[发明专利]脑网络模型建立方法、脑图像分类方法、装置及电子设备

权利要求书

1.一种脑网络模型建立方法，其特征在于，所述方法包括：

获取目标时间序列和目标拓扑结构；

基于预设正则化参数和所述目标时间序列建立时间模型；

基于所述目标拓扑结构建立空间模型；

根据所述时间模型和所述空间模型完成建立脑网络模型。

2.根据权利要求1所述的方法，其特征在于，所述目标时间序列包括多个子时间序列，每个所述子时间序列即是一个时间点，每个所述时间点对应一个脑区域；

所述基于预设的正则化参数和所述目标时间序列建立时间模型的步骤包括：

基于预设的正则化参数和所述目标时间序列，采用时间模型建立公式建立时间模型，所述时间模型建立公式为：

其中，W为预设的权重矩阵，λ和μ均为预设的正则化参数，t为所述时间点，N为所述脑区域的数量，T为所述时间点的数量，p_t为第一预设参数，X为脑区域矩阵；t＝{1，2，...，T}，i＝{1，2，...，N}。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据所述时间模型查找所述目标时间序列中不合格的时间点；

去除所述目标时间序列中不合格的时间点所在的子时间序列，得到更新后的目标时间序列；

基于更新后的所述目标时间序列对所述时间模型进行更新。

4.根据权利要求3所述的方法，其特征在于，所述根据所述时间模型查找所述目标时间序列中不合格的时间点的步骤，包括：

如果p_t＝0，确定第t个时间点为所述目标时间序列中不合格的时间点。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

统计查找到的所述不合格的时间点的数量；

基于所述不合格的时间点的数量调整所述时间模型建立公式中的正则化参数。

6.根据权利要求1所述的方法，其特征在于，所述目标拓扑结构中包括多个网络节点，不同所述网络节点之间通过纤维束相连；其中，每个所述网络节点对应一个脑区域；

所述基于所述目标拓扑结构建立空间模型的步骤包括：

获取不同所述网络节点之间的连接权重；

获取相邻的所述脑区域之间的间隔表面积；

基于所述连接权重、所述纤维束的数量和所述间隔表面积，采用空间模型建立公式建立空间模型，所述空间模型建立公式为：

其中，i，j∈N＝{1，2，...，90}，n(f)为所述纤维束的数量，a_i和a_j均为所述间隔表面积，为所述连接权重的误差。

7.一种脑图像分类方法，其特征在于，所述方法包括：

获取待处理的脑图像数据；

对所述脑图像数据进行预处理，得到目标时间序列和目标拓扑结构；

基于所述目标时间序列和所述目标拓扑结构，采用如权利要求1至6任一项所述的方法建立脑网络模型；

采用所述脑网络模型提取所述脑图像数据中的特征信息，并按照预设类型对所述特征信息进行分类，得到所述脑图像数据的分类结果。

8.根据权利要求7所述的方法，其特征在于，所述对所述脑图像数据进行预处理，得到目标时间序列和目标拓扑结构的步骤包括：

将所述脑图像数据划分为多个脑区域，每个所述脑图像对应一个时间点和一个网络节点；

基于所述时间点确定所述目标时间序列；

基于所述网络节点确定所述目标拓扑结构。

9.根据权利要求7所述的方法，其特征在于，所述采用所述脑网络模型提取所述脑图像数据中的特征信息的步骤，包括：

采用所述脑网络模型对所述脑图像数据进行多模态机器学习，得到所述脑图像数据中的特征信息。

10.根据权利要求9所述的方法，其特征在于，所述采用所述脑网络模型对所述脑图像数据进行多模态机器学习，得到所述脑图像数据中的特征信息的步骤，包括：

采用所述脑网络模型确定所述脑图像数据对应的目标函数；

基于所述目标函数提取所述脑图像数据中的特征信息；

其中，所述目标函数为：

其中，W为预设的系数矩阵，σ_i(W)为W的第i个奇异值，γ为第二预设参数，X_i为脑网络模型集合，y_i为预设的标签向量，w_i为预设的系数向量，k为脑网络模型中子模型的数量，d为所述特征信息的维度。