[发明专利]基于可微神经结构搜索的大脑时-空网络分解方法及系统

说明书

本发明公开一种基于可微神经结构搜索的大脑时‑空网络分解方法及系统，方法包括：根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵；根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构；引入早停机制，根据所述最优细胞结构确定最终细胞结构；根据所述最终细胞结构对大脑时‑空网络进行分解，获得时间动态特征和空间网络特征。本发明先将RNN层细胞结构中的内部节点引入到可微的连续搜索空间中进行搜索更新，引入早停机制构建最终细胞结构，并根据所述最终细胞结构对大脑时‑空网络进行最优分解，从而有助于后续对脑疾病的精准医疗、风险智能预测、以及个性化教育提供依据。

技术领域

本发明涉及人工智能大脑网络分解技术领域，特别是涉及一种基于可微神经结构搜索的大脑时-空网络分解方法及系统。

背景技术

大脑功能网络是研究大脑认知及思维过程的重要依据，能够为智慧教育、精准医疗等领域提供重要支持。循环神经网络(recurrent neural network,RNN)由于对时间维度的刻画具有天然的优势，因此已被广泛应用于脑网络的动态分析中。然而，受到当前算法模型本身结构的限制，目前针对大脑网络的分析研究非常依赖于具体独立任务的先验知识，无法对特定领域的所有场景进行泛化地刻画分析，如：不同的认知任务、不同的个体等。因此，引入更具有泛化能力的模型框架，摒弃完全依赖于人工设计的网络模型，能够为大脑网络的个性化综合分析提供更加全面的技术框架。神经网络结构搜索(neural architecturesearch，NAS)受大脑本身泛化能力的启发，能够为更加精准地实现基于时-空共变特性的脑网络分析提供技术支持。

目前，在搜索策略上，NAS模型主要基于强化学习(reinforce learning，RL)和进化算法(evolutional algorithms，EA)。对于基于强化学习的NAS模型，每次生成新的网络结构都会被看作是智能体(agent)与环境交互的动作(action)，并从环境中获得回馈，强化学习的目标就是让回馈最大化。对于基于进化算法的NAS模型，受到生物种群进化的启发，通过选择、重组和变异这三种操作实现优化问题求解。然而，以上算法主要集中于对模型整体结构的离散域空间搜索，如整体模型的深度、宽度等，其模型更容易受到扩展性的限制。因此，为了破除扩展性限制，基于连续域空间对模型内部的细胞结构进行搜索更具优势。可微体系结构搜索框架(Differentiable ARchiTecture Search，DARTS)作为一种能够在连续空间域进行优化搜索的方法，可以发现具有复杂图形拓扑的高性能结构，能够为大脑网络的刻画提供帮助。

而对于大脑功能网络，不仅在时间维度存在着动态变化特性，且在空间维度上存在脑区协同特性，同时还存在着时-空共变特性。因此，受大脑功能网络时-空综合特征的启发，从时-空共变角度来探究大脑网络，将能够更加完善地为大脑信息的挖掘提供帮助，进而为脑计划的推进提供依据。随着神经影像技术的发展，功能磁共振成像(functionalMagnetic Resonance Imaging,fMRI)由于同时具备较好的时间分辨率和空间分辨率，已经被广泛应用于大脑功能的刻画中，能够作为大脑时-空网络分解的重要数据支持。然而，以上可微的神经网络结构搜索框架具有两个缺陷：1、仅考虑了时间维度上的数据分析，忽略了空间维度和时-空交互信息的挖掘，因此无法达到自适应地对针对时-空网络分解的RNN细胞结构进行最优搜索；2、上述搜索框架具有崩溃问题(collapse issue)，将会导致细胞结构过浅，从而造成表现力差的问题。

发明内容

基于此，本发明的目的是提供一种基于可微神经结构搜索的大脑时-空网络分解方法及系统，以实现对大脑四维时-空网络的最优分解。

为实现上述目的，本发明提供了一种基于可微神经结构搜索的大脑时-空网络分解方法，所述方法包括：

步骤S1：基于HCP数据集的七个认知任务构建大脑原始数据矩阵；