基于脑磁参数和机器学习的脑小血管病识别方法及系统
本发明涉及智能医疗,特别涉及一种基于脑磁参数和机器学习的脑小血管病识别方法及系统。
背景技术:
1、脑小血管病(cerebral small vessel disease,csvd)是一类以脑内小动脉、微动脉及毛细血管病变为主要病理基础的脑血管疾病,其病变核心区域集中于额叶、基底节区,次要关联区域为丘脑,枕叶、颞叶为非核心区域。脑磁图技术能够无创采集大脑神经活动产生的磁信号,其多维度频域特征(如各脑区θ/α/β/γ波功率、谱熵、对称指数等)能够客观反映大脑的生理状态,为脑小血管病的风险预测提供了潜在的生物标记物基础。
2、目前脑小血管病的预测主要依赖影像学检查(如mri)及医生临床经验。影像学检查存在设备成本高、检查周期长的局限,且对早期微小病变的检出率有限;依赖医生临床经验的判断方式主观性强,预测准确率受医生个体经验水平影响较大,难以实现标准化、客观化的批量筛查。
3、随着机器学习技术的发展,已有研究尝试将脑磁参数与通用机器学习方法相结合用于脑小血管病的建模预测。然而,现有通用机器学习建模方法通常将脑磁多维度频域特征作为整体输入进行处理,忽略了脑磁信号各脑区特征对脑小血管病风险贡献度的差异性,导致对预测结果影响较大的关键脑区特征信息未能得到有效突出,进而影响风险预测的准确率。
技术实现思路
1、为了解决上述背景技术中存在的技术问题,本发明提供了一种基于脑磁参数和机器学习的脑小血管病识别方法及系统。
2、为实现以上目的,本发明的第一个方面提供了一种基于脑磁参数和机器学习的脑小血管病识别方法,包括:
3、获取受试者的脑磁多维度频域特征和基本信息全局特征,根据预设的脑区-脑磁信号采集通道对应表,将所述脑磁多维度频域特征拆分为多个脑区特征矩阵,将所述基本信息全局特征构建为基本信息全局特征矩阵;
4、为所述多个脑区特征矩阵分别分配可训练的初始注意力权重系数,将所述初始注意力权重系数与对应脑区特征矩阵逐元素加权相乘后,与所述基本信息全局特征矩阵进行列拼接,得到注意力加权融合特征集;
5、将所述注意力加权融合特征集输入由第一分类器与第二分类器构成的集成模型进行端到端联合训练,得到收敛的集成模型;
6、基于所述注意力加权融合特征集中核心脑区的特征子集,分别计算第一分类器和第二分类器的分类准确率,采用准确率占比法计算动态软投票权重,将待预测受试者数据输入所述收敛的集成模型,加权求和两个基学习器的预测概率,得到最终风险预测结果。
7、进一步,所述端到端联合训练具体包括:以类别加权交叉熵损失函数构建端到端联合训练框架,并在总损失中引入对注意力权重系数的下界约束项;所述类别加权交叉熵损失函数根据阳性样本数和阴性样本数确定阳性类别权重与阴性类别权重,并对阳性样本的损失贡献施加阳性样本临床敏感性加权系数;所述下界约束项约束各脑区注意力权重不低于对应预设下界,且核心区的注意力权重下界高于次要区;反向传播同步更新所述初始注意力权重系数及集成模型参数;采用小批量梯度下降法对所述初始注意力权重系数进行迭代更新,每次迭代按学习率沿梯度下降方向更新权重系数,每次迭代更新后对权重系数重新进行归一化处理,使所有权重系数之和保持为1;所述学习率按预设迭代轮次周期性衰减;直至训练集的全局损失值趋于稳定,得到收敛的集成模型。
8、进一步,所述类别加权交叉熵损失函数为:
9、
10、其中,,,,为训练样本数,、分别为阳性、阴性样本数,为真实标签,为模型输出的阳性预测概率,为阳性样本临床敏感性加权系数。
11、进一步,所述动态软投票权重的计算公式为:
12、
13、
14、其中,、分别为第一分类器和第二分类器的投票权重,、分别为第一分类器和第二分类器在核心脑区特征子集上的分类准确率;最终风险预测概率,和分别为两个分类器的预测概率;所述投票权重按预设迭代周期动态更新;当不低于预设判定阈值时输出高风险结果,当低于预设判定阈值时输出低风险结果。
15、进一步,将所述脑磁多维度频域特征拆分为多个脑区特征矩阵之后,还包括对各脑区特征矩阵及所述基本信息全局特征进行归一化处理的步骤;所述归一化处理的公式为:
16、
17、其中,为待归一化的原始特征值,和分别为原始特征中的最小值和最大值,为预设的脑磁场强度标准标度值,为归一化后的特征值。
18、进一步,所述脑区-脑磁信号采集通道对应表基于脑小血管病临床病理特征及脑磁仪标准脑区采集通道划分规则建立,明确各脑区对应的脑磁信号采集通道编号;所述多个脑区特征矩阵包括核心区特征矩阵、次要区特征矩阵和非核心区特征矩阵;所述核心区包括额叶和基底节区,所述次要区包括丘脑,所述非核心区包括枕叶和颞叶;各脑区的初始注意力权重系数满足:核心区特征矩阵的初始注意力权重系数高于次要区特征矩阵,次要区特征矩阵的初始注意力权重系数高于非核心区特征矩阵。
19、本发明的第二个方面提供了一种基于脑磁参数和机器学习的脑小血管病识别系统,包括:
20、数据获取模块,用于获取受试者的脑磁多维度频域特征和基本信息全局特征,根据预设的脑区-脑磁信号采集通道对应表,将所述脑磁多维度频域特征拆分为多个脑区特征矩阵,将所述基本信息全局特征构建为基本信息全局特征矩阵;
21、注意力融合模块,用于为所述多个脑区特征矩阵分别分配可训练的初始注意力权重系数,将所述初始注意力权重系数与对应脑区特征矩阵逐元素加权相乘后,与所述基本信息全局特征矩阵进行列拼接,得到注意力加权融合特征集;
22、联合训练模块,用于将所述注意力加权融合特征集输入由第一分类器与第二分类器构成的集成模型进行端到端联合训练,得到收敛的集成模型;
23、动态投票预测模块,用于基于所述注意力加权融合特征集中核心脑区的特征子集,分别计算第一分类器和第二分类器的分类准确率,采用准确率占比法计算动态软投票权重,将待预测受试者数据输入所述收敛的集成模型,加权求和两个基学习器的预测概率,得到最终风险预测结果。
24、本发明的第三个方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的基于脑磁参数和机器学习的脑小血管病识别方法中的步骤。
25、本发明的第四个方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的基于脑磁参数和机器学习的脑小血管病识别方法中的步骤。
26、本发明的第五个方面提供了一种计算机程序产品,包括软件代码,所述软件代码中的程序执行如本发明第一方面所述的基于脑磁参数和机器学习的脑小血管病识别方法中的步骤。
27、与现有技术相比,本发明提供的一种基于脑磁参数和机器学习的脑小血管病识别方法及系统,具有如下有益效果:
28、(1)通过将脑小血管病临床病理特征与脑磁信号的物理采集通道绑定实现针对性分区、利用可训练注意力权重在训练过程中自动聚焦核心病变区域、并以基于核心脑区特征子集准确率占比的动态软投票权重融合两个分类器的差异化优势,实现了对脑磁多维度频域特征中核心病变区域信息的有效挖掘与利用,提升了基于脑磁参数和机器学习的脑小血管病识别的准确性与客观性。
29、(2)通过引入类别加权交叉熵损失函数,并辅以注意力权重下界约束,适配脑磁小样本及类别失衡场景,提高阳性样本的损失贡献,降低漏诊风险,同时约束核心脑区注意力权重不低于预设下界,保证核心病变区域特征的有效聚焦。
30、(3)实验表明,本技术动态软投票集成相对knn单独分类器具有稳定的准确率优势,并在最优实验轮次中优于catboost单独分类器。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com