申请/专利权人：北京工业大学

申请日：2022-01-26

公开（公告）日：2024-06-07

公开（公告）号：CN114445643B

主分类号：G06V10/46

分类号：G06V10/46;G06V10/25;G06V10/77;G06V10/44;G06V10/80;G06V10/764;G06V10/82;G06N3/0464;G06N3/0455;G06N3/0895;A61B5/055

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2022.05.24#实质审查的生效;2022.05.06#公开

摘要：本发明提供了一种基于显著稀疏强关联的fmri脑功能连接数据特征提取方法，该方法借鉴了空间自注意力机制思想，对fmri数据相关的显著性区域特征进行提取并对非显著性区域特征做稀疏化处理，而后结合不同显著性区域特征的强关联性解决数据特征提取过程中出现的样本维度高、冗余特征过多，以及特征关联信息利用不足等问题。为了客观评价所提出模型的有效性，在ABIDE和ADHD数据集上进行验证。实验结果表明，本文提出的特征提取方法有效提高了fmri脑功能连接数据的分类准确率。

主权项：1.一种基于显著稀疏强关联的fmri脑功能连接数据特征提取方法，其特征在于，包括以下步骤：步骤1、获取静息态磁共振功能成像数据；步骤2、数据预处理，获取输入特征；具体包括，首先，对步骤1获取的数据进行预处理；然后，构建脑功能连接矩阵E，矩阵E中的第i行第j列的元素表示第i脑区与第j脑区之间的相关性，i＝1、…、M，j＝1、…、M，M表示脑区总数，相关性表示脑区之间的脑功能连接，当i＝j，相关性为1，即矩阵E是对角线为1的对称矩阵，输入特征为脑功能连接矩阵E的不包含对角线的上三角部分，将其展开为一维向量可表示为其中xi为矩阵E中对应位置的元素；步骤3、使用显著区域稀疏模块寻找和加强具有鉴别能力的特征同时对干扰特征进行稀疏化，具体包括：首先，初始化参数，随机产生初始显著矩阵H∈RL×L，L表示脑功能连接总数；然后，计算输入特征x中每一个脑功能连接的显著分数gkx；对显著分数进行排序，根据保留规则，筛选显著分数；最后，根据保留下的显著分数对原始脑功能连接进行加权以及稀疏化操作得到特征步骤4、将筛选加权后的特征载入自编码器，采用预训练的自编码器对特征进行表示，输出为步骤5、采用稀疏强关联特征上下文融合模块对不同感受野内的显著特征信息进行聚合，包括以下步骤：初始化参数；使用扩张率大小分别为r1,…,rz的空洞卷积分别对步骤4的输出特征进行卷积运算；采用大小为1*1的卷积核对z个空洞卷积提取的特征进行聚合得到强关联特征v；在步骤2中，脑功能连接网络的构建过程为：使用自动解剖标记图谱AAL模板提取预处理后的成像数据的各个脑区的时间序列；而后采用皮尔森相关系数计算两两脑区之间的功能连接强度，得到脑功能连接矩阵E；其中，计算两两脑区脑功能连接强度的方法是，令Q1，Q2为划分的两个脑区，Q1的预处理后的时间序列数据表示为Q1＝{a1,a2,……an}，Q2的预处理后的时间序列数据表示为Q2＝{b1,b2,……bn}，计算公式如下所示： 其中表示Q1脑区与Q2脑区之间的相关性，表示Q1时间序列的均值，表示Q2时间序列的均值，脑功能连接矩阵表示为 选取的特征为在步骤3中，脑功能连接显著分数的具体计算过程如下，给定输入特征使用显著区域稀疏模块后，得到对应特征的权重gx，其中，第k个的脑功能连接xk的显著分数gkx计算公式如下所示： 其中x代表输入特征，b为偏置项向量，bk为b向量下标为k处的值，H为显著矩阵，Hk为H矩阵的第k行，负责第k个脑功能连接的显著分数计算，值越大代表脑功能连接越重要，L值为4005，代表脑功能连接总数；而后根据权重值将所有权重从大到小进行排序，保留前β个权重对应的脑功能连接，并进行加强得到其余脑功能连接作为干扰特征进行剔除，其中，保留的经过增强的第k个显著脑功能连接具体表示如下：

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于显著稀疏强关联的fmri脑功能连接数据特征提取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD