基于多视角脑网络图与双流时序编码的目标人群识别方法

摘要: 本技术涉及脑功能检测及智能识别,特别涉及一种基于多视角脑网络图与双流时序编码的目标人群识别方法。背景技术:1、目前,多种脑功能疾病或障碍(如卒中、认知障碍、药物...
基于多视角脑网络图与双流时序编码的目标人群识别方法

本技术涉及脑功能检测及智能识别,特别涉及一种基于多视角脑网络图与双流时序编码的目标人群识别方法。

背景技术:

1、目前,多种脑功能疾病或障碍(如卒中、认知障碍、药物成瘾等)均会表现为特定脑功能状态的改变。便携式脑功能检测技术(如功能性近红外光谱)因其实时、便携、抗运动干扰等优点,已被探索用于脑功能状态评估。

2、相关技术中,采用皮尔逊相关系数构建脑区间的功能连接,以量化脑区信号的协同变化程度;构建静态脑网络,对较长时段信号进行平均处理;通过滑动窗口进行动态功能连接分析,观察连接随时间的变化;部分信息分解被初步应用于静息态脑网络分析或脑疾病辅助诊断,但尚未引入基于脑网络图的快速识别任务;将图卷积网络作为静态连接的特征提取器,应用于运动想象分类与脑疾病辅助诊断任务。

3、然而,相关技术中,由于皮尔逊相关系数是线性统计量,只能衡量两个脑区信号之间的线性相关关系,难以捕捉目标状态下脑区间存在的非线性交互信息,导致不同状态下脑网络刻画的信息完整性不足,由于静态分析主要关注功能连接的静态强度,使得忽略了目标人群的特定脑功能状态下脑网络动态稳定性的变化,由于要求长时程数据采集,导致对部分受试者难以实施且与快速筛查目标矛盾,短时采集条件下识别准确率无法保证,使得面向快速筛查的工程可行性验证缺失,同时,部分信息分解尚未被系统性引入基于脑网络图的快速识别任务,图卷积网络未针对静态与动态双重特征开展专门的网络结构设计,也未解决多中心、跨设备异构数据的泛化性特征学习问题,亟待改善。

技术实现思路

1、本技术提供一种基于多视角脑网络图与双流时序编码的目标人群识别方法,以解决相关技术中,由于难以捕捉目标状态下脑区间存在的非线性交互信息,导致不同状态下脑网络刻画的信息完整性不足,而且由于对动态稳定性变化缺乏针对性建模,使得忽略了目标人群的特定脑功能状态下脑网络动态稳定性的变化,或者由于要求长时程数据采集,对短时信号的适应性不足,导致面向快速筛查的工程可行性验证缺失等问题。

2、本技术第一方面实施例提供一种基于多视角脑网络图与双流时序编码的目标人群识别方法,包括以下步骤:采集受试者的静息态脑功能信号,并基于所述静息态脑功能信号构建三个目标视角的动态脑网络图序列和共享节点特征;基于所述三个目标视角的动态脑网络图序列和所述共享节点,确定所述三个目标视角的动态矩阵,并对所述三个目标视角的动态矩阵进行双流时序编码,以得到所述三个目标视角的视角融合特征;对所述三个目标视角的视角融合特征进行自适应融合,以得到所述静息态脑功能信号的增强特征,并根据所述增强特征输出所述受试者的目标人群识别结果。

3、通过上述技术手段,本技术实施例可以基于静息态脑功能信号构建三个目标视角的动态脑网络图序列和共享节点特征,并确定三个目标视角的动态矩阵,以结合双流时序编码与多视角自适应融合机制确定目标人群识别结果实现目标人群的智能识别,从而能够有效提取脑区间的线性和非线性交互特征,提供更全面的脑网络状态信息,并能针对脑功能状态变化中存在的静态与动态双重特征进行协同建模,以进行智能识别,进而在短时程采集条件下实现高精度的目标人群识别,具有快速、便携、可解释性强的优点,适用于急诊分诊、床旁监测及脑功能异常人群筛查等多种实时应用场景。

4、可选地,在本技术的一个实施例中,所述基于所述静息态脑功能信号构建三个目标视角的动态脑网络图序列和共享节点特征,包括:基于滑动时间窗,构建所述静息态脑功能信号的动态功能连接矩阵序列;基于部分信息分解框架,提取所述静息态脑功能信号的冗余信息矩阵序列和协同信息矩阵序列;基于所述动态功能连接矩阵序列、所述冗余信息矩阵序列、所述协同信息矩阵序列,确定所述三个目标视角的动态脑网络图序列;基于所述静息态脑功能信号,计算不同脑区信号的至少一个时域特征,并根据所述至少一个时域特征确定所述共享节点特征。

5、通过上述技术手段,本技术实施例可以基于滑动时间窗生成动态功能连接矩阵序列,捕捉功能连接模式的瞬态变化,结合部分信息分解框架提取脑区间非线性交互特征,得到冗余信息矩阵序列、协同信息矩阵序列,以构成三个目标视角的动态脑网络图序列,并提取脑区时域特征作为各视角共享节点特征,从而有效提取脑区间的线性和非线性交互特征,提供更全面的脑网络状态信息,同时以动态序列形式保留脑网络的时变属性,通过共享节点特征统一多视角的节点表征基准,为后续的矩阵优化与时序编码提供标准化输入基础。

6、可选地,在本技术的一个实施例中,所述基于所述三个目标视角的动态脑网络图序列和所述共享节点,确定所述三个目标视角的动态矩阵,包括:将所述共享节点特征映射为高级节点嵌入,以基于所述高级节点嵌入计算所述静息态脑功能信号的学习图;对所述三个目标视角的动态脑网络图序列分别进行去噪处理,以得到所述静息态脑功能信号的净化图;基于所述净化图和所述学习图,确定所述三个目标视角的动态矩阵。

7、通过上述技术手段,本技术实施例可以将共享节点特征通过非线性映射转换为高级节点嵌入,利用高级节点嵌入计算学习图以捕捉潜在的脑区关系,对三个目标视角的动态脑网络图序列分别进行去噪处理,以得到净化图,将净化图与学习图进行融合,生成三个目标视角的动态矩阵,从而增强图结构的表达能力,提升动态矩阵的表征质量与抗干扰能力,同时缓解从多中心、跨设备异构数据中学习泛化性特征的问题。

8、可选地,在本技术的一个实施例中,所述对所述三个目标视角的动态矩阵进行双流时序编码,以得到所述三个目标视角的视角融合特征,包括:对所述三个目标视角的动态矩阵进行双流时序编码,以得到所述三个目标视角的强度流特征和变化流特征;基于所述强度流特征和所述变化流特征,生成所述三个目标视角的视角融合特征。

9、通过上述技术手段,本技术实施例可以构建面向时变特性的双流时序编码机制,针对目标状态改变既影响静态连接强度又扰乱动态稳定性的双重特征,通过强度流学习静态拓扑特征、通过变化流捕捉时序波动模式,将双流并行编码后自适应融合,实现了对目标人群的特定脑功能状态相关静态与动态双重变化的协同表征。

10、可选地,在本技术的一个实施例中,所述根据所述增强特征输出所述受试者的目标人群识别结果,包括:将所述增强特征压缩为全局向量,并根据所述全局向量进行分类,以输出目标状态类别的概率分布;基于所述目标状态类别的概率分布,确定所述受试者的目标人群识别结果。

11、通过上述技术手段,本技术实施例可以将多视角融合后的增强特征压缩为全局表征向量,经分类输出目标状态的类别概率分布后确定目标人群识别结果,能够将输出的注意力权重直接可视化,以定位关键脑区与动态时间窗口,为目标人群的特定脑功能状态判别提供可解释性依据,进一步提高了短时程脑功能信号下识别的准确率和鲁棒性。

12、本技术第二方面实施例提供一种基于多视角脑网络图与双流时序编码的目标人群识别装置,包括:采集模块,用于采集受试者的静息态脑功能信号,并基于所述静息态脑功能信号构建三个目标视角的动态脑网络图序列和共享节点特征;编码模块,用于基于所述三个目标视角的动态脑网络图序列和所述共享节点,确定所述三个目标视角的动态矩阵,并对所述三个目标视角的动态矩阵进行双流时序编码,以得到所述三个目标视角的视角融合特征;识别模块,用于对所述三个目标视角的视角融合特征进行自适应融合,以得到所述静息态脑功能信号的增强特征,并根据所述增强特征输出所述受试者的目标人群识别结果。

13、通过上述技术手段,本技术实施例可以基于静息态脑功能信号构建三个目标视角的动态脑网络图序列和共享节点特征,并确定三个目标视角的动态矩阵,以结合双流时序编码与多视角自适应融合机制确定目标人群识别结果实现目标人群的智能识别,从而能够有效提取脑区间的线性和非线性交互特征,提供更全面的脑网络状态信息,并能针对脑功能状态变化中存在的静态与动态双重特征进行协同建模,以进行智能识别,进而在短时程采集条件下实现高精度的目标人群识别,具有快速、便携、可解释性强的优点,适用于急诊分诊、床旁监测及脑功能异常人群筛查等多种实时应用场景。

14、可选地,在本技术的一个实施例中,所述采集模块包括:构建单元,用于基于滑动时间窗,构建所述静息态脑功能信号的动态功能连接矩阵序列;提取单元,用于基于部分信息分解框架,提取所述静息态脑功能信号的冗余信息矩阵序列和协同信息矩阵序列;第一确定单元,用于基于所述动态功能连接矩阵序列、所述冗余信息矩阵序列、所述协同信息矩阵序列,确定所述三个目标视角的动态脑网络图序列;计算单元,用于基于所述静息态脑功能信号,计算不同脑区信号的至少一个时域特征,并根据所述至少一个时域特征确定所述共享节点特征。

15、通过上述技术手段,本技术实施例可以基于滑动时间窗生成动态功能连接矩阵序列,捕捉功能连接模式的瞬态变化,结合部分信息分解框架提取脑区间非线性交互特征,得到冗余信息矩阵序列、协同信息矩阵序列,以构成三个目标视角的动态脑网络图序列,并提取脑区时域特征作为各视角共享节点特征,从而有效提取脑区间的线性和非线性交互特征,提供更全面的脑网络状态信息,同时以动态序列形式保留脑网络的时变属性,通过共享节点特征统一多视角的节点表征基准,为后续的矩阵优化与时序编码提供标准化输入基础。

16、可选地,在本技术的一个实施例中,所述编码模块包括:映射单元,用于将所述共享节点特征映射为高级节点嵌入,以基于所述高级节点嵌入计算所述静息态脑功能信号的学习图;去噪单元,用于对所述三个目标视角的动态脑网络图序列分别进行去噪处理,以得到所述静息态脑功能信号的净化图;第二确定单元,用于基于所述净化图和所述学习图,确定所述三个目标视角的动态矩阵。

17、通过上述技术手段,本技术实施例可以将共享节点特征通过非线性映射转换为高级节点嵌入,利用高级节点嵌入计算学习图以捕捉潜在的脑区关系,对三个目标视角的动态脑网络图序列分别进行去噪处理,以得到净化图,将净化图与学习图进行融合,生成三个目标视角的动态矩阵,从而增强图结构的表达能力,提升动态矩阵的表征质量与抗干扰能力,同时缓解从多中心、跨设备异构数据中学习泛化性特征的问题。

18、可选地,在本技术的一个实施例中,所述编码模块包括:编码单元,用于对所述三个目标视角的动态矩阵进行双流时序编码,以得到所述三个目标视角的强度流特征和变化流特征;生成单元,用于基于所述强度流特征和所述变化流特征,生成所述三个目标视角的视角融合特征。

19、通过上述技术手段,本技术实施例可以构建面向时变特性的双流时序编码机制,针对目标状态改变既影响静态连接强度又扰乱动态稳定性的双重特征,通过强度流学习静态拓扑特征、通过变化流捕捉时序波动模式,将双流并行编码后自适应融合,实现了对目标人群的特定脑功能状态相关静态与动态双重变化的协同表征。

20、可选地,在本技术的一个实施例中,所述识别模块包括:分类单元,用于将所述增强特征压缩为全局向量,并根据所述全局向量进行分类,以输出目标状态类别的概率分布;确定单元,用于基于所述目标状态类别的概率分布,确定所述受试者的目标人群识别结果。

21、通过上述技术手段,本技术实施例可以将多视角融合后的增强特征压缩为全局表征向量,经分类输出目标状态的类别概率分布后确定目标人群识别结果,能够将输出的注意力权重直接可视化,以定位关键脑区与动态时间窗口,为目标人群的特定脑功能状态判别提供可解释性依据,进一步提高了短时程脑功能信号下识别的准确率和鲁棒性。

22、本技术第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的基于多视角脑网络图与双流时序编码的目标人群识别方法。

23、本技术第四方面实施例提供一种非易失性计算机可读存储介质,所述计算机可读存储介质存储计算机程序,该程序被处理器执行时实现如上的基于多视角脑网络图与双流时序编码的目标人群识别方法。

24、本技术第五方面实施例提供一种计算机程序产品,所述计算机程序产品存储计算机程序,该程序被处理器执行时实现如上的基于多视角脑网络图与双流时序编码的目标人群识别方法。

25、本技术实施例可以基于静息态脑功能信号构建三个目标视角的动态脑网络图序列和共享节点特征,并确定三个目标视角的动态矩阵,以结合双流时序编码与多视角自适应融合机制确定目标人群识别结果实现目标人群的智能识别,从而能够有效提取脑区间的线性和非线性交互特征,提供更全面的脑网络状态信息,并能针对脑功能状态变化中存在的静态与动态双重特征进行协同建模,以进行智能识别,进而在短时程采集条件下实现高精度的目标人群识别,具有快速、便携、可解释性强的优点,适用于急诊分诊、床旁监测及脑功能异常人群筛查等多种实时应用场景。由此,解决了相关技术中,由于难以捕捉目标状态下脑区间存在的非线性交互信息,导致不同状态下脑网络刻画的信息完整性不足,而且由于对动态稳定性变化缺乏针对性建模,使得忽略了目标人群的特定脑功能状态下脑网络动态稳定性的变化,或者由于要求长时程数据采集,对短时信号的适应性不足,导致面向快速筛查的工程可行性验证缺失等问题。

26、本技术附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本技术的实践了解到。