本發(fā)明涉及一種基于任意值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)在adhd(注意缺陷多動(dòng)障礙)分類(lèi)中的應(yīng)用，屬于精神疾病智能輔助分類(lèi)診斷領(lǐng)域。

背景技術(shù)：

1、隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，圖神經(jīng)網(wǎng)絡(luò)在處理具有復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)的數(shù)據(jù)方面表現(xiàn)出了巨大的潛力。在生物醫(yī)學(xué)領(lǐng)域，特別是神經(jīng)科學(xué)研究中，腦區(qū)間的連接關(guān)系可以自然地表示為圖結(jié)構(gòu)，其中腦區(qū)作為節(jié)點(diǎn)，腦區(qū)間的生物信號(hào)作為邊。在圖論中，圖的鄰接矩陣具有非負(fù)的性質(zhì)，這種方法在簡(jiǎn)單結(jié)構(gòu)和有限類(lèi)別的問(wèn)題上表現(xiàn)良好。然而，在處理腦部功能連接等復(fù)雜數(shù)據(jù)時(shí)，非負(fù)鄰接矩陣可能無(wú)法充分表達(dá)腦區(qū)之間相互激勵(lì)或者抑制的關(guān)系。這限制了它們?cè)谔幚砩锞W(wǎng)絡(luò)數(shù)據(jù)時(shí)的應(yīng)用。adhd是一種常見(jiàn)的神經(jīng)發(fā)育障礙，其臨床表現(xiàn)多樣，發(fā)病腦區(qū)不明。近年來(lái)，基于腦區(qū)生物信號(hào)和腦區(qū)間生物信號(hào)的研究為adhd的分類(lèi)提供了新的思路。然而，如何有效地利用這些生物信號(hào)數(shù)據(jù)，特別是如何構(gòu)建和訓(xùn)練能夠處理任意數(shù)值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)模型，仍是一個(gè)具有挑戰(zhàn)性的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有的圖神經(jīng)網(wǎng)絡(luò)只能處理非負(fù)鄰接矩陣的問(wèn)題，本發(fā)明提供了一種改進(jìn)的圖神經(jīng)網(wǎng)絡(luò)技術(shù)，其關(guān)鍵在于允許圖的鄰接矩陣為任意實(shí)數(shù)值，從而更準(zhǔn)確地表達(dá)復(fù)雜的腦部功能連接模式。具體地，我們將這一技術(shù)應(yīng)用于adhd分類(lèi)中，其中圖的節(jié)點(diǎn)表示區(qū)域大腦活動(dòng)的強(qiáng)度的低頻波動(dòng)振幅(alff)數(shù)據(jù)，而圖的鄰接矩陣則直接使用了功能連接(fc)原始數(shù)值。

2、本發(fā)明的腦拓?fù)渚W(wǎng)絡(luò)構(gòu)建方法，可以高效利用磁共振成像(mri)采集數(shù)據(jù)所計(jì)算出的多種生物數(shù)據(jù)，包括腦區(qū)上的特征數(shù)據(jù)，如腦區(qū)體積密度(vbm)、低頻振幅波(alff)、同態(tài)一致性(reho)、度中心性(dc)，腦區(qū)間的特征數(shù)據(jù)，如腦功能連接(fc)、效應(yīng)連接等，從多個(gè)角度對(duì)患者腦功能狀態(tài)進(jìn)行描述和分析。由于采用多種數(shù)據(jù)，通過(guò)該發(fā)明，可以構(gòu)建接近真實(shí)大腦網(wǎng)絡(luò)的圖網(wǎng)絡(luò)，充分利用多模態(tài)信息，用于后續(xù)疾病分類(lèi)和生物標(biāo)志物檢測(cè)。

3、傳統(tǒng)的圖神經(jīng)網(wǎng)絡(luò)通常使用非負(fù)鄰接矩陣來(lái)描述節(jié)點(diǎn)之間的連接關(guān)系，而本發(fā)明引入了任意值鄰接矩陣的概念。本發(fā)明允許鄰接矩陣的元素是任意實(shí)數(shù)值，從而更準(zhǔn)確地表達(dá)復(fù)雜的腦部功能連接模式。其中，在邊為正值時(shí)，可以模擬腦區(qū)間相互刺激激勵(lì)；在邊為負(fù)值時(shí)，可模擬腦區(qū)間相互抑制的情況。相比于傳統(tǒng)方法，任意值鄰接矩陣能夠更細(xì)致地反映節(jié)點(diǎn)之間的強(qiáng)度和多樣性連接。為了降低計(jì)算復(fù)雜性，本發(fā)明采用了一種有效的鄰接矩陣稀疏化處理方法。通過(guò)保留具有最高權(quán)重的前k條邊，有效地簡(jiǎn)化了圖的結(jié)構(gòu)，同時(shí)保證了關(guān)鍵的連接信息不會(huì)丟失。本發(fā)明提出了一種新的鄰接矩陣歸一化方法。通過(guò)計(jì)算鄰接矩陣的絕對(duì)值和對(duì)應(yīng)的度矩陣，實(shí)現(xiàn)了對(duì)任意值鄰接矩陣的有效歸一化。這一步驟不僅保留了圖結(jié)構(gòu)的特征，還有效地增強(qiáng)了神經(jīng)網(wǎng)絡(luò)對(duì)節(jié)點(diǎn)特征之間復(fù)雜關(guān)系的捕捉能力。這一方法不僅拓寬了圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍，使其能夠處理包含任意數(shù)值的鄰接矩陣，同時(shí)也為復(fù)雜腦網(wǎng)絡(luò)的結(jié)構(gòu)分析與特征提取提供了新的視角。

4、本發(fā)明的技術(shù)方案如下：

5、一種基于任意數(shù)值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)在adhd分類(lèi)中的應(yīng)用方法，包括如下步驟：

6、步驟1：獲取腦區(qū)生物信號(hào)和腦區(qū)間生物信號(hào)，將腦區(qū)生物信號(hào)作為腦拓?fù)渚W(wǎng)絡(luò)節(jié)點(diǎn)上的信號(hào)，即節(jié)點(diǎn)特征，將腦區(qū)間生物信號(hào)作為腦拓?fù)渚W(wǎng)絡(luò)邊連接上的信號(hào)，即鄰接矩陣，其中鄰接矩陣的元素為任意實(shí)數(shù)值；

7、步驟2：對(duì)鄰接矩陣進(jìn)行稀疏化處理，保留前k條邊以保證圖的連通性；

8、步驟3：使用鄰接矩陣的絕對(duì)值計(jì)算度矩陣，并得到歸一化鄰接矩陣anorm。

9、上述步驟2中，鄰接矩陣的稀疏化處理，保留鄰接矩陣絕對(duì)值的前k％，數(shù)值越大表明腦區(qū)間的相關(guān)性越強(qiáng)；這種方式在保證圖連通性的同時(shí)實(shí)現(xiàn)圖的稀疏化。

10、上述步驟3中，鄰接矩陣歸一化，包括如下處理步驟：

11、步驟1：對(duì)于給定的鄰接矩陣a，其中a的每個(gè)元素aij表示節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的連接權(quán)重(即腦區(qū)間生物信號(hào)強(qiáng)度)。為了考慮節(jié)點(diǎn)自身的特征信息，在鄰接矩陣的對(duì)角線上添加自環(huán)；自環(huán)的權(quán)重可以設(shè)置為一個(gè)固定的常數(shù)，表示節(jié)點(diǎn)與其自身的連接強(qiáng)度。接下來(lái)，計(jì)算每個(gè)節(jié)點(diǎn)的度，即節(jié)點(diǎn)i的度d為鄰接矩陣a中第i行所有元素的絕對(duì)值之和；然后，將這些度值組合成一個(gè)對(duì)角矩陣d，其中對(duì)角線上的元素為對(duì)應(yīng)節(jié)點(diǎn)的度值，其余元素為0；

12、步驟2：使用計(jì)算出的度矩陣d對(duì)鄰接矩陣a進(jìn)行歸一化，得到歸一化后的鄰接矩陣anorm；歸一化的操作通常是通過(guò)將鄰接矩陣a的每個(gè)元素aij除以節(jié)點(diǎn)i和節(jié)點(diǎn)j的度值di和dj的平方根之積來(lái)完成的，即anorm＝d-0.5ad-0.5；這種歸一化方法被稱(chēng)為對(duì)稱(chēng)歸一化，它有助于減少節(jié)點(diǎn)度對(duì)圖卷積操作的影響，從而提高模型的性能。

技術(shù)特征：

1.一種基于任意數(shù)值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)在adhd(注意缺陷多動(dòng)障礙)分類(lèi)中的應(yīng)用，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于任意值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)在adhd分類(lèi)中的應(yīng)用，所述步驟2中，其特征在于鄰接矩陣的稀疏化處理，保留鄰接矩陣絕對(duì)值的前k％，共計(jì)k條邊，形成一稀疏化的鄰接矩陣。

3.根據(jù)權(quán)利要求1所述的一種基于任意值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)在adhd分類(lèi)中的應(yīng)用，所述步驟3中，其特征在于鄰接矩陣歸一化，包括如下處理步驟：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于任意值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)在ADHD(注意缺陷多動(dòng)障礙)分類(lèi)中的應(yīng)用，包括如下步驟：1、獲取腦區(qū)生物信號(hào)和腦區(qū)間生物信號(hào)，將腦區(qū)生物信號(hào)作為節(jié)點(diǎn)特征，腦區(qū)間生物信號(hào)作為任意數(shù)值鄰接矩陣以表征腦區(qū)間的激勵(lì)或者抑制關(guān)系；2、為了降低圖的復(fù)雜性，保留鄰接矩陣前K條邊，實(shí)現(xiàn)圖的稀疏化處理；3、節(jié)點(diǎn)特征和處理后的鄰接矩陣作為圖卷積層的輸入，通過(guò)計(jì)算鄰接矩陣的絕對(duì)值得到度矩陣，并實(shí)現(xiàn)任意數(shù)值鄰接矩陣的歸一化操作；4利用歸一化后的鄰接矩陣，進(jìn)行圖卷積操作。本發(fā)明用于鄰接矩陣是任意數(shù)值的圖卷積操作，用于復(fù)雜腦網(wǎng)絡(luò)結(jié)構(gòu)的建模和處理。

技術(shù)研發(fā)人員：王曉彤,湯一彬,高遠(yuǎn)
受保護(hù)的技術(shù)使用者：河海大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19