一种基于时序注意的异质群体图网络ADHD数据处理方法

本发明涉及医学图像处理，尤其是涉及一种基于时序注意的异质群体图网络adhd数据处理方法。

背景技术：

1、现有技术中，注意力缺陷多动障碍（adhd）是儿童青少年群体中高发的遗传性神经发育障碍，其核心行为特征表现为注意力不集中、多动与冲动，且约60%的临床症状可延续至成年阶段。目前，临床上对adhd的评估主要依赖行为评定量表与医师的主观观察，缺乏客观、稳定的生物学标志物作为参照依据，导致不同评估者之间的一致性较低，评估结果的可靠性有待提高。

2、随着神经影像技术的发展，静息态功能磁共振成像（fmri）被广泛应用于脑功能活动的量化研究。传统的adhd影像数据分析大多聚焦于构建个体脑功能网络，试图从个体层面挖掘异常脑区活动模式。然而，该类方法易受个体噪声干扰，难以揭示群体层面的共性规律，同时面对多中心数据时，往往难以有效校正采集设备与扫描参数差异带来的混杂影响，制约了模型的泛化能力。

3、群体图（population graph）作为一种基于图结构的群体级关联分析技术，以单个样本为节点、样本间的相似性为边构建全局关联网络。相较于传统个体脑功能分析，群体图通过整合性别、年龄、数据采集站点等多源表型信息，量化不同中心的混杂因素影响，能够有效缓解多中心数据异质性问题，从而抑制个体噪声干扰、提升特征表示的鲁棒性，为adhd的客观识别提供了新的技术路径。

4、然而，现有的群体图方法多采用同质群体图结构，即仅基于单一类型的关系构建样本间的连接，未能充分融合多源表型信息所蕴含的多种关联关系，难以从根本上提升模型的判别能力。此外，现有方法对fmri时序特征的空间与时域挖掘不够充分，往往忽略脑活动随时间演化的动态特性，无法自适应地聚焦于与目标状态高度相关的关键脑区与时间片段，导致模型对adhd相关功能变化的表征能力不足。如何融合多源表型信息构建异质群体图模型，并充分挖掘fmri数据中的时空动态特征，已成为提升adhd智能辅助分析性能的关键研究方向。

技术实现思路

1、本发明的目的是提供一种基于时序注意的异质群体图网络adhd数据处理方法，以解决现有图卷积模型在adhd脑功能影像数据处理中存在的多源表型信息融合不足、fmri时空动态特征挖掘不充分及多中心数据异质性强等问题。

2、为实现上述目的，本发明提供了一种基于时序注意的异质群体图网络adhd数据处理方法，包括以下步骤：

3、s1、数据获取与处理：获取样本的静息态功能磁共振fmri序列与多源表型信息，对fmri序列进行数据预处理与降维操作，对多源表型信息进行标准化处理，得到标准化的fmri时间序列与表型特征向量

p；

4、s2、异质群体图网络构建：以单个样本为节点，基于所述表型特征向量计算样本间对应表型维度的相似性，据此构建异质群体图网络的边，并通过动态阈值筛选有效边，分别构建性别子图、年龄子图和站点子图，三类子图共同构成动态阈值异质群体图网络；

5、s3、时序注意节点特征编码：对所述标准化fmri时间序列采用分段聚合法与皮尔逊相关系数法计算得到初始特征；再基于时序注意机制提取时空特征，获得异质群体图网络中节点的初始特征表示；

6、s4、异质群体图判别：对性别、年龄、站点三子图分别进行局部与全局特征聚合，经跨尺度融合及自适应加权后输出分类概率；

7、s5、模型参数优化：采用损失函数衡量模型输出的分类概率信息与真实标签的差异，对模型进行迭代训练并优化参数，直至模型收敛。

8、优选的，s1中，所述数据预处理与降维操作具体为：采用afni预处理工具，对样本原始图像数据依次完成去颅骨、脑部分割、配准、头动校正、空间平滑操作，基于aal-90脑区分割图谱得到脑区的fmri时间序列，并对时间序列进行归一化降维处理得到标准化fmri时间序列。

9、优选的，s1中，所述多源表型信息包括性别、年龄、数据采集站点；标准化处理具体为：对多源表型信息进行标准化编码。

10、优选的，s2中，具体包括以下步骤：

11、s21、以单个样本为全局节点，分别以性别、年龄、数据采集站点为三种独立关系类型，计算任意两个样本节点间对应表型特征向量的余弦相似度作为该对应关系类型下异质群体图网络的连接边；

12、s22、通过动态阈值筛选各关系类型下的有效边并计算边权重，分别构建性别子图、年龄子图、站点子图，三类子图共同构成动态阈值异质群体图网络。

13、优选的，所述动态阈值

θ=0.75×

sim，保留各关系类型下相似度排名前25%的边，有效边的权重计算公式为：

14、；

15、其中，为样本

i与样本

j在关系类型下的余弦相似度，、分别为样本、样本在关系类型下的表型特征向量。

16、优选的，s3中，获取初始特征的过程如下：

17、s31、采用滑动窗口技术对标准化fmri时间序列进行时序切片；基于aal-90脑区分割图谱将大脑划分为

n个感兴趣脑区roi；提取每个roi对应的标准化fmri信号时间序列；

18、s32、对各roi的标准化fmri信号时间序列采用分段聚合法spa与皮尔逊相关系数法pcc计算得到初始特征。

19、优选的，s3中，所述时序注意机制，通过多头图注意力网络结合动态脑区注意力权重更新提取时空特征，具体过程如下：

20、s33、将标准化fmri信号时间序列数据沿时间维度划分为独立时间段，通过softmax函数生成可学习的初始脑区注意力权重分布，其计算公式为：

21、；

22、其中为可学习参数矩阵，维度为

b×

n，

b为一个训练批次中的样本数，

n为脑区数，为长度为

n的全1向量，为初始脑区注意力权重；对当前时间切片，将前一时间切片的注意力权重与当前时间切片的脑区特征进行哈达玛积操作，得到注意力加权特征，计算公式如下：

23、；

24、其中，为第个时间切片的注意力加权特征，为第个时间切片的脑区特征矩阵，为第个时间切片的脑区注意力权重向量的转置，表示哈达玛积操作；

25、s34、多头gat图卷积提取：对注意力加权特征采用多头gat图卷积进行时间分段独立的图卷积操作，将脑区间皮尔逊相关系数作为注意力偏置项融入注意力分数计算；首先对加权特征进行线性变换，得到高维节点特征，公式为：

26、；

27、其中为线性变换权重矩阵，为单头gat输出，、为脑区节点、的变换后特征，为输入特征通道数,、分别为第个时间切片中节点

i、

j的注意力加权输入特征；其次计算节点间注意力分数，公式为：

28、；

29、其中为注意力参数向量，为特征拼接操作，为边特征投影参数，为第个时间切片中节点、的皮尔逊相关系数边特征；对节点邻域的注意力分数进行归一化，得到每个时间切片的脑区深度特征；

30、s35、注意力权重动态更新：基于多头gat图卷积，实现注意力权重的动态更新，引入注意力温度系数调制分布平滑度；首先将脑区深度特征转换为单维度注意力分数，其次将多头分数拼接并融合为单维度总分数，最后引入注意力温度系数，注意力权重,该权重将用于下一时间切片的特征加权，实现跨时间片段的注意力传播与时间依赖关系建模,计算公式为：

31、；

32、；

33、；

34、其中为第头的两层感知机，含gelu激活与dropout；为第个时间切片中第个脑区的单头注意力分数，为注意力融合层；其中，为第个时间切片中第个脑区的多头深度特征，为融合各注意力头后得到的总注意力分数，为第个时间切片更新后的脑区注意力权重向量；

35、s36、将多头gat图卷积输出的特征序列沿时间维度堆叠，得到时空特征张量，为脑区数，为窗口宽度，为特征通道数；对时空特征张量进行扁平化处理，将其转换为二维特征矩阵，实现各时间窗口特征的拼接，再输入两层全连接网络完成特征融合，融合过程为：

36、；

37、；

38、；

39、其中，为第个窗口的脑特征，为扁平化操作，、、、为全连接层可学习参数，为随机失活操作，为融合后的多尺度时空特征；输出融合后的多尺度时空特征。

40、优选的，s4中，具体步骤如下：

41、s41、将所述节点的初始特征分别赋值给性别、年龄、站点三个异质子图的对应节点；

42、s42、局部特征提取：对每个异质子图分别处理，通过局部特征提取层聚合节点一阶邻居的特征信息，捕捉样本间的局部关联模式，得到各子图的局部特征表示：

43、；

44、其中，为节点的一阶邻居集合，为第类子图中第头的节点与的注意力系数，为第类子图第头的线性变换权重矩阵，为激活函数；为第类子图中节点的初始特征，表示对各注意力头输出进行拼接；

45、s43、全局特征提取：再通过全局信息传播层将图卷积感受野扩展至三阶邻居，聚合节点的中长程邻居特征信息，捕捉样本间的中长程关联模式，得到全局特征表示：

46、；

47、；

48、其中，为节点的阶邻居集合，为第类子图第层的节点特征矩阵，为第类子图的全局特征矩阵；其中，为图卷积层数，为第类子图第层第个注意力头中节点与的注意力系数，为对应的线性变换权重矩阵，为节点在上一层的特征，表示对各注意力头输出进行拼接；

49、s44、多尺度特征融合：对每个异质子图，将其局部特征与全局特征进行拼接融合，通过mlp为不同关系类型的子图多尺度特征分配自适应学习权重，加权融合得到最终的判别性特征，其计算公式为：

50、；

51、；

52、；

53、其中，为异质关系类型集合，为共享的注意力评分网络，为第类子图的自适应注意力权重，为最终判别性特征矩阵；其中，为第类子图的多尺度特征融合网络，为当前关系类型索引，为归一化分母中的关系类型求和索引，表示以自然常数为底的指数运算；

54、s45、将输出的最终特征融合表示输入全连接分类层，经sigmoid函数输出分类概率。

55、优选的，s5中，使用二元交叉熵损失函数衡量预测差异，采用adamw优化器进行网络参数迭代优化，并采用交叉验证法评估训练过程的有效性。

56、优选的，在s5的模型迭代训练过程中，将经s1处理后的输入数据按比例随机划分为训练集、验证集和测试集，利用训练集和验证集进行模型训练与参数优化，利用测试集对收敛后的模型进行性能评估，计算核心评价指标。

57、因此，本发明采用上述一种基于时序注意的异质群体图网络adhd数据处理方法，具有以下有益效果：

58、1）提出时序注意特征编码模块，融合时序注意力机制与多尺度时间特征融合，充分发掘fmri序列的时空特征，有效提升脑功能特征的判别性与有效性。

59、2）构建异质群体图网络模块，融合多源表型信息构建异质群体图网络，充分挖掘样本间的关联信息，缓解多中心数据异质性问题。

60、3）通过异质群体图判别模块实现个体脑功能特征与群体异质特征的深度聚合，提升模型泛化能力与adhd评估准确性。

61、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。