[发明专利]一种基于深度学习的fMRI全脑数据分类方法

权利要求书

1.一种基于深度学习的fMRI全脑数据分类方法，其特征在于，具体步骤包括：

(1)获取试验参与者的fMRI数据，对fMRI数据进行预处理，同时获取fMRI数据对应的标签；

(2)对每个试验参与者的fMRI数据进行聚合；

(3)分别以正交的x、y、z轴方向，对聚合后得到的平均三维图像进行切片，得到三组二维图像；

(4)将得到的三组二维图像分别转换为一帧多通道二维图像；

(5)构建用于fMRI数据分类的混合多通道卷积神经网络模型；

(6)将用于模型训练部分的参与者的fMRI数据经过步骤(1)-(4)的处理，将得到的三帧多通道二维图像及其标签作为输入数据，输入至混合多通道卷积神经网络模型中进行模型训练，得到混合多通道卷积神经网络模型的参数，用于fMRI数据分类的混合多通道卷积神经网络模型；

(7)对获得的用于分类部分的参与者的fMRI数据依次进行步骤(1)-(4)的处理，将得到的三帧多通道二维图像输入到步骤(6)中训练后的混合多通道卷积神经网络模型中进行分类。

2.根据权利要求1所述的一种基于深度学习的fMRI全脑数据分类方法，其特征在于，所述步骤(1)中的预处理包括头部移动校正、时间层校正、空间标准化和空间平滑；所述标签是指试验参与者的属性。

3.根据权利要求1所述的一种基于深度学习的fMRI全脑数据分类方法，其特征在于，在步骤(2)中，如果fMRI数据为静息态fMRI数据，则对获得的N帧三维图像(dimX×dimY×dimZ)对应位置的体素点进行算术平均，得到一帧平均三维图像；

如果fMRI全脑数据是任务态fMRI数据，则对试验过程内的N帧三维图像采用信号变化百分比方法，来计算每个体素点在试验过程中相对静息时刻的平均变化值，转换成一帧平均三维图像。

4.根据权利要求3所述的一种基于深度学习的fMRI全脑数据分类方法，其特征在于，每个体素点的平均信号变化百分比的计算公式为：

其中，N表示试验过程中三维图像的帧数，y_i表示体素点在第i帧图像的值，表示体素点在静息时刻的平均值，静息时刻选择试验参与者在无试验刺激的休息阶段，p表示计算得到该体素点的平均变化值；

其中所述三维图像的大小为x轴为dimX，y轴为dimY，z轴为dimZ；所述试验过程中的N帧三维图像具有相同的标签。

5.根据权利要求1所述的一种基于深度学习的fMRI全脑数据分类方法，其特征在于，在步骤(3)中对平均三维图像进行切片的具体操作为：沿x轴方向对x轴上每个单位长度进行切片，得到dimX张在y-z平面上的二维图像，每张的大小为dimY×dimZ；沿y轴方向对y轴上每个单位长度进行切片，得到dimY张在x-z平面上的二维图像，每张的大小为dimX×dimZ；沿z轴方向对z轴上每个单位长度进行切片，得到dimZ张在x-y平面上的二维图像，每张的大小为dimX×dimY；以相同平面上的二维图像为一组，最终一共得到三组二维图像。

6.根据权利要求1所述的一种基于深度学习的fMRI全脑数据分类方法，其特征在于，所述步骤(4)具体为：根据卷积神经网络中通道的概念，对于dimX张y-z平面上的二维图像，将每一个切片位置的二维图像当作一个通道，转换成一帧能够输入进卷积神经网络的有dimX个通道的二维图像；对于dimY张x-z平面上的二维图像，将每一个切片位置的二维图像当作一个通道，转换成一帧能够输入进卷积神经网络的有dimY个通道的二维图像；对于dimZ张x-y平面上的二维图像，同样将每一个切片位置的二维图像当作一个通道，转换成一帧能够输入进卷积神经网络的有dimZ个通道的二维图像。