[发明专利]一种基于多模态多站点数据融合的分类识别方法

权利要求书

1.一种基于多模态多站点数据融合的分类识别方法,其特征在于：包括以下步骤：

1)获取多站点sMRI和R-fMRI数据：从自闭症脑成像数据交换库ABIDE获取结构性核磁共振成像数据和静息态功能性核磁共振成像数据；

2)对各个站点的sMRI数据进行预处理，得到sMRI颅骨剥离脑图像和大脑皮层表面模型；

3)将大脑皮层分割成多个不同区域，并计算每个区域的皮层平均厚度、皮层平均表面积和灰质体积解剖参数；

4)将sMRI颅骨剥离脑图像输入ResNet3D深度网络模型提取高维特征；

5)将提取出的解剖参数和高维特征进行融合得到一维向量作为sMRI数据特征；

6)各个站点的R-fMRI数据进行预处理，获得大脑灰质图像；

7)将大脑灰质图像分割成多个不同功能的脑区，并提取每个脑区的平均体素时间序列；

8)使用皮尔森相关分析法计算不同脑区之间的皮尔森相关系数，构建全部脑区的功能连接矩阵，全部脑区的功能连接矩阵包括静息态功能网络连分析，静息态功能网络连分析包含以下步骤：

A1：A＝{a₁,a₂,L,a_m,···a_n}是根据功能模板划分的全部脑区，其中a_m是第m个脑区，n表示全部脑区的个数；第m个脑区a_m的平均体素时间序列其中N为时间点长度，为第m个脑区在时间点N的体素的平均灰度值；

A2：通过公式计算脑区a_i与脑区a_j之间的皮尔森相关系数，构建脑功能连接矩阵

9)将功能连接矩阵展开成一维向量作为R-fMRI数据特征；

10)采用低秩表示方法将不同站点的sMRI数据特征映射到一个共同的子空间中，并确定一个通用的低秩表示，解决多站点sMRI数据的异构性问题；

11)采用低秩表示方法将不同站点的R-fMRI数据特征映射到一个共同的子空间，并确定一个通用的低秩表示，解决多站点R-fMRI数据的异构性问题，所述步骤10)和步骤11)均采用基于低秩表示方法进行多站点数据异构性处理包含以下具体步骤：

(1)选择一个站点作为目标域，其余站点作为源域，令{Site 1,Site 2,...,Site K,1≤K≤n}为源域，Site T为目标域，每个源域由个样本构成，目标域由N_T个样本构成，其中，d为每个样本的特征向量维度；

(2)通过Q_i将第i个源域数据映射到所有站点数据共同的潜在空间并使用目标域数据进行线性表示，可以部分抑制多站点数据的异构性，映射后的数据为：其中为第i个源域特定的域变换矩阵，为线性组合系数矩阵，为稀疏噪声矩阵；

(3)使用通过低秩矩阵分解将Q_i分解为：其中为公共变换矩阵，为第i个源域特定的稀疏噪声矩阵，代表第i个源域本身独特的数据结构；

(4)利用公共空间转换矩阵Q将目标域数据X_T映射到共同的潜在空间，得到变换后的数据为：QX_T；

(5)将映射到共同的潜在空间的第i个源域数据用映射到共同的潜在空间的目标域数据QX_T线性表示，可以进一步减少多站点数据分布的差异性，使得和QX_T有相同的数据分布，公式如下：

(6)上述公式中的源域数据特别容易受到噪声信息的影响，为了提高模型的鲁棒性，将基于低秩表示的领域自适应方法的目标函数表示为：

其中，rank(·)为矩阵的秩，||·||₁为l₁范数，α和β为折中因子，用来约束rank(Z_i)、和这3项，I是单位阵，Q Q^T＝I为正交约束项，保证Q为正交阵；

(7)因为秩最小化问题是著名的N-P难题，所以采用核范数最小化代替秩最小化，将公式(1)改写为：

其中，||·||_*为核范数，等于矩阵的奇异值之和；

(8)采用增广拉格朗日乘子法进行求解构建的目标函数的最优解；

(9)最后得到新的源域数据为：目标域数据为：QX_T，所有新的源域数据作为分类识别模型的训练集，目标域数据作为分类识别模型的验证集，进行分类识别模型的训练；

12)将经过数据异构性处理的sMRI数据和R-fMRI数据作为层次融合网络模型的输入，根据训练集构建分类识别网络；

13)将待检测被试的sMRI和R-fMRI神经影像数据按照步骤2)-步骤11)进行处理后送入分类识别模型，得到被试者的输出标签并判断被试人员的状态。