[发明专利]一种基于无监督模糊系统的脑功能磁共振图像分类方法

权利要求书

1.一种基于无监督模糊系统的脑功能磁共振图像分类方法，其特征在于其步骤为：

步骤S1：采集静息状态下的功能磁共振成像数据并进行预处理，选择AAL模板将大脑分成116个脑区，提取每个脑区的平均时间序列信号；

步骤S2：基于每个对象各脑区的平均时间序列，计算脑区之间的皮尔逊相关系数，得到低阶功能连接矩阵将低阶功能连接矩阵的每一行作为各个脑区的特征描述，再次计算脑区之间的皮尔逊相关系数，得到高阶功能连接矩阵

步骤S3：取矩阵的上三角阵，按行串联形成新的特征向量；把每个对象的低阶功能连接矩阵进行上述处理后得到的特征向量进行排列，形成新的矩阵，根据各特征与类标的相关性选择D个特征，构成矩阵其中为训练集中第i个样本；对每个对象的高阶功能连接矩阵也进行相同的操作，得到新的矩阵其中为训练集中第i个样本；

步骤S4：使用无监督模糊系统对矩阵和分别进行特征学习，得到变换矩阵β^l和β^h；使用公式和计算得到低维空间中的低阶嵌入矩阵和高阶嵌入矩阵

步骤S5：基于步骤S4得到的低阶嵌入矩阵和高阶嵌入矩阵使用公式(1)和(2)分别计算核矩阵和

使用公式(3)对它们进行线性组合，计算出复合核矩阵K_tr；

其中，θ₁和θ₂是训练核矩阵的组合系数，满足θ₁+θ₂＝1；

步骤S6：基于步骤S5得到的复合核矩阵K_tr构造出SVM分类器；

步骤S7：对于新的测试样本集，经过S1-S3步骤的处理，分别得到相应的矩阵和使用步骤S4得到的变换矩阵β^l和β^h根据公式和分别计算得到低阶嵌入矩阵和高阶嵌入矩阵将其分别和训练样本的嵌入矩阵和使用公式(4)和(5)分别计算核矩阵和

然后采用步骤S5中相同的组合系数θ₁和θ₂，根据公式(6)计算得到复合核矩阵K_te：

最后构造如公式(7)定义的决策函数来预测测试样本的类标：

2.根据权利要求1所述的基于无监督模糊系统的脑功能磁共振图像分类方法，其特征在于，所述步骤S4包括：

步骤S41：基于矩阵构造拉普拉斯矩阵

步骤S42：将矩阵进行模糊特征映射，得到映射后高维空间中的数据矩阵

步骤S43：通过目标学习准则(8)构造无监督模糊系统，解此优化问题得到变换矩阵β^l：

其中，λ为惩罚项系数，是一个S×S维的单位矩阵，为原数据矩阵对应的拉普拉斯矩阵；

如果(D+1)K≤N，公式(8)转化为公式(9)所描述的广义特征值问题

通过求解公式(9)，得到最小S个特征值γ₁,γ₂,...,γ_S(γ₁≤γ₂≤...≤γ_S)及其对应的特征向量v₁,v₂,...,v_S；公式(8)的最优解为其中为归一化特征向量，

如果(D+1)K＞N，公式(8)转化为公式(10)所描述的广义特征值问题

通过求解公式(10)，得到最小S个特征值γ₁,γ₂,...,γ_S(γ₁≤γ₂≤...≤γ_S)及其对应的特征向量u₁,u₂,...,u_S；公式(8)的最优解为其中为归一化特征向量，

步骤S44：对矩阵重复步骤S41-S42，得到映射后高维空间中的数据矩阵使用与步骤S43一样的方法计算得到变换矩阵β^h。