框架；

优化提取模块，在格拉斯曼流形上优化联合嵌入表示框架，优化得到的层内层间网络一致性嵌入表示F即为提取的脑网络数据特征。

本发明一种脑网络数据特征提取装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。

装置实施例可以通过软件实现，也以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的从硬件层面而言，如图7所示，为本发明一种脑网络数据特征提取装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种脑网络数据特征提取方法。

所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备，例如所述设备上配备的插接式硬盘、智能存储卡( Smart Media Card,SMC ) 、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

实施例三

与前述一种脑网络数据特征提取方法的实施例相对应，本发明还提供了一种基于本发明方法/装置提取获得的脑网络数据特征的脑部疾病预测系统的实施例。

如图8所示，所述脑部疾病预测装置包括本发明的脑网络数据特征提取装置，用于提取获得脑网络数据特征；

脑部疾病预测模块，用于基于脑网络数据得到的特征进行脑部疾病预测。脑部疾病预测模块可以采用现有技术中常用的神经网络、分类决策树等结构，基于常规的方法构建获得。

本实施例中，对124位患者MRI数据进行脑网络数据特征提取，使用得到的嵌入低维特征向量对强迫症脑部疾病进行检测并验证。对得到的嵌入向量进行双样本检验，得到显著性指标P_value = 0.001599，可以看到通过本发明提取的脑网络数据特征在疾病诊断方面具有较好的显著性；

针对患者MRI数据得到的嵌入低维特征向量进行疾病分类，结果如表1所示。对计算中所使用的层间权重参数进行调整，验证层间信息的有效性，使用计算得到的嵌入向量F进行SVM分类，可以看到引入层间信息对疾病诊断具有良好的提高效果。

表1 层间系数与准确率的关系

<![CDATA[α<sub>D</sub>]]>	精度Accurary
		0	0.6958
0.1	0.8994
		0.5	0.8578
2	0.8125

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (10)

1.一种脑网络数据特征提取方法，其特征在于，具体包括：

基于多层脑部功能连接网络构建层内节点嵌入表示、层间节点嵌入表示和层内层间网络一致性嵌入表示；将层内节点嵌入表示、层间节点嵌入表示和层内层间网络一致性嵌入表示相结合，并在层内层间网络一致性嵌入表示中每层加入自适应权重项α_i ，i是多层脑部功能连接网络中的层的索引，得到联合嵌入表示框架；

在格拉斯曼流形上优化联合嵌入表示框架，优化得到的层内层间网络一致性嵌入表示F，即为提取的低维脑网络数据特征。

2.根据权利要求1所述的方法，其特征在于，联合嵌入表示框架具体为：

 ；

其中，n是多层脑部功能连接网络中的层数，F_i是多层脑部功能连接网络中第i层层内连接矩阵对应的层内节点嵌入表示向量，L_i是多层脑部功能连接网络中第i层层内连接矩阵对应的拉普拉斯矩阵，α_D表示层间权重参数，W_ij是多层脑部功能连接网络中的第i层与第j层的层间连接矩阵，K_ij表示第i层和第j层之间的相互作用矩阵，K_ij等于F_i ^TD_ijF_j；D_ij是第i、j层层间连接矩阵W_ij对应的对角线矩阵，α_i是自适应权重，F是层内层间网络一致性嵌入表示。

3.根据权利要求2所述的方法，其特征在于，所述在格拉斯曼流形上优化联合嵌入表示框架具体为：

通过使用指数映射操作将与从切线空间映射到格拉斯曼流形，对联合嵌入表示框架中的F_i与F进行迭代优化；其中与分别是流形空间上联合嵌入表示框架的格拉斯曼梯度；

通过构建自适应优化损失函数对权重α_i进行迭代优化，损失函数表示如下：

；

其中，λ、γ_D表示权重参数。

4.根据权利要求3所述的方法，其特征在于，所述流形空间上联合嵌入表示框架的格拉斯曼梯度通过如下方法获得：

根据联合嵌入表示框架分别对F_i和F求偏导，得到F_i和F基于联合嵌入表示框架的欧几里得梯度与；

通过正交投影将欧几里得梯度投影到切线空间上，得到格拉斯曼梯度与。

5.根据权利要求1所述的方法，其特征在于，所述多层脑部功能连接网络通过如下方法构建获得：

获取患者的脑部MRI数据，计算脑部不同脑区节点之间的相互关系，其中同频段内的脑区节点相互关系作为脑区节点的层内连接网络；不同频段之间的脑区节点相互关系作为脑区节点的层间连接网络，层内连接网络和层间连接网络构成多层脑部功能连接网络。

6.一种脑网络数据特征提取装置，其特征在于，包括：

多层脑网络嵌入表示联合框架模块，基于多层脑部功能连接网络构建层内节点嵌入表示、层间节点嵌入表示和层内层间网络一致性嵌入表示；将层内节点嵌入表示、层间节点嵌入表示和层内层间网络一致性嵌入表示相结合，并在层内层间网络一致性嵌入表示中每层加入自适应权重项α_i ，i是多层脑部功能连接网络中的层的索引，得到联合嵌入表示框架；

优化提取模块，在格拉斯曼流形上优化联合嵌入表示框架，优化得到的层内层间网络一致性嵌入表示F即为提取的低维脑网络数据特征。

7.根据权利要求6所述的装置，其特征在于，还包括核磁共振成像数据处理模块，用于获取患者的脑部MRI数据，计算脑部不同脑区节点之间的相互关系，其中同频段内的脑区节点相互关系作为脑区节点的层内连接网络；不同频段之间的脑区节点相互关系作为脑区节点的层间连接网络，层内连接网络和层间连接网络构成多层脑部功能连接网络。

8.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的脑网络数据特征提取方法。

9.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-5任一项所述的脑网络数据特征提取方法。

10.一种脑部疾病预测系统，其特征在于，包括：

权利要求6或7所述的脑网络数据特征提取装置，用于提取获得脑网络数据特征；

脑部疾病预测模块，用于基于脑网络数据得到的特征进行脑部疾病预测。

Images