一种基于动态性和稀疏编码的孤独症识别方法及系统

本发明涉及孤独症识别，更具体的，涉及一种基于动态性和稀疏编码的孤独症识别方法、以及使用了该方法的孤独症识别系统。

背景技术：

1、孤独症谱系障碍(asd)是一种复杂的神经发育障碍主要临床表现为言语交流障碍和重复刻板的行为。随着近年来asd数量的逐渐增加，人们开始越发关注孤独症的诊断和治疗。由于目前对孤独症的治疗还没有有效的药物，因此早期诊断是预防孤独症的重要手段。

2、对于临床诊断来说，为了更加准确地识别出患者，将深度学习结合fmri数据从而辅助医生诊断变得尤为重要。目前工作仍然存在以下的问题：

3、1)现有部分模型是对全部特征数据进行降维和分类，然而全部特征中实际上存在一些并不重要的特征数据，若对其也进行降维和分类，相当于是在浪费计算能力，从而导致模型效率受到影响，并且也会导致模型训练较为耗时。

4、2)部分采用自编码架构的模型没有考虑到数据本身的动态特性，没有与动态性技术相联系，导致模型的识别率存在提升空间。

技术实现思路

1、基于此，有必要针对现有模型效率偏低的问题，提供了一种基于动态性和稀疏编码的孤独症识别方法及系统。

2、本发明采用以下技术方案实现：

3、第一方面，本发明公开了一种基于动态性和稀疏编码的孤独症识别方法，包括以下步骤：

4、搭建识别模型，先构建特征提取模板，再训练识别模型得到训练好的识别模型；

5、获取g个待识别病患的fmri脑信号数据；g≥1；

6、使用训练好的识别模型对g个待识别病患的fmri脑信号数据进行处理，得到g个识别结果；其中，第g个识别结果对应第g个待识别病患的fmri脑信号数据；g∈[1,g]。

7、其中，识别模型包括：特征提取部、特征增强部、分类预测部。

8、特征提取部用于对第g个待识别病患的fmri脑信号数据处理得到q个潜在特征。特征提取部包括：滑窗处理子单元、向量转换子单元、特征选择子单元、稀疏自编码子单元；滑窗处理子单元用于按照滑动窗口的方式将第g个待识别病患的fmri脑信号数据划分成n个数据窗口、并对应转换成n个功能连接矩阵；向量转换子单元用于选取n个功能连接矩阵的上三角、并将第e个功能连接矩阵的上三角展成s个一维特征向量，共输出n*s个一维特征向量；e∈[1,n]；特征选择子单元用于依据特征提取模板从第e个功能连接矩阵对应的s个一维特征向量提取出f-score处于前列的p个高值特征向量，共输出n*p个高值特征向量；稀疏自编码子单元用于对第e个功能连接矩阵对应的p个高值特征向量进行特征降维得到q个潜在特征，共输出n*q个潜在特征。

9、特征增强部用于对第e个功能连接矩阵对应的q个潜在特征进行特征增强得到q个增强特征，共输出n*q个增强特征。

10、分类预测部用于基于单向lstm对n*q个增强特征进行特征预测，得到识别结果。

11、该基于动态性和稀疏编码的孤独症识别方法实现根据本公开的实施例的方法或过程。

12、第二方面，本发明公开了一种基于动态性和稀疏编码的孤独症识别系统，使用了如第一方面公开的基于动态性和稀疏编码的孤独症识别方法。

13、基于动态性和稀疏编码的孤独症识别系统包括：数据获取模块、识别模型模块。

14、数据获取模块用于获取g个待识别病患的fmri脑信号数据；g≥1。识别模型模块加载有训练好的识别模型，用于对g个待识别病患的fmri脑信号数据进行处理，得到g个识别结果；其中，第g个识别结果对应第g个待识别病患的fmri脑信号数据；g∈[1,g]。

15、其中，识别模型模块包括：特征提取模块、特征增强模块、分类预测模块。特征提取模块用于对第g个待识别病患的fmri脑信号数据处理得到n*q个潜在特征；特征增强模块用于对n*q个潜在特征进行特征增强，得到n*q个增强特征；分类预测模块用于对基于单向lstm对n*q个增强特征进行特征预测，得到识别结果。

16、该基于动态性和稀疏编码的孤独症识别系统实现根据本公开的实施例的方法或过程。

17、与现有技术相比，本发明具备如下有益效果：

18、1，本发明考虑到孤独症患者和正常人之间的某些特定大脑功能存在差异，在对fmri脑信号数据进行特征提取时，选择了具有显著差异的大脑功能连接形成特征选择，并采用了特征提取模板提取出f-score处于前列的特征向量，从而降低后续特征处理量，通过更少的计算获得更好的效率。

19、2，本发明结合了动态性和自编码的降维特质，可以使数据特征更具代表性，从而提升模型的预测准确率。

20、3，本发明在模型训练时采用了端到端的模式，可以通过多任务学习使得整个系统模型的优化变得简易；并且在模型训练阶段构建出特征提取模板，可以显著降低模型的训练时间。

技术特征：

1.一种基于动态性和稀疏编码的孤独症识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于动态性和稀疏编码的孤独症识别方法，其特征在于，所述滑动窗口的大小为八分之一的时间序列长度、步长为十六分之一的时间序列长度；所述时间序列长度为第g个待识别病患的fmri脑信号数据采集时间长度t。

3.根据权利要求1或2所述的基于动态性和稀疏编码的孤独症识别方法，其特征在于，所述功能连接矩阵的计算公式为：

4.根据权利要求1所述的基于动态性和稀疏编码的孤独症识别方法，其特征在于，所述稀疏自编码子模块通过全连接层对p个高值特征向量进行编码和解码，得到q个潜在特征；

5.根据权利要求1所述的基于动态性和稀疏编码的孤独症识别方法，其特征在于，所述特征增强部基于多头注意力机制对q个潜在特征进行处理，使q个潜在特征均值变化小、方差变大，得到q个增强特征。

6.根据权利要求1所述的基于动态性和稀疏编码的孤独症识别方法，其特征在于，所述分类预测部先通过单向lstm对q个增强特征进行特征预测得到预测特征，再通过softmax分类器对预测特征进行二分类，得到概率一、概率二；其中，概率一为第g个待识别病患为正常人的概率；概率二为第g个待识别病患为asd患者的概率；

7.根据权利要求1所述的基于动态性和稀疏编码的孤独症识别方法，其特征在于，所述特征提取模板的构建方法包括以下步骤：

8.根据权利要求1所述的基于动态性和稀疏编码的孤独症识别方法，其特征在于，所述识别模型的训练方法包括以下步骤：

9.根据权利要求8所述的基于动态性和稀疏编码的孤独症识别方法，其特征在于，在s1.2之前，对所述样本数据集进行预处理，剔除所述样本数据集的问题数据；

10.一种基于动态性和稀疏编码的孤独症识别系统，其特征在于，其使用了如权利要求1-9中任一项所述的基于动态性和稀疏编码的孤独症识别方法；

技术总结
本发明涉及孤独症识别技术领域，更具体的，涉及一种基于动态性和稀疏编码的孤独症识别方法及系统。本发明搭建出识别模型，先构建特征提取模板，再训练识别模型得到训练好的识别模型，然后使用训练好的识别模型对G个待识别病患的fMRI脑信号数据进行处理，得到G个识别结果。考虑到孤独症患者和正常人之间的某些特定大脑功能存在差异，本发明构建的识别模型在对fMRI脑信号数据进行特征提取时，选择了具有显著差异的大脑功能连接形成特征选择，并采用特征提取模板提取出F‑score处于前列的特征向量，从而降低后续特征处理量，通过更少的计算获得更好的效率。本发明解决了现有模型效率偏低的问题。

技术研发人员：裴胜兵,吕鹏博,吕钊,张超,范存航,李平
受保护的技术使用者：安徽大学
技术研发日：
技术公布日：2024/1/15