[发明专利]基于人脑特征图谱的脑活动状态识别方法

说明书

本发明公开了基于人脑特征图谱的脑活动状态识别方法，包含以下步骤：对人脑功能磁共振信号提取多种人脑功能特征图谱，形成多视角脑活动特征描述集；基于多通道三维卷积神经网络模型与多视角脑活动特征描述集生成融合型多视角脑特征图谱集；基于融合型多视角脑特征图谱集，训练三维全连接深度神经网络模型，获得脑状态分类模型并对测试样本分类。本发明通过提取功能磁共振信号的多种脑功能特征图谱，获得功能磁共振混合信号的多视角脑活动特征描述集，进而训练多通道三维卷积神经网络模型生成有效的融合型多视角脑特征图谱集，最后训练三维全连接深度神经网络脑状态分类模型对新样本进行识别，从而达到精确识别脑状态的目的。

技术领域

本发明涉及一种基于功能磁共振成像技术的人脑功能活动状态分类方法，尤其是一种基于人脑特征图谱的脑活动状态分类方法。

背景技术

功能磁共振成像技术兴起于20世纪90年代，为传统的磁共振技术从单一的形态结构研究到与功能相结合的系统研究提供强有力的技术支持，同时也为神经认知研究、精神心理疾病及脑科疾病预防与诊断等提供了技术保障。基于功能磁共振成像技术的脑状态分类往往依据如下假设：1.功能磁共振成像技术能够记录不同时刻下的大脑活动；2.不同脑状态往往会产生不同的脑活动。然而，由于人脑结构本身的复杂性与人脑功能活动的复杂性，准确地推断大脑活动状态是具有挑战的。对于以上问题的研究，采用监督分类模型，即首先采集已知状态下的某些大脑活动信号，再依据已知状态下大脑活动信号统计学习出关于脑活动的有效分类模型。然而，如何提取出不同状态下的具有较强辨识能力的功能特征，并构建高精度分类器还亟需进一步研究与发展。因此，本发明提供了一种基于人脑特征图谱的脑活动状态分类，能够根据大脑活动信号精确地识别出脑状态。

发明内容

本发明的目的在于依据功能磁共振成像技术提供一种有效的人脑活动状态分类方法。基于不同脑状态的功能磁共振训练数据集，首先提取训练数据集中各名被试的多种脑功能特征图谱，形成各个脑状态的多视角脑活动特征描述集，进而采用三维卷积神经网络对多视角脑活动特征描述集中各个视角脑功能特征图谱进行学习与融合，获取该视角下某状态较为优异脑活动特征描述，再采用全连接深度神经网络对融合后的多视角脑活动特征进行分类模型训练，确定脑状态分类模型参数，最终实现对某被试脑状态的精确分类。

为实现上述目的，本发明提供一种基于功能磁共振成像技术的人脑功能活动状态分类，为方便描述，首先对本发明中特异名词作如下定义：

多视角脑活动特征描述集：

多视角脑活动特征描述集在本发明中指：基于当前国内外学者研究证明的多种有效脑特征图谱，从某被试的脑功能磁共振信号中提取出不同视角下的脑功能特征图谱，形成多视角脑活动特征描述集，来近似描述该被试的脑活动状态。

其次，本方法包含以下步骤：

步骤1、多视角脑活动特征描述集的形成过程：对训练集中不同状态对照组下的每个被试的脑功能磁共振信号计算其ReHo图谱、ALFF图谱、fALFF图谱、BE图谱以及DC图谱等；进一步，按照脑特征图谱视角，将训练集中所有被试的人脑功能特征图谱进行分类，便得到关于各状态对照组下的不同视角下脑活动特征描述集。

步骤2、多通道三维卷积神经网络生成融合型多视角脑特征图谱集：依据步骤1中得到的各状态多视角脑活动特征描述集，结合所给定状态与多被试同种视角下的特征图谱，提出了多通道三维卷积神经网络模型来生成各状态下融合型多视角脑特征图谱集。

步骤3、基于三维深度神经网络的脑状态分类模型及过程：基于步骤2中所获得的融合型多视角脑特征图谱集，首先基于来自训练样本集的融合型多视角脑特征图谱集对三维深度神经网络脑状态分类模型进行训练与验证，获取稳定的脑状态分类模型；其次，参照步骤1形成关于某待测被试的多视角脑活动特征描述集，采用三维深度神经网络脑状态分类模型对其进行分类。