[发明专利]一种基于深度学习的fMRI全脑数据分类方法

说明书

本发明公开了一种基于深度学习的fMRI全脑数据分类方法，包括：(1)获取fMRI数据，进行预处理，获取对应的标签；(2)对fMRI数据进行聚合；(3)分别以正交的x、y、z轴方向对平均三维图像进行切片；(4)将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)对fMRI数据进行处理，将得到的标签作为输入数据进行训练，得到的参数用于fMRI数据分类的混合卷积神经网络模型；(7)对fMRI数据进行处理，将得到的三帧多通道二维图像输入到训练后的混合卷积神经网络模型中进行分类。本发明能有效地提高fMRI数据分类的准确率，同时减少fMRI数据分类模型训练和分类的计算量。

技术领域

本发明涉及数据分类领域，尤其涉及一种基于深度学习的fMRI全脑数据分类方法。

背景技术

功能磁共振成像(fMRI)是一种无创的脑功能活动测量手段，fMRI数据反映了人类大脑的血氧含量情况，目前FMRI已被广泛应用于认知科学、发育科学、精神疾病等领域。

深度学习是机器学习中一种对数据进行表征学习的方法，深度神经网络(DNN)、卷积神经网络(CNN)和递归神经网络(RNN)等深度学习模型已成功应用于计算机视觉、语音识别、自然语言处理等领域。深度学习模型已被用于对fMRI全脑数据的分类，但针对复杂动态的fMRI全脑数据，如何在保持计算量较小的情况下利用深度学习提高分类的准确性，仍然是亟待解决的问题。

发明内容

本发明的目的在于提供一种基于深度学习的fMRI全脑数据分类方法。本发明相较于现有技术，能够更好地学习fMRI全脑特征信息，并同时使用较小的计算量进行模型训练。

本发明的目的能够通过以下技术方案实现：

一种基于深度学习的fMRI全脑数据分类方法，具体步骤包括：

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

(2)对每个试验参与者的fMRI全脑数据进行聚合；

(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全脑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分类标签作为输入数据，输入至混合卷积神经网络中进行模型训练，得到混合卷积神经网络的参数，用于fMRI全脑数据分类的混合卷积神经网络模型；

(7)对获得的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训练后的混合卷积神经网络模型中进行分类。

具体地，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等；所述标签是指试验参与者的属性(如试验参与者的某种动作)，或者试验参与者在试验过程中的行为属性(如试验参与者的某种动作)。

具体地，在步骤(2)中，如果fMRI全脑数据为静息态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。

具体地，在步骤(2)中，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(PSC)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。

更进一步地，每个体素点的平均PSC计算公式为：