CN110322969A - 一种基于宽度学习的fMRI数据分类方法 - Google Patents

一种基于宽度学习的fMRI数据分类方法 Download PDF

Info

Publication number
CN110322969A
CN110322969A CN201910593914.6A CN201910593914A CN110322969A CN 110322969 A CN110322969 A CN 110322969A CN 201910593914 A CN201910593914 A CN 201910593914A CN 110322969 A CN110322969 A CN 110322969A
Authority
CN
China
Prior art keywords
data
train
test
fmri
node
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
CN201910593914.6A
Other languages
English (en)
Inventor
刘嘉诚
冀俊忠
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201910593914.6A priority Critical patent/CN110322969A/zh
Publication of CN110322969A publication Critical patent/CN110322969A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • A61B5/72—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明是一种基于宽度学习的fMRI数据分类方法，属于脑科学研究领域。具体包括：获取静息态fMRI数据并预处理；构建基于宽度学习***的分类器模型；利用训练完成的模型对病人数据进行分类预测。本发明所述方法基于宽度学习***，利用拆解时间序列将每个时间节点的数据视为独立数据进行处理，得到初步分类结果后重新整合时间序列，达到扩充数据集容量的效果。本发明所述方法可以在保证优秀的分类准确率的情况下，较大程度的缩短分类所需时间，且该方法合理可靠，可为神经精神疾病诊断提供有力的帮助。

Description

一种基于宽度学习的fMRI数据分类方法
技术领域
本发明属于脑科学研究领域，具体地说，本发明涉及一种宽度学习***的fMRI数据分类方法。
背景技术
人脑是人体最重要的器官之一，包含了大量的神经元细胞。通过多个神经元、神经元集群或者多个脑区之间的相互作用，人脑能够完成各种复杂的任务。人脑的结构和功能非常复杂，远远超出我们当前的认知能力。因此，探索并理解人类大脑的工作机制，揭开大脑之谜，无疑是非常有意义的事情。近年来，科学技术不断发展，越来越多的脑成像技术被应用到脑研究中，如磁共振成像(Magnetic Resonance Imaging，MRI)、脑电图(Electroencephalography,EEG)、脑磁图(Magnetoencephalography,MEG)、计算机断层扫描(Computer Tomography,CT)等。其中，功能磁共振成像(functional MagneticResonance Imaging，fMRI)能够获得包括时间在内的四维数据，对深入挖掘大脑与疾病的联系起到了更积极的作用。
目前为止，基于机器学习的fMRI数据分类方法主要可分为传统机器学习方法和深度学习方法，能够自动地对个体进行分类。传统机器学习方法主要包括支持向量机(Support Vector Machine，SVM)和最小绝对收缩和选择算子(Least absolute shrinkageand selection operator，LASSO)等，已经在精神***症(Schizophrenia)、轻度认知障碍(Mild Cognitive Impairment，MCI)等精神疾病研究中取得了成功的应用。然而，fMRI数据存在样本量小，特征维数高等特点，传统机器学习方法仅使用简单的浅层分类模型，无法充分挖掘到人脑功能数据的高级特征。同时，这些方法无法有效地利用fMRI数据中的拓扑结构信息。因此，基于传统机器学习方法的fMRI数据分类效果有待进一步提升。
后来，研究发现机器学习中的深度学习方法可以通过对数据进行非线性映射，从而使数据降维，同时更好地保持原始数据的判别信息，以其显著的分类效果，已经在各个领域成为主流方法。特别地，深度学习方法在医学图像分类任务上也已经得到了很好的应用。最近几年，研究者开始尝试将深度学习算法应用于fMRI数据分类。
目前，基于深度学习算法的fMRI数据分类方法主要有基于全连接神经网络的方法和基于卷积神经网络的方法。基于全连接神经网络(Full connected Neural Network，FCNN)的方法同样将人脑功能网络重塑为向量作为输入，然后通过构建多层全连接神经网络，使其具备强大的特征表达能力，从而提高了分类效果。然而，这种方法参数非常多，因此容易产生过拟合的问题。基于卷积神经网络(Convolutional Neural Network,CNN)的方法采用权值共享机制，在一定程度上解决了过拟合的问题；同时，该方法通过设计特殊的卷积操作，在一定程度上考虑了人脑功能网络中的拓扑结构信息。但是，训练深度学习模型需要耗费大量的时间，某些复杂的模型甚至需要几天时间进行训练。在现今的大数据环境下，时间效率已经成为算法评估中的一项重要考虑指标。
发明内容
本发明针对上述现有方法存在的问题，提出一种基于宽度学习***(BroadLearning System,BLS)的fMRI数据分类方法。本发明所述方法的网络结构来源于近两年提出的宽度学习模型，通过改变数据接口和判别指标等方法，使其成为能够用来分类fMRI数据，以更快的速度完成神经精神疾病诊断。
为实现上述目的，本发明采用的技术方案为一种基于宽度学习***的fMRI数据分类方法。本发明的流程如图1所示，首先，获取静息态fMRI数据并将数据处理成可供分类器使用的数据；其次，根据步骤1构建训练集Xtrain和待预测集Xtest；接着，使用训练集对分类器进行训练；最后，预测待测试集的分类结果，并对分类结果进行矫正，输出最终分类结果；
步骤(1)获取静息态fMRI数据并预处理：
步骤(1.1)静息态fMRI数据获取：下载ABIDE静息态fMRI数据；
步骤(1.2)数据预处理：使用Data Processing Assistant for Resting-StatefMRI(DPARSF)软件，对步骤(1.1)中得到的静息态fMRI数据进行预处理，包括层间时间校正(Slice Timing Correction)、头动校正(Motion Realignment)、空间标准化(Normalization)、空间平滑滤波(Smoothing)、干扰信号去除(Nuisance Signal Removal)和配准(Registration)；
步骤(1.3)感兴趣区域选取：经过步骤(1.2)处理后，得到n个被试数据，数据中含有根据不同模板进行标记的脑区域，此处选用根据AAL(Anatomical Automatic Labeling)模板标记的脑区域作为感兴趣区域，最终得到的是带有时序长度的fMRI数据集，记为Xi(i＝1,...,n)，其中n为被试者数量；
步骤(1.4)分解时间序列：步骤(1.3)得到n个被试数据Xi(i＝1,...,n)，任一Xi(i＝1,...,n)均带有一定的时序长度，记为其中li表示第i个被试数据的时序长度，将每个带有一定时序长度的数据Xi(i＝1,...,n)分解为Xi(i＝1,...,n)，其中表示仅有单独时间节点的数据集，定义X＝{X1,...,Xn}为所需要的输入数据；
步骤(2)根据步骤1构建训练集Xtrain和待预测集Xtest；
步骤(3)基于宽度学习***的fMRI数据分类的模型搭建与训练：
步骤(3.1)将Xtrain作为模型的输入；
步骤(3.2)搭建基于宽度学习***的fMRI数据分类的模型：
步骤(3.2.1)生成特征节点Fi：将训练集输入Xtrain进行特征投影，使用式(1)表示经过特征投影后的第i个特征节点Fi：
其中i＝(1,2,...,n)，和都是适当大小的随机权重矩阵，并定义Fn≡[F1,...,Fn]表示全部n个特征节点的集合；φ(·)是选定的激活函数，这里的激活函数φ(·)使用稀疏自编码器(Sparse Autoencoder)；
步骤(3.2.2)生成增强节点Ej：将步骤(3.2.1)生成的特征节点集Fn赋予随机权重，生成增强节点，使用式(2)表示通过特征节点集Fn生成的第j个增强节点Ej：
其中j＝(1,2,...,m)，和都是适当大小的随机权重矩阵，是选定的激活函数，这里的表示自变量的标准正交基，并定义Em≡[E1,...,Em]表示全部m个增强节点的集合；
步骤(3.2.3)合成输入层Itrain：将步骤(3.2.1)与步骤(3.2.2)生成的特征节点集合Fn≡[F1,...,Fn]与增强节点集合Em≡[E1,...,Em]合并为输入层，定义新的输入为Itrain＝[Fn|Em]，以此作为训练宽度学习***的总输入Itrain；
步骤(3.2.4)计算权重矩阵W：定义已知的测试集Xtrain的分类标签为输出Otrain，此时模型可以表示为Itrain·W＝Otrain，即“输入*权重＝输出”的线性关系，其中W为所求的权重矩阵，根据式(3)求得：
其中表示Itrain的广义逆矩阵；
步骤(4)输出预测结果O：
步骤(4.1)生成待预测输入层Itest：将待预测集Xtest作为输入，重复步骤(3.2)，此处只将输入数据由Xtrain更改为Xtest，其中步骤(3.2.1)与步骤(3.2.2)中的和使用上述步骤中已经随机生成的矩阵，而不再重新随机生成，并根据步骤(3.2.3)合成测试输入层Itest；
步骤(4.2)输出初步预测结果Otest：已知输入Itest，权重矩阵W，可以求得输出为Otest＝Itest·W；
步骤(4.3)矫正输出结果：通过投票机制，将同一个被试的所有分类结果统一，获得最终的预测结果O。
与现有方法相比，本发明具有以下明显的优势和有益效果：
本发明提出一种基于宽度学习***(Broad Learning System,BLS)的fMRI数据分类方法。所述网络结构基于宽度学习模型，具有以下两个优势：1)相较于深度学习模型，本发明所述方法不需要复杂的结构，仅为单层结构；2)相较于传统机器学习算法和深度学习算法，本发明所述方法可以一次性完成对所需模型的训练，以更快的进行脑疾病诊断。
本发明基于宽度学习***，使用稀疏自编码器做初次特征提取，将得到的结果通过投票制度整理为最终结果，在fMRI数据集上均耗费最短的时间，准确率并不落后，且所述方法合理可靠，可为脑疾病发现提供有力的帮助。
附图说明
图1：一种基于宽度学习***的fMRI数据分类方法的流程图。
图2：数据划分方法。
图3：宽度学习***的结构图。
图4：本发明的实际操作步骤。
具体实施方式
下面以一个fMRI数据集为例，说明本发明的具体实施步骤：
步骤(1)获取静息态fMRI数据并预处理：
步骤(1.1)静息态fMRI数据获取：下载ABIDE(Autism Brain Imaging DataExchange，http://fcon_1000.projects.nitrc.org/indi/abide/)静息态fMRI数据，共包含1112名被试数据；
步骤(1.2)数据预处理：使用Data Processing Assistant for Resting-StatefMRI(DPARSF)软件，对步骤(1.1)中得到的静息态fMRI数据进行预处理，为避免扫描开始时的匀场效应及受试者初入环境的不适应对结果造成影响，首先去除每个被试的前4个时间点，随后使用DPARSF对各个被试数据进行预处理。数据预处理流程包括：层间时间校正(slice timing correction)、头动校正(Motion realignment)、空间标准化(Normalisation)、空间平滑滤波(Smoothing)、干扰信号去除(Nuisance Signal Removal)和配准(Registration)；
步骤(1.3)感兴趣区域选取：真实fMRI数据通常具有几十万个体素，直接使用全脑时间序列信号构成的数据维度会非常高，机器学***均，即得到各个脑区的平均fMRI时间序列信号，记为Xi(i＝1,...,n)，其中n为被试者数量；
步骤(1.4)分解时间序列：步骤(1.3)得到n个被试数据Xi(i＝1,...,n)，任一Xi(i＝1,...,n)均带有一定的时序长度，记为其中li表示第i个被试数据的时序长度，将每个带有一定时序长度的数据Xi(i＝1,...,n)分解为Xi(i＝1,...,n)，其中表示仅有单独时间节点的数据集，定义X＝{X1,...,Xn}为所需要的输入数据；
步骤(2)根据不同需要划分训练数据集和测试数据集：
步骤(1)得到的数据集来自17个不同的机构，将来自17个机构、共计1096个被试数据，按照9：1的比例分为训练集Xtrain和待测试集Xtest；
也可以选择被试数据较多的四个机构(NYU、UCLA、UM、USM)，将每个机构单独按照3：1的比例分为训练集Xtrain和测试集Xtest；
步骤(3)基于宽度学习***的fMRI数据分类的模型搭建与训练：
步骤(3.1)将Xtrain作为模型的输入；
步骤(3.2)搭建基于宽度学习***的fMRI数据分类的模型：
步骤(3.2.1)生成特征节点Fi：将训练集输入Xtrain进行特征投影，使用式(1)表示经过特征投影后的第i个特征节点Fi：
其中i＝(1,2,...,n)，和都是适当大小的随机权重矩阵，并定义Fn≡[F1,...,Fn]表示全部n个特征节点的集合，手动设置特征节点数量，本发明中的特征节点数量n＝100(其中n1＝10表示特征窗口数量，n2＝10表示每个特征窗口拥有的特征数量)；φ(·)是选定的激活函数，这里的激活函数φ(·)使用稀疏自编码器(SparseAutoencoder)；
步骤(3.2.2)生成增强节点Ej：将步骤(3.2.1)生成的特征节点集Fn赋予随机权重，生成增强节点，使用式(2)表示通过特征节点集Fn生成的第j个增强节点Ej：
其中j＝(1,2,...,m)，和都是适当大小的随机权重矩阵，是选定的激活函数，这里的表示自变量的标准正交基，并定义Em≡[E1,...,Em]表示全部m个增强节点的集合，本发明中，使用全部1096个被试数据时的增强节点数量为m＝10000；使用单独机构的被试数据时，根据机构的不同，增强节点的数量m＝1500～3000；
步骤(3.2.3)合成输入层Itrain：将步骤(3.2.1)与步骤(3.2.2)生成的特征节点集合Fn≡[F1,...,Fn]与增强节点集合Em≡[E1,...,Em]合并为输入层，定义新的输入为Itrain＝[Fn|Em]，以此作为训练宽度学习***的总输入Itrain；
步骤(3.2.4)计算权重矩阵W：定义已知的测试集Xtrain的分类标签为输出Otrain，此时模型可以表示为Itrain·W＝Otrain，即“输入*权重＝输出”的线性关系，其中W为所求的权重矩阵，根据式(3)求得：
其中表示Itrain的广义逆矩阵；
步骤(4)输出预测结果O：
步骤(4.1)生成测试输入层Itest：将测试集Xtest作为输入，重复步骤(3.2)，此处只将输入数据由Xtrain更改为Xtest，其中步骤(3.2.1)与步骤(3.2.2)中的和使用上述步骤中已经随机生成的矩阵，而不再重新随机生成，并根据步骤(3.2.3)合成测试输入层Itest；
步骤(4.2)输出初步预测结果Otest：已知输入Itest，权重矩阵W，可以求得输出为Otest＝Itest·W；
步骤(4.3)矫正输出结果：通过投票机制，将同一个被试的所有分类结果统一，获得最终的预测结果O；
步骤(5)将步骤(2.1)中的训练集Xtrain和测试集Xtest按照步骤(3)搭建模型，并按照步骤(4)进行10折交叉验证，得到对ASD患者的分类准确率；将步骤(2.2)中的训练集Xtrain和测试集Xtest按照步骤(3)搭建模型，并按照步骤(4)进行4折交叉验证，得到对ASD患者的分类准确率。
本实施例中为了判断方法预测的准确性，将机构数据划分为训练数据集和测试数据集。在实际应用中，模型训练完成后即可对待测对象进行实时预测，将待识别的病人数据输入模型，预测该病人是患病还是正常。
为了说明本发明所述方法的有益效果，在具体实施过程中，我们在多种不同算法上进行对比试验，算法包括BLS、DNN、SVM和RF。
其中宽度学习***(Broad Learning System,BLS)代表本发明所述的方法，深度神经网络(Deep Neural Network,DNN)代表基于深度神经网络的fMRI数据分类方法，该方法在目前同样的深度学习分类策略中分类精度最高。另外，具体实施过程中还选择了广泛使用的传统机器学习算法--支持向量机(Support Vector Machine，SVM)和随机森林(Random Forest,RF)。
表1 4种算法在全部fMRI数据集上的分类准确率和所用时间
*：由于设备限制，在全数据集分类时，BLS算法没有使用gpu加速，所以此处标明的时间是BLS算法在cpu上进行计算所用时间。
表2 4种算法在单独机构fMRI数据集上的分类准确率和所用时间
*：不含括号的时间是cpu运行时间，括号内是使用gpu加速的BLS算法的运行时间。
本发明基于宽度学习***，因BLS算法是一种只进行一次计算的快速算法，所以使用拆解时间序列的策略增加数据集容量，以更好的增加BLS算法的稳定性。如表1和表2所示，本发明所述方法在全部fMRI数据集和单独机构的fMRI数据集上，做到了“又准又快”，在同样gpu加速运算的环境下，运算速度快过其他三种算法，同时在准确率方面，做到了优于传统机器学习算法，并且非常接近于深度学习算法。因此，本发明所述方法合理可靠，可为脑疾病诊断提供有力的帮助。

Claims (6)

1.一种基于宽度学习的fMRI数据分类方法，其特征在于：
步骤1，获取静息态fMRI数据并将数据处理成可供分类器使用的数据；
步骤2，根据步骤1构建训练集Xtrain和待预测集Xtest；
步骤3，使用训练集对分类器进行搭建并训练；
步骤4，预测待测试集的分类结果，并对分类结果进行矫正，输出最终分类结果。
2.根据权利要求1所述的一种基于宽度学习的fMRI数据分类方法，其特征在于：
所述的数据处理包括以下内容：
数据预处理：包括层间时间校正、头动校正、空间标准化、空间平滑滤波、干扰信号去除和配准；
感兴趣区域选取：经过数据预处理后得到n个被试数据，根据脑区域模板对被试数据标记感兴趣区域，最终得到带有时序长度的fMRI数据集，其中，第i个被试数据表示为Xi(i＝1,...,n)，其中n为被试者数量；
分解时间序列：对得到的全部n个被试数据Xi(i＝1,...,n)，其中任一Xi(i＝1,...,n)均带有一定的时序长度，记为其中li表示第i个被试数据的时序长度，将每个带有一定时序长度的数据Xi(i＝1,...,n)分解为Xi(i＝1,...,n)，其中表示仅有单独时间节点的数据集，定义X＝{X1,...,Xn}为所需要的输入数据。
3.根据权利要求1所述的一种基于宽度学习的fMRI数据分类方法，其特征在于：
所述的分类器模型搭建与训练具体如下：
步骤(3.1)将Xtrain作为模型的输入；
步骤(3.2)搭建基于宽度学习***的fMRI数据分类的模型：
步骤(3.2.1)生成特征节点Fi：将训练集Xtrain输入进行特征投影，使用式(1)表示经过特征投影后的第i个特征节点Fi：
其中i＝(1,2,...,n)，和都是适当大小的随机权重矩阵，并定义Fn≡[F1,...,Fn]表示全部n个特征节点的集合；φ(·)是选定的激活函数；
步骤(3.2.2)生成增强节点Ej：将步骤(3.2.1)生成的特征节点集Fn赋予随机权重，生成增强节点，使用式(2)表示通过特征节点集Fn生成的第j个增强节点Ej：
其中j＝(1,2,...,m)，和都是适当大小的随机权重矩阵，是选定的激活函数，并定义Em≡[E1,...,Em]表示全部m个增强节点的集合；
步骤(3.2.3)合成输入层Itrain：将步骤(3.2.1)与步骤(3.2.2)生成的特征节点集合Fn≡[F1,...,Fn]与增强节点集合Em≡[E1,...,Em]合并为输入层，定义新的输入为Itrain＝[Fn|Em]，以此作为训练宽度学习***的总输入Itrain；
步骤(3.2.4)计算权重矩阵W：定义已知的测试集Xtrain的分类标签为输出Otrain，此时模型可以表示为Itrain·W＝Otrain，其中W为所求的权重矩阵，根据式(3)求得：
其中表示Itrain的广义逆矩阵。
4.根据权利要求1所述的一种基于宽度学习的fMRI数据分类方法，其特征在于：
所述输出预测结果O的具体过程如下：
步骤(4.1)生成预测输入层Itest：将待预测集Xtest作为输入，重复步骤(3.2)，其中步骤(3.2.1)与步骤(3.2.2)中的和使用上述步骤中已经随机生成的矩阵，并根据步骤(3.2.3)合成待预测输入层Itest；
步骤(4.2)输出初步预测结果Otest：已知输入Itest，权重矩阵W，可以求得输出为Otest＝Itest·W；
步骤(4.3)矫正输出结果：通过投票机制，将同一个被试的所有分类结果统一，获得最终的预测结果O。
5.根据权利要求1所述的一种基于宽度学习的fMRI数据分类方法，其特征在于：步骤(3.2.1)中的激活函数φ(·)使用稀疏自编码器。
6.根据权利要求1所述的一种基于宽度学习的fMRI数据分类方法，其特征在于：步骤(3.2.2)中的表示自变量的标准正交基。
CN201910593914.6A 2019-07-03 2019-07-03 一种基于宽度学习的fMRI数据分类方法 Pending CN110322969A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910593914.6A CN110322969A (zh) 2019-07-03 2019-07-03 一种基于宽度学习的fMRI数据分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910593914.6A CN110322969A (zh) 2019-07-03 2019-07-03 一种基于宽度学习的fMRI数据分类方法

Publications (1)

Publication Number Publication Date
CN110322969A true CN110322969A (zh) 2019-10-11

Family

ID=68122506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910593914.6A Pending CN110322969A (zh) 2019-07-03 2019-07-03 一种基于宽度学习的fMRI数据分类方法

Country Status (1)

Country Link
CN (1) CN110322969A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111785387A (zh) * 2020-07-02 2020-10-16 朱玮 一种使用Bert做疾病标准化映射分类的方法及***
CN113657479A (zh) * 2021-08-12 2021-11-16 广东省人民医院 一种新型多尺度深宽结合的病理图片分类方法、***及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715261A (zh) * 2015-03-23 2015-06-17 南京工业大学 fMRI动态脑功能子网络构建及并联SVM加权识别方法
CN109192298A (zh) * 2018-07-27 2019-01-11 南京航空航天大学 基于脑网络的深度脑疾病诊断算法
CN109222972A (zh) * 2018-09-11 2019-01-18 华南理工大学 一种基于深度学习的fMRI全脑数据分类方法
CN109410195A (zh) * 2018-10-19 2019-03-01 泰山医学院 一种磁共振成像脑分区方法及***
CN109635245A (zh) * 2018-09-29 2019-04-16 中国矿业大学 一种鲁棒宽度学习***
CN109870617A (zh) * 2018-09-21 2019-06-11 浙江大学 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715261A (zh) * 2015-03-23 2015-06-17 南京工业大学 fMRI动态脑功能子网络构建及并联SVM加权识别方法
CN109192298A (zh) * 2018-07-27 2019-01-11 南京航空航天大学 基于脑网络的深度脑疾病诊断算法
CN109222972A (zh) * 2018-09-11 2019-01-18 华南理工大学 一种基于深度学习的fMRI全脑数据分类方法
CN109870617A (zh) * 2018-09-21 2019-06-11 浙江大学 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法
CN109635245A (zh) * 2018-09-29 2019-04-16 中国矿业大学 一种鲁棒宽度学习***
CN109410195A (zh) * 2018-10-19 2019-03-01 泰山医学院 一种磁共振成像脑分区方法及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111785387A (zh) * 2020-07-02 2020-10-16 朱玮 一种使用Bert做疾病标准化映射分类的方法及***
CN111785387B (zh) * 2020-07-02 2024-06-11 朱玮 一种使用Bert做疾病标准化映射分类的方法及***
CN113657479A (zh) * 2021-08-12 2021-11-16 广东省人民医院 一种新型多尺度深宽结合的病理图片分类方法、***及介质
CN113657479B (zh) * 2021-08-12 2022-12-06 广东省人民医院 一种新型多尺度深宽结合的病理图片分类方法、***及介质

Similar Documents

Publication Publication Date Title
CN109376751B (zh) 一种基于卷积神经网络的人脑功能网络分类方法
Liu et al. MFB-CBRNN: A hybrid network for MI detection using 12-lead ECGs
Lu et al. Feature fusion for imbalanced ECG data analysis
Hramov et al. Functional networks of the brain: from connectivity restoration to dynamic integration
Hacker et al. Resting state network estimation in individual subjects
CN103800011B (zh) 一种基于功能磁共振成像的脑区效应连接分析***
Yang et al. Interpretable multimodality embedding of cerebral cortex using attention graph network for identifying bipolar disorder
CN109567793B (zh) 一种面向心律不齐分类的ecg信号处理方法
CN110363760A (zh) 用于识别医学图像的计算机***
Subasi Use of artificial intelligence in Alzheimer’s disease detection
CN108345903A (zh) 一种基于模态距离约束的多模态融合图像分类方法
Zhang et al. Deep learning models unveiled functional difference between cortical gyri and sulci
CN109034263A (zh) 脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法
Liao et al. Classify autism and control based on deep learning and community structure on resting-state fMRI
CN110322969A (zh) 一种基于宽度学习的fMRI数据分类方法
Yao et al. Brain functional connectivity augmentation method for mental disease classification with generative adversarial network
CN103767707A (zh) 血样水平依赖性功能磁共振信号震荡频率聚类分析方法
CN111402278A (zh) 分割模型训练方法、图像标注方法及相关装置
Huang et al. A multiview feature fusion model for heartbeat classification
CN115985488A (zh) 基于动态超网络的脑疾病诊断方法、装置及***
Geng et al. Application of autoencoder in depression diagnosis
Rolnick et al. Generative models and abstractions for large-scale neuroanatomy datasets
CN107256408B (zh) 一种大脑功能网络的关键路径搜索方法
Nandakumar et al. Refinenet: An automated framework to generate task and subject-specific brain parcellations for resting-state fmri analysis
Chung et al. Unified topological inference for brain networks in temporal lobe epilepsy using the Wasserstein distance

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191011

WD01 Invention patent application deemed withdrawn after publication