基于多尺度卷积自编码器的脑网络盲源分离方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115191946A(43)申请公布日2022.10.18(21)申请号202210843038.XG06K9/00(2022.01)(22)申请日2022.07.18G06K9/62(2022.01)G06N3/04(2006.01)(71)申请人山西白求恩医院（山西医学科学院、G06N3/08(2006.01)华中科技大学同济医学院附属同济医院山西医院、山西医科大学第三医院、山西医科大学第三临床医学院）地址030000山西省太原市龙城大街99号(72)发明人郭玉丽索涛莉索浤莉(74)专利代理机构重庆宏知亿知识产权代理事务所(特殊普通合伙)50260专利代理师余义丽(51)Int.Cl.A61B5/00(2006.01)A61B5/055(2006.01)权利要求书1页说明书5页附图1页(54)发明名称基于多尺度卷积自编码器的脑网络盲源分离方法(57)摘要本发明公开了基于多尺度卷积自编码器的脑网络盲源分离方法，涉及脑网络分离技术领域，该基于多尺度卷积自编码器的脑网络盲源分离方法，包括以下步骤：步骤一：对脑信号的提取和预处理；步骤二：基于多尺度卷积脑信号特征提取过程；步骤三：基于长短时记忆网络的多尺度特征融合过程。本发明通过利用一种创新和有效的无监督自编码的学习范式来进行脑网络的盲源分离，与以往的盲源分离技术不同，该模型直接利用可以提取脑信号中不同尺度的时序信息，并利用长短时记忆网络融合各尺度特征，同时对融合后的响应信号进行稀疏限制，从而实现了脑信号中的脑网络提取，新的模型架构在脑网络发现和探索方面都较之前的方法有了突出的进步。CN115191946ACN115191946A权利要求书1/1页1.基于多尺度卷积自编码器的脑网络盲源分离方法，其特征在于：该基于多尺度卷积自编码器的脑网络盲源分离方法，包括以下步骤：步骤一：对脑信号的提取和预处理；步骤二：基于多尺度卷积脑信号特征提取过程；步骤三：基于长短时记忆网络的多尺度特征融合过程；步骤四：脑信号中时序信号还原过程。2.根据权利要求1所述的基于多尺度卷积自编码器的脑网络盲源分离方法，其特征在于：所述步骤一包括：使用标准的fMRI数据预处理工具DPARSF对大脑信号进行时序处理，具体处理方法包括：时间层校正，头动校正，功能像和结构像配准，空间平滑以及带通滤波，从而得到处理后的fMRI信号，并作为后续多尺度卷积部分的输入。3.根据权利要求1所述的基于多尺度卷积自编码器的脑网络盲源分离方法，其特征在于：所述步骤二包括：使用了3种不同尺度的卷积核，模型通过利用多尺度的卷积核提取fMRI时序数据中不同尺度的信息，其中每个尺度的卷积核数量均为16，因此在多尺度卷积部分的第一层共可以产生3×16＝48个特征图。在第二层中，模型同样使用长度为4，8，16的不同尺度卷积核进行卷积运算，为了进一步增强模型提取fMRI数据中不同时序尺度信息的能力，这一层中每个卷积核的数量变为32，特征图的数量也相应的从48增加为3×32＝96，至此，MCA模型中的多尺度卷积部分结束。4.根据权利要求3所述的基于多尺度卷积自编码器的脑网络盲源分离方法，其特征在于：所述步骤二中需要特别指出的是：整个模型没有使用任何池化或调整步幅的数据降维方法，因此，在最终得到的96个特征图中，每个特征图的长度依然为输入样本的时序长度t。5.根据权利要求1所述的基于多尺度卷积自编码器的脑网络盲源分离方法，其特征在于：所述步骤三还包括以下步骤：A1：利用LSTM最后一个隐藏层节点的输出可以构造多尺度融合特征矩阵，再将融合后的高级特征映射回大脑即可得到脑网络空间分布图；A2：对于模型的全连接解码部分，在fMRI盲源分离背景下，全连接层的权重反映了输入数据中的源成分，模型通过将高级特征与源成分相乘使输出还原到原始输入空间，从而最终实现fMRI数据的无监督学习和盲源分离的目的。6.根据权利要求1所述的基于多尺度卷积自编码器的脑网络盲源分离方法，其特征在于：所述步骤四还包括以下步骤：S1：O∈Rh×(n×m)为输入的每个fMRI样本经过编码器的多尺度特征学习和LSTM的特征融合后得到的多尺度高级特征，其中，h为LSTM隐状态的神经元个数，n为输入样本中的样本总量，即O的每一行反映了所有输入体素样本在某一个fMRI源成分特征上的响应，而该向量上值的大小也就反映了该体素隶属于某个脑网络源成分的程度，进而可以得到在该成分下的空间分布；S2：将O在空间上进行划分，即可得到每个被试的脑网络空间分布；S3：对多个被试的SMs再进行单样本T‑TEST统计假设检验，以检验每一个体素位置在该源成分下的响应是否显著大于0，即可得到在群组被试中具有统计意义的脑网络空间分布。2CN115191946A说明书1