[发明专利]一种基于深度森林的脑功能网络分类方法

权利要求书

1.一种基于深度森林的脑功能网络分类方法，其特征在于，包括以下步骤：

步骤(1)：初始化参数：包括多粒度扫描相关的参数和级联森林结构相关的参数；

步骤(2)多粒度扫描的特征转换机制实现原始输入的特征再表达；

步骤(3)：级联森林结构逐层提取特征：级联森林结构由多层森林级联串接而成，每一层由多个随机森林模型构成，其模型训练的主要步骤如下：

步骤(3.1)：逐层构建随机森林结构，每一层的随机森林处理一个粒度的串接特征向量，从第2层森林起除了将多粒度扫描获取的串接特征向量作为输入外还串接来自上一层森林的输出结果作为输入；

步骤(3.2)：根据步骤(3.1)的输出结果进行准确率计算，如果其准确率满足用户要求或新扩展的层级不再能提高预测准确率则结束级联森林结构的层级扩展，进入步骤(4)；否则根据步骤(3.1)继续扩展级联森林；

步骤(4)取最后一层级联森林结构的输出结果作为最终预测结果。

2.根据权利要求1所述的一种基于深度森林的脑功能网络分类方法，其特征在于，步骤1中所述的多粒度扫描相关的参数包括粒度数k、每个粒度对应的窗口大小m、森林的种类MC、森林的个数MN、每个森林内包含的树的个数MT和每个森林内树的最大深度MD；级联森林结构的相关参数包括每层森林的种类CC、森林的个数CN、每个森林内包含的树的个数CT、每个森林内树的最大深度CD、级联森林结构的最大扩展层级CL和层级扩展的结束条件CS。

3.根据权利要求1所述的一种基于深度森林的脑功能网络分类方法，其特征在于，步骤2具体包括：

(1)利用AAL脑区模板进行脑区划分，计算方法度量脑区的神经活动信号之间的统计关系相关性，获得脑功能网络的邻接矩阵作为基于深度森林的脑网络分类方法的原始输入；

(2)根据用户设置的窗口大小，滑动扫描原始矩阵以获得原始矩阵的局部特征向量；

(3)将滑动扫描获得的局部特征向量作为随机森林的输入进行训练，将随机森林的输出结果串接形成邻接矩阵的串接特征向量，作为原始输入的一种特征表达形式；

(4)可设置不同粒度的窗口，将原始输入矩阵转换为多种串接特征向量即多种特征表达形式。

4.根据权利要求3所述的一种基于深度森林的脑功能网络分类方法，其特征在于，度量脑区的神经活动信号之间的统计关系相关性的计算方法为：皮尔森相关、偏相关、同步似然性方法。