[发明专利]一种基于图卷积神经网络的脑网络分类方法

权利要求书

1.一种基于图卷积神经网络的脑网络分类方法，其特征在于，包括以下步骤：

步骤1，获取大脑功能核磁共振图像(fMRI)并对其进行预处理，从中提取各个脑区的血氧合度依赖(BOLD)信号，

步骤2，构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图，该数据结构用节点标签和二值化的邻接矩阵完全表示，并以邻接矩阵张量的方式进行存储；

步骤3，将步骤2中构建的脑图及其实际分类标签送入到图卷积神经网络(Graph-CNN)中进行特征学习以及分类诊断，图卷积神经网络由图卷积层、图嵌入池化层以及全连接层构成；

所述步骤1，获取大脑功能核磁共振图像(fMRI)并对其进行预处理，从中提取各个脑区的血氧合度依赖(BOLD)信号，具体包括：

1-1，所有的fMRI数据都使用静息态功能性数据处理辅助工具DPARSF 2.3进阶版工具包进行预处理，对于每一个受试者，所拍摄的fMRI的前十帧都会被丢弃以达到磁饱和的稳定状态；

1-2，将预处理后的fMRI与大脑图谱进行映射得到各个大脑分区的fMRI，即L个大脑分区的血氧合度依赖信号(BOLD信号)的变化情况；

步骤2，构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图，具体包括：

2-1，将步骤1-2中L个大脑分区的BOLD信号两两进行皮尔森相关性分析，得到一个L×L皮尔森相关性邻接矩阵，即生成脑网络连接矩阵，矩阵上元素表示各个分区之间的血氧浓度相关性系数：

其中，x＝[x₁,x₂,…,x_n]与y＝[y₁,y₂,…,y_n]表示要进行皮尔森相关性分析的两组信号，即任意两个脑区的BOLD信号，皮尔森相关分析得到的相关系数分布在[-1,+1]的区间内，负数表示负相关而正数表示正相关，越接近于1表示越相关，越接近于0表示越不相关；

2-2，对相关系数采取平方操作，将相关系数映射到[0,1]区间内，再进行阈值二值化处理，得到二值化的相关性邻接矩阵A(L×L)，阈值二值化是指将步骤2-1中的相关性邻接矩阵中元素大于阈值T的对应位置a_ij赋值为1，否则赋值为0，二值化方式表示如下：

其中，a_ij表示A上的元素，i,j＝1,2,…,L，T表示量化阈值，

2-3，依据步骤2-2中求得的二值化的邻接矩阵A计算节点标签，这里的节点标签采用节点入度信息D_i(i＝1,2,…,L)进行表征，即将A中第i行的所有元素叠加：

2-4，以步骤2-3中计算到的节点标签为划分依据，对步骤2-2中求得的二值化的邻接矩阵A进行张量化操作得到邻接矩阵张量N表示节点标签的特征数，其中每一个切片A_n只编码脑图在一个邻接矩阵中的某一特定节点标签数值的特征。

2.根据权利要求1所述的一种基于图卷积神经网络的脑网络分类方法，其特征在于，步骤3，将步骤2中构建的脑图及其实际分类标签送入到图卷积神经网络(Graph-CNN)中进行特征学习以及分类诊断，具体如下：

3-1，采用图卷积对当前节点特征以及其相近节点特征的加权相加，目的是初步聚类相似节点，图卷积定义一个线性滤波器，用于对各个邻接矩阵做凸组合H≈h₁A₁+h₂A₂+…+h_NA_N，对于每个提取特征共C种都有一个对应的滤波器参数则有图卷积如下：

其中，V_in和V_out为图卷积层的输入与输出，b为偏置；

3-2，采用图嵌入池化在每类顶点中选举出能够有效表征当前类别特征的代表顶点，通过池化操作缩减节点数为N′，输出为嵌入矩阵V_emb表达式如下：

3-3，经过几次图卷积和图嵌入池化操作，提取出高度总结的特征数据，再通过全连接层将这些高维数据以平铺的形式输入并进行特征的转化，经过一系列全连接层完成最终的决策分类，即多个图卷积和图嵌入池化操作连接多个全连接层构成了网络结构。