[发明专利]一种基于深度森林的脑功能网络分类方法

说明书

一种基于深度森林的脑功能网络分类方法，属于非神经网络深度学习理论与应用研究领域。具体包括以下步骤：参数初始化，多粒度扫描生成多粒度的串接特征向量，生成级联森林结构提取高级特征以及最终计算预测结果。该方法将深度学习和集成学习相结合使其既具有深度模型强大的特征学习能力又有集成学习强大的泛化能力，在面对高维小样本的脑网络数据时，实现快速、准确的脑功能网络分类，具有超参少、训练时间短，模型泛化能力强等优势，可以有效缓解以往脑功能网络分类面临的过拟合问题。

技术领域

本发明属于非神经网络深度学习理论与应用研究领域，具体来说，是涉及一种基于深度森林的脑功能网络分类方法。

背景技术

人脑连接组研究试图从多层次建立刻画不同活体人脑功能、结构的脑网络组图谱,并挖掘神经精神疾病与脑网络异常拓扑变化的相关规律。该研究不仅能为神经、精神疾病病理机制的理解提供新视角,而且还能为这些疾病的早期诊断和治疗评价提供新的生物标记物。

脑网络是一种由节点和边构成的图模型，其中节点通常被定义为神经元、神经集群或感兴趣区域(ROI)，边对应着它们之间的连接模式。脑网络数据通常是用邻接矩阵的形式表示的，其中每一行(列)对应一个节点，每一元素代表相应位置对应节点对的连接边。脑网络一般分为结构性连接和功能性连接两类网络，前者用于表示不同节点之间医学结构上的连接模式，后者用于刻画不同节点间功能上的关联模式。脑网络分类是指通过对人脑网络数据的特征挖掘与分析来判断被试归属健康人还是某种疾病患者的技术，对于了解人脑网络中重要的连接模式和整合特征，理解脑疾病的发病机理，进而进行脑疾病的早期诊断以及治疗手段的研究具有重要的意义，因此成为人脑连接组研究中的一项重要课题。

近十年，许多传统的机器学习方法和模型，如支持向量机、线性判别分析、逻辑回归等，都被应用于脑网络分析以挖掘网络连接特征，进而实现脑疾病患者与健康人的分类和治疗效果的预测。不过，这些方法只能提取浅层的低级特征，对于脑网络分类来说其判别能力往往存在明显不足。伴随深度学习模型在图像、视频、语音等领域上的巨大突破，能够自动学习深层特征的神经网络深度模型在近几年也开始应用于脑网络的分类，并形成了该领域的一个前沿热点。其中，多数研究集中在基于全连接神经网络的脑网络分类和基于卷积神经网络的脑网络分类两类方法，由于可以提取深层特征，故其在脑网络分类问题上一经应用就已显现出巨大潜力。但是该类方法训练参数多、超参调节困难、在面对高维小样本的脑网络数据时容易出现过拟合等缺陷是束缚其进一步发展和更广泛应用的主要瓶颈。

发明内容

本发明针对上述脑网络分类所面临的挑战，提出了一种基于深度森林的脑功能网络分类方法可以大大减少模型的超参数和训练时间，并且通过充分利用深度模型的特征学习能力和集成学习的泛化能力，在面对高维小样本的脑网络数据时，实现快速、准确的脑功能网络分类。

本发明为了实现上述的目的，采用的技术方案是：将深度森林这种新的分类模型应用于脑功能网络分类领域，来降低脑网络数据小高维、样本、多噪声对分类模型分类性能的影响。

一种基于深度森林的脑功能网络分类方法，其特征在于，在计算机上依次按照以下步骤实现：

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。多粒度扫描的参数包括粒度数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。