CN117036727A - 脑网络数据多层嵌入向量特征提取方法及装置 - Google Patents
脑网络数据多层嵌入向量特征提取方法及装置 Download PDFInfo
- Publication number
- CN117036727A CN117036727A CN202311294411.1A CN202311294411A CN117036727A CN 117036727 A CN117036727 A CN 117036727A CN 202311294411 A CN202311294411 A CN 202311294411A CN 117036727 A CN117036727 A CN 117036727A
- Authority
- CN
- China
- Prior art keywords
- layer
- brain
- network
- embedded
- intra
- 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.)
- Granted
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 113
- 239000013598 vector Substances 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000010410 layer Substances 0.000 claims abstract description 258
- 239000011229 interlayer Substances 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000003925 brain function Effects 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000001427 coherent effect Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 201000010099 disease Diseases 0.000 claims description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 208000014644 Brain disease Diseases 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 239000013604 expression vector Substances 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 11
- 208000021384 Obsessive-Compulsive disease Diseases 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002888 effect on disease Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种脑网络数据多层嵌入向量特征提取方法及装置,该方法对多层网络的嵌入学习和流形优化得到的多层网络节点信息的层内层间网络一致性嵌入表示F和层内节点嵌入表示Fi,再分别对每一层的层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征,再计算每层层内的相干特征的熵获得相干熵特征,即为脑网络数据的多层嵌入向量特征。本发明通过对复杂的多层网络信息进行降维与关键提取,得到更加具有代表性、更加有效的多层网络特征信息,有效的提高多层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分析与分类。
Description
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多层嵌入向量特征提取方法及装置。
背景技术
网络嵌入近年来越来越受到关注。研究表明,学***台、社会推荐***、脑部医学影像等。
脑部医学影像通过分析可得到多层脑网络数据,基于脑部MRI数据构建得到多层脑网络数据并对多层脑网络数据进行分析,可以进一步实现脑部图网络挖掘任务,对脑部节点分类、关键节点检测、脑疾病分类诊断等方面任务。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。然而由于层内连接和跨层网络依赖关系的复杂组合,学习不同类型节点的向量表示仍然是一项艰巨的任务。现有的方法主要是基于网络嵌入方法将多层脑网络中的节点映射到低维向量空间中,得到能够保留节点之间的结构和关系信息的低维嵌入向量,使得脑节点在嵌入空间中的距离能够反映它们在原始网络中的相似性,可以减少基于低维向量的疾病诊断、关键脑区节点检测、脑区检测等学习任务的数据量,提高计算效率,但有待进一步提高。
相干性(Coherence)是一种用于描述两个信号之间的线性相关性的测量方法。在信号处理、通信***、生物医学工程等领域广泛应用。相干性可以通过计算信号的互谱密度(Cross Power Spectral Density)来得到。
发明内容
本发明的目的在于针对现有技术的不足,提供一种脑网络数据多层嵌入向量特征提取方法及装置,将相干性的概念引入到多频段脑影像的网络分析中,通过对得到的嵌入向量计算不同频段网络之间的相干性得到嵌入向量的相干性特征,并将相关特征应用于疾病诊断、关键脑区节点检测、脑区检测等学习任务中,从而进一步减少数据量,提高计算效率,提升学习任务准确率。
本发明采用的技术方案具体如下:
一种脑网络数据多层嵌入向量特征提取方法,首先获得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,再基于相干性原理计算不同频段脑网络之间的相干性特征即获得脑网络数据多层嵌入向量特征,具体包括:
对多层脑部功能连接网络构建联合嵌入表示框架: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αi ,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;
基于格拉斯曼流形上优化联合嵌入表示框架,优化得到层内层间网络一致性嵌入表示F和层内节点嵌入表示Fi;
分别对每一层的层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征Silayer,再计算每层层内的相干特征的熵获得相干熵特征Eilayer,即为脑网络数据的多层嵌入向量特征。
进一步地,所述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,Fi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,Li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,αD表示层间权重参数,Wij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,Kij表示第i层和第j层之间的相互作用矩阵,Kij等于Fi TWijFj;αi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Fi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αi进行迭代优化,损失函数表示如下:
其中,λ、γD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Fi和F求偏导,得到Fi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,所述每层层内的相干特征向量包含每层层内的N个节点对应的相干特征,每个节点对应的相干特征由层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F中对应节点的参数相乘得到。
其中,n是多层脑部功能连接网络中的层数,N为多层脑部功能连接网络中每层网络所包含的节点个数,cluster为层内节点嵌入表示、层内层间网络一致性嵌入表示向量的维度数,Finode(m,1:cluster)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Fi中第m个节点的所有维度参数,Fnode(m,1:cluster)是多层脑部功能连接网络中层内层间网络一致性嵌入表示向量F中第m个节点的所有维度参数;Silayer表示多层脑部功能连接网络的第i层层内的相干特征。
进一步地,所述相干熵特征Eilayer具体表示如下:
Entropy(*)表示熵计算。
一种脑网络数据多层嵌入向量特征提取装置,包括:
多层脑网络嵌入表示联合框架搭建模块,对多层脑部功能连接网络构建获得联合嵌入表示框架;
优化提取模块,在格拉斯曼流形上优化联合嵌入表示框架,优化得到层内层间网络一致性嵌入表示F和层内节点嵌入表示Fi;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αi来调整嵌入学习,αi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。
相干熵特征提取模块,分别对每一层的层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征,再计算每层层内的相干特征的熵获得相干熵特征,即为脑网络数据的多层嵌入向量特征。
一种电子设备,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一种脑网络数据多层嵌入向量特征提取方法。
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一种脑网络数据多层嵌入向量特征提取方法。
一种脑部疾病预测***,包括:
所述的脑网络数据多层嵌入向量特征提取装置,用于提取获得脑网络数据的多层嵌入向量特征;
脑网络疾病预测模块,用于基于脑网络数据的多层嵌入向量特征进行脑部疾病预测。
本发明的有益效果是: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部功能连接网络进行相干性计算求解获得低维的脑网络数据多层嵌入向量特征,进一步减少了嵌入向量的数据维度,减少计算量,解决了多层脑网络嵌入向量分析难,处理难的问题;本发明引入了脑网络不同频段之间存在联系的特性,获得嵌入向量的全新特征数据,更好的应用数据,以全新的角度对多层脑网络进行了分析,更加全面的应用了脑网络数据的多方位信息,基于多方位分析,更加准确全面的完成学习任务,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是多层脑部功能连接网络数据二值展示图;
图4是本发明方法各步骤获得的嵌入表示向量特征维度变化展示图;
图5是本发明实施例二一种脑网络数据多层嵌入向量特征提取装置结构图;
图6是本发明实施例二的一种电子设备结构图;
图7是本发明实施例三的一种脑部疾病预测***结构图。
具体实施方式
本发明方法通过基于脑网络数据的同频段内与不同频段间的节点区域的相互关系构建多层脑部功能连接网络。通过对多层脑部功能连接网络数据进行降维,得到低维有效的节点嵌入表示向量,对得到的嵌入表示向量计算相干熵特征,提取多层嵌入向量特征,全面的应用频段内与频段间的信息特征,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多层嵌入向量特征提取方法,先构建多层脑部功能连接网络,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,得到层内层间网络一致性嵌入表示F和层内节点嵌入表示Fi;基于层内层间网络一致性嵌入表示F和层内节点嵌入表示Fi计算多层脑网络嵌入相干熵特征,用于后续其他工作。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,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。
本实施例中以人脑fMRI数据为例,构建多层脑部功能连接网络,方法具体如下:
基于人脑fMRI数据进行多层脑部功能连接网络构建,通过构建90个脑区不同频段内频段间相关系数构建5层脑部功能连接网络数据。通过计算不同脑区节点同频段皮尔逊系数作为多层脑部功能连接网络层内连接矩阵Wi,放在多层脑部功能连接网络数据邻接矩阵可视化的对角线部分,为如图3框内所示部分;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Wij构成,其中下标i,j是层的索引,i≠j ,i,j∈(1,...,n),n是多层脑部功能连接网络中的层数,放在多层脑部功能连接网络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示出的矩阵对角线部位五个矩阵模块为层内连接网络,图3示出的除对角线矩阵外其余矩阵模块表示不同频段间脑区的相关连接,即层间连接网络,对应多层脑网络跨层连接信息。
步骤二:对多层脑部功能连接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:Li=Di-Wi 计算层内网络拉普拉斯矩阵,其中Di是一个第i层层内连接矩阵Wi对应的对角线矩阵,每个对角线元素等于Wi中相应行所有节点的总连接度和;以Fi表示Wi的节点嵌入向量,为了在Wi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Li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:使用步骤一得到的多层脑部功能连接网络其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wi、wj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Kij近似等于/>,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Wij相同,求解Wij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Wij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Fi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αi ,通过自适应Fi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,αD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Fi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,IN*N是大小为的N*N单位矩阵,N是节点的数量。
(3.2)使用步骤(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Fi与F。
(3.3)构建自适应优化损失函数:通过计算F与Fi的一致性得到权重参数,自适应的调整第i个Fi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αi,得到拉格朗日函数作为αi的损失函数,如下:
其中,γD表示权重参数;
(3.4)计算并对权重αi的损失函数进行迭代优化:通过计算拉格朗日函数分别对αi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γα表示权重参数。
步骤四:利用自适应权重与优化后的Fi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;
步骤五:基于得到的层内层间网络一致性嵌入表示向量F与第i层内节点嵌入表示Fi,进行多层网络嵌入向量的相干熵特征计算,计算过程如下:
其中,n是多层脑部功能连接网络中的层数,N为多层脑部功能连接网络中每层网络所包含的节点个数,cluster为层内节点嵌入表示、层内层间网络一致性嵌入表示向量的维度数,Finode(m,1:cluster)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Fi中第m个节点的所有维度参数,Fnode(m,1:cluster)是多层脑部功能连接网络中层内层间网络一致性嵌入表示向量F中第m个节点的所有维度参数;通过计算Finode与Fnode的相干计算得到多层脑部功能连接网络层内节点的相干值Sinode,其中Sinode(m)表示第m个点计算得到的相干性特征值,使用Silayer表示多层脑部功能连接网络的第i层层内的相干特征,通过计算Silayer的熵值Entropy(Silayer)得到Eilayer表示多层网络的相干熵特征,用于后续计算。
通过不同频段相干性计算,得到基于低维嵌入向量的多层相干熵特征,每个多层脑部功能连接网络样本中的F与Fi,i=1,…n数据对可通过上述计算得到与多层网络层数相同的相干熵特征E。保证数据特征的同时降低了数据量。图4是本发明方法各步骤获得嵌入表示向量特征维度变化展示图。可以看到由本发明方法得到的脑网络嵌入向量特征降低了数据量,减少了计算所需时间与空间。图中左侧为步骤四求解获得的低维的层内节点嵌入表示向量Fi,i=1,…n的数据维度,大小为1800*127*5,中间为步骤四求解获得的低维的层内层间网络一致性嵌入表示向量F的数据维度,为90*127,右侧为步骤五结合Fi,i=1,…n与F得到的多层脑网络相干熵特征Eilayer的数据维度,为127*5,可以看出,在保留了动态性的同时大大降低了数据维度。
实施例二
与前述一种脑网络数据多层嵌入向量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多层嵌入向量特征提取装置的实施例。
参见图5,本发明实施例提供的一种脑网络数据多层嵌入向量特征提取装置,包括:
多层脑网络嵌入表示联合框架搭建模块,对多层脑部功能连接网络构建获得联合嵌入表示框架;
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和层内节点嵌入表示Fi。
相干熵特征提取模块,分别对每一层的层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征,再计算每层层内的相干特征的熵获得相干熵特征,即为脑网络数据的多层嵌入向量特征。
本发明一种脑网络数据多层嵌入向量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6所示,为本发明一种脑网络数据多层嵌入向量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6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多层嵌入向量特征提取方法。
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多层嵌入向量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多层嵌入向量特征的脑部疾病预测***的实施例。
如图7所示,所述脑部疾病预测装置包括本发明的脑网络数据多层嵌入向量特征提取装置,用于提取获得脑网络数据多层嵌入向量特征;
脑网络疾病预测模块,用于基于脑网络数据多层嵌入向量特征进行脑部疾病预测。脑网络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62位强迫症(OCD)患者fMRI数据和65位正常人(NC)fMRI数据进行脑网络数据多层嵌入向量特征提取,并分别使用得到的层内层间网络一致性嵌入表示向量F、脑网络数据多层嵌入向量E计算强迫症(OCD)患者、正常人、强迫症(OCD)患者与正常人数据之间的距离差异,结果如表1所示,基于脑网络数据多层嵌入向量E计算的强迫症(OCD)患者、正常人、强迫症(OCD)患者与正常人数据之间的差异均略高于以层内层间网络一致性嵌入表示向量F计算的差异,说明脑网络数据多层嵌入向量E保留了多层脑部功能连接网络的数据特征,同时大大降低了数据维度,可用于脑部疾病诊断。
分别采用支持向量机SVM、线性分类器linear_classify、决策树Trees和K均值聚类算法K-means构建的脑网络疾病预测模块对强迫症脑部疾病进行检测并验证。结果如表2所示。可以看到脑网络数据多层嵌入向量E对疾病诊断具有良好的提高效果。
表1 分别基于F与E的疾病距离
表2 基于F与E的疾病诊断分类准确率
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)
1.一种脑网络数据多层嵌入向量特征提取方法,其特征在于,具体包括:
对多层脑部功能连接网络构建联合嵌入表示框架;
在格拉斯曼流形上优化联合嵌入表示框架,优化得到层内层间网络一致性嵌入表示F和层内节点嵌入表示Fi;
分别对每一层的层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征,再计算每层层内的相干特征的熵获得相干熵特征,即为脑网络数据的多层嵌入向量特征。
2.根据权利要求1所述的方法,其特征在于,所述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,Fi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,Li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,αD表示层间权重参数,Wij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,Kij表示第i层和第j层之间的相互作用矩阵,Kij等于Fi TWijFj;αi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1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Fi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αi进行迭代优化,损失函数表示如下:
;
其中,λ、γD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Fi和F求偏导,得到Fi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,所述每层层内的相干特征包含每层层内的N个节点对应的相干特征,每个节点对应的相干特征由层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F中对应节点的参数相乘得到。
6.一种脑网络数据多层嵌入向量特征提取装置,其特征在于,包括:
多层脑网络嵌入表示联合框架搭建模块,对多层脑部功能连接网络构建获得联合嵌入表示框架;
优化提取模块,在格拉斯曼流形上优化联合嵌入表示框架,优化得到层内层间网络一致性嵌入表示F和层内节点嵌入表示Fi;
相干熵特征提取模块,分别对每一层的层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征,再计算每层层内的相干特征的熵获得相干熵特征,即为脑网络数据的多层嵌入向量特征。
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任一项所述的一种脑网络数据多层嵌入向量特征提取方法。
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任一项所述的一种脑网络数据多层嵌入向量特征提取方法。
10.一种脑部疾病预测***,其特征在于,包括:
权利要求6或7所述的脑网络数据多层嵌入向量特征提取装置,用于提取获得脑网络数据的多层嵌入向量特征;
脑网络疾病预测模块,用于基于脑网络数据的多层嵌入向量特征进行脑部疾病预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311294411.1A CN117036727B (zh) | 2023-10-09 | 2023-10-09 | 脑网络数据多层嵌入向量特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311294411.1A CN117036727B (zh) | 2023-10-09 | 2023-10-09 | 脑网络数据多层嵌入向量特征提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036727A true CN117036727A (zh) | 2023-11-10 |
CN117036727B CN117036727B (zh) | 2024-01-05 |
Family
ID=88645281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311294411.1A Active CN117036727B (zh) | 2023-10-09 | 2023-10-09 | 脑网络数据多层嵌入向量特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036727B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2870571A2 (en) * | 2012-07-09 | 2015-05-13 | Toyota Motor Europe NV/SA | Artificial memory system and method for use with a computational machine for interacting with dynamic behaviours |
CN109416928A (zh) * | 2016-06-07 | 2019-03-01 | 伊路米纳有限公司 | 用于进行二级和/或三级处理的生物信息学***、设备和方法 |
CN113255728A (zh) * | 2021-04-26 | 2021-08-13 | 浙江工业大学 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
CN114387668A (zh) * | 2021-12-28 | 2022-04-22 | 杭州电子科技大学 | 一种基于多层次神经肌肉耦合特征信息融合的分类方法 |
CN115841607A (zh) * | 2022-10-11 | 2023-03-24 | 重庆邮电大学 | 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 |
CN116051849A (zh) * | 2023-04-03 | 2023-05-02 | 之江实验室 | 一种脑网络数据特征提取方法及装置 |
WO2023077603A1 (zh) * | 2021-11-03 | 2023-05-11 | 深圳先进技术研究院 | 一种异常脑连接预测***、方法、装置及可读存储介质 |
WO2023108712A1 (zh) * | 2021-12-18 | 2023-06-22 | 深圳先进技术研究院 | 结构-功能脑网络双向映射模型构建方法及脑网络双向映射模型 |
-
2023
- 2023-10-09 CN CN202311294411.1A patent/CN117036727B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2870571A2 (en) * | 2012-07-09 | 2015-05-13 | Toyota Motor Europe NV/SA | Artificial memory system and method for use with a computational machine for interacting with dynamic behaviours |
CN109416928A (zh) * | 2016-06-07 | 2019-03-01 | 伊路米纳有限公司 | 用于进行二级和/或三级处理的生物信息学***、设备和方法 |
CN113255728A (zh) * | 2021-04-26 | 2021-08-13 | 浙江工业大学 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
WO2023077603A1 (zh) * | 2021-11-03 | 2023-05-11 | 深圳先进技术研究院 | 一种异常脑连接预测***、方法、装置及可读存储介质 |
WO2023108712A1 (zh) * | 2021-12-18 | 2023-06-22 | 深圳先进技术研究院 | 结构-功能脑网络双向映射模型构建方法及脑网络双向映射模型 |
CN114387668A (zh) * | 2021-12-28 | 2022-04-22 | 杭州电子科技大学 | 一种基于多层次神经肌肉耦合特征信息融合的分类方法 |
CN115841607A (zh) * | 2022-10-11 | 2023-03-24 | 重庆邮电大学 | 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 |
CN116051849A (zh) * | 2023-04-03 | 2023-05-02 | 之江实验室 | 一种脑网络数据特征提取方法及装置 |
Non-Patent Citations (2)
Title |
---|
代照坤;刘辉;王文哲;王亚楠;: "基于谱特征嵌入的脑网络状态观测矩阵降维方法", 计算机应用, no. 08 * |
邢新颖;冀俊忠;姚?;: "基于自适应多任务卷积神经网络的脑网络分类方法", 计算机研究与发展, no. 07 * |
Also Published As
Publication number | Publication date |
---|---|
CN117036727B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551333B2 (en) | Image reconstruction method and device | |
Yankelevsky et al. | Dual graph regularized dictionary learning | |
Montazer et al. | An improved radial basis function neural network for object image retrieval | |
CN116051849B (zh) | 一种脑网络数据特征提取方法及装置 | |
CN112288011A (zh) | 一种基于自注意力深度神经网络的图像匹配方法 | |
CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
Zhao et al. | PCA dimensionality reduction method for image classification | |
Yu et al. | A deep residual computation model for heterogeneous data learning in smart Internet of Things | |
Gao et al. | GQ-GCN: Group quadratic graph convolutional network for classification of histopathological images | |
CN109754357B (zh) | 图像处理方法、处理装置以及处理设备 | |
Wang et al. | A new Gabor based approach for wood recognition | |
Gao et al. | SSA-ICL: Multi-domain adaptive attention with intra-dataset continual learning for Facial expression recognition | |
Liao et al. | A novel view synthesis approach based on view space covering for gait recognition | |
Cai et al. | Multiperspective light field reconstruction method via transfer reinforcement learning | |
Tang et al. | MFAGAN: A multiscale feature-attention generative adversarial network for infrared and visible image fusion | |
Li et al. | Multi-view convolutional vision transformer for 3D object recognition | |
CN111582449B (zh) | 一种目标域检测网络的训练方法、装置、设备及存储介质 | |
CN117036727B (zh) | 脑网络数据多层嵌入向量特征提取方法及装置 | |
CN112800979A (zh) | 一种基于表征流嵌入网络的动态表情识别方法及*** | |
CN116630964A (zh) | 一种基于离散小波注意力网络的食品图像分割方法 | |
Jin et al. | Blind image quality assessment for multiple distortion image | |
Shanqing et al. | A multi-level feature weight fusion model for salient object detection | |
Prasad et al. | An adaptive plant leaf mobile informatics using RSSC | |
Zou et al. | An OCaNet model based on octave convolution and attention mechanism for iris recognition | |
CN112257807A (zh) | 一种基于自适应优化线性邻域集选择的降维方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |