一种基于图神经网络的孤独症分类方法

本发明涉及到图神经网络和大脑影像分析领域，具体涉及到一种基于图神经网络的孤独症分类方法。

背景技术：

1、孤独症是一种认知障碍类的发育性疾病，主要是神经发育障碍，主要表现为社交交往和沟通能力的严重缺陷，以及固定重复的行为模式和兴趣。该疾病给个人、家庭、社会带来严重的经济负担和精神压力。且伴随着社会的快节奏生活，孤独症患病率呈现了逐年上升的趋势，目前已经有约1％的儿童患有孤独症，早诊断早发现早治疗可以改善孤独症患病症状。

2、目前基于深度学习的孤独症辅助诊断方法在特征选择上主要可以分为两类，第一类是基于功能网络、生理信号数据或者两者组合；第二种是基于对大脑的状态的研究找出其中核心差异较大的节点作为分类的重要参考节点。在方法的选择上，通常是基于卷积神经网络和图神经网络进算法行训练和分类的。

3、基于卷积神经网络算法的分类方法较为成熟，目前有许多十分成熟的其他领域的卷积方式，可以有效地进行迁移学习，技术较为成熟；基于图神经网络的算法解决了图用欧式空间表达困难的问题。

技术实现思路

1、因此，为了解决上述不足，本发明在此提供一种基于图神经网络的孤独症分类方法，主要是在特征上选取了结构网络和功能网络，相对于只选取功能网络而言，结构网络携带了大脑网络的基础网络特征，功能网络与大脑所实现的功能有关会不断地变化，不同个人在不同时间的功能网络不完全相同，分类方法对特征选取上存在了限制。同时为了解决图用欧式空间表达困难的情况，采用了图神经网络进行分类，同时为了避免权重不可变化的现象，引入了图注意力机制和多头注意力的方式使得能够获得更多特征信息从而实现对数据的分类。

2、本发明是这样实现的，构造一种基于图神经网络的孤独症分类方法，图神经网络的孤独症分类方法可以分为以下步骤：

3、步骤1：对磁共振和核磁共振数据进行预处理，获取图像经过预处理后的灰质序列和时间序列；

4、步骤2：基于大脑灰质序列和bold信号时间序列分别构建每个个体对应的结构网络和功能网络；

5、步骤3：通过结构网络和功能网络构建分类方法的特征输入模块；

6、步骤4：构建分类方法多层图注意力机制的网络层；

7、步骤5：构建全连接的分类模块。

8、根据本发明所述一种基于图神经网络的孤独症分类方法，步骤1具体的预处理流程如下所示：

9、(1)去除初始的时间点数据，这是由于刚开始扫描的过程中设备的不稳定或者被试人群状态不稳定，通常去除10个时间点的数据；

10、(2)时间矫正：数据采集的过程中为了避免信号相互干扰通常会采用隔层扫描进行数据收集，需要重新定义时间顺序组合成完整数据序列；

11、(3)头部矫正：数据采集的过程被试人群可能会无意识的移动头部，会降低采集的数据的质量，需要修正这对数据带来的影响；

12、(4)调整朝向：需要手动调整图像的x、y、z的方向，便于后续数据的处理；

13、(5)配准：采用结构像数据同功能像数据进行映射，提高功能像数据的分辨率；

14、(6)标准化：由于数据的差异性，需要将所有的数据映射到同一个模块空间上便于后续进行一致归一化的处理；

15、(7)去噪：数据采集的过程中，存在机器内部的噪声、人体的呼吸声、心跳的声音等，使数据同真实数据存在差异，需要对数据进行处理。

16、根据本发明所述一种基于图神经网络的孤独症分类方法，步骤2的操作包括：将所有的个体同所有的健康被试混合构建协差结构网络，首先对所有人员的灰质体积序列通过大脑模板all90进行划分，然后计算每一个脑区的灰质密度概率，得到了90个灰质概率密度序列；对于任意两个脑区之间的关系通过皮尔逊系数进行定义，具体计算公式如公式1-1所示；

17、

18、其中ρx,y表示两个脑区之间的线性相关系数，当相关系数的绝对值越接近于1的时候，说明相关性越强，越接近0的时候，相关性越弱；σx和σy分别表示两个脑区序列的方差，e表示对应变量的数学期望值；

19、对于每一个被试构建的功能网络首先通过all90模板对脑区进行划分，然后计算每一对脑区之间的bold信号相关系数作为两个节点之间的关系，计算公式如公式1-2所示；

20、

21、其中wx,y表示脑区x和脑区y时间序列的线性相关系数，取值介于-1到1之间；t表示时间序列的取值个数，xt和yt表示对应脑区在时间点t时刻的血红蛋白对氧合水平，表示的是时间序列x的均值，表示的时间序列y的均值。

22、根据本发明所述一种基于图神经网络的孤独症分类方法，步骤3的操作包括：首先对于图神经网络需要输入两个部分网络和节点特征，本发明采用结构网络作为网络的输入，将功能网络作为节点的特征图进行输入。

23、根据本发明所述一种基于图神经网络的孤独症分类方法，步骤4的操作包括：将特征输入模块获得的邻接矩阵作为注意力层的图的结构输入，获得特征矩阵作为图注意力层的输入特征，其中表示节点i的输入特征，n表示图中节点的数量，f表示节点的特征维度；通过图注意力层的学习后输出更新后的每个节点的特征，其中f'表示更新后的特征的维度；通过自注意力机制(self-attention)融合节点的所有邻居节点的信息来更新该节点的特征；节点i和节点j之间的注意力系数计算如公式1-3所示；

24、

25、其中||表示连接操作，w∈f×f′；对图中信息传播方式引入屏蔽注意力机制(mask attention)，使得节点i只关注与其直接相连的邻居节点集合ni，并不关心完整的图特征，通过局部连接就可以更新该节点的特征；

26、将每个注意力学习到的新的特征进行拼接、平均等操作将会等到更新后的节点的特征；节点i新的特征计算表达式如公式1-4所示；

27、

28、其中||表示连接操作，将每个注意力得到的特征进行拼接，然后对多个注意力的特征求平均值最后更新为节点的特征。

29、根据本发明所述一种基于图神经网络的孤独症分类方法，其特征在于；步骤5的操作包括；初始节点特征在通过图神经网络注意力层后将获得更新后的特征向量将最终更新后的每个节点的特征聚合表征整个图的特征；将获得每个节点的特征采用函数映射的方式转换成该节点的信息，节点i特征映射计算表达式如公式1-5所示；

30、

31、其中wp∈1×f'，则整个图的信息可以表达为p＝(p1,p2,...pn)；由于孤独症人群有的脑区发生了变化，有的并未发生变化，为了关注图中每个节点对网络最后分类做出的贡献，所有的节点应该通过赋予权重的方式聚合节点的信息，权重矩阵计算表达如公式1-6所示；

32、b＝softmax(ap)(1-6)

33、训练过程中本模型的损失函数采用交叉熵损失函数定义，计算公式表示如公式1-7所示；

34、

35、其中m表示为样本的数量，yi表示样本i的标签，当被试i为孤独症人群的时候，取值为1，否则取值为0，ρi表示样本i被预测为孤独症人群的概率。

36、本发明具有如下优点：本发明首先在特征选择的过程中，相对于其他方法只选取功能态数据作为特征，本发明同时选取了结构态和功能态数据，在特征上保留了大脑结构信息，有利于后续模型的分类，同时采取结构和功能态数据可以用结构态数据增强功能态的数据的分辨率，获得更加准确的特征数据；

37、本发明采用了图神经网络算法对孤独症进行分类，大脑网络等不规则的图结构用欧式空间表达较为困难，而图神经网络算法在设计之初就是为了解决不规则的图结构问题；

38、本发明采用了图注意力机制，基础的图神经网络算法无法调整边的权重问题，模型的权重需要事先定义好，而基于注意力机制的算法可以动态的训练边的权重问题，有效的获取每一条边对应的特征信息；

39、本发明采用了多头注意力机制，相对单头注意力机制可以在不改变矩阵大小的情况下学习到多方面的信息，从而提高模型的性能。