[发明专利]一种基于社区检测和双路自编码的脑网络分类方法

权利要求书

1.一种基于社区检测和双路自编码的脑网络分类方法，其特征在于：包括以下步骤：

(1)采集人脑的结构模态数据DTI和功能模态数据fMRI。

(2)根据DTI数据构建结构模态脑网络W_s，根据fMRI数据构建功能模态脑网络W_f。

(3)采用结构模态数据指导功能模态数据的方法，检测出脑网络中潜在社区结构。

(4)根据检测出的社区结构，重新调整结构脑网络和功能脑网络中节点的排列顺序，使其能够保留网络中的模块化信息，并适应后续的矩阵卷积核。

(5)设计一个带注意力机制的双路自编码模型，将节点重排序之后的结构网络和功能网络分别送入各自的自编码通道中，以提取出高阶的非线性重要信息，用隐层表示。

(6)综合利用结构模态和功能模态的隐层信息，来完成脑网络分类任务。

2.根据权利要求1所述的基于社区检测和双路自编码的脑网络分类方法，其特征在于：所述步骤(2)构建结构模态网络和功能模态网络的具体方法为：

对于功能模态数据，计算两两脑区之间血液信号的皮尔逊相似度，再经过正则化，即可得到功能脑网络W_f。对于结构模态数据DTI，需要提出每两个脑区之间的物理纤维数量的多少，构建得到结构脑网络W_s。

3.根据权利要求1所述的基于社区检测和双路自编码的脑网络分类方法，其特征在于：所述步骤(3)结构模态网络指导功能模态网络，来检测脑网络中社区结构的具体方法为：

利用谱聚类方法，找到结构脑网络上一个合适的社区划分规则，利用这个规则将结构网络划分为若干个子图，使得子图内的节点权重和高，子图间的节点权重和低。然后，再将这个子图划分的规则用到功能脑网络上，找出功能脑网络的社区结构。由于在社区检测过程中，有很多的参数，而使用不同的参数会得到不同的子图划分结构，所以，我们将步骤3和之后的双路自编码分类模型联合训练参数，以得到一个能够提高分类精度的最好的社区划分规则。同时，这个规则是综合考虑结构模态和功能模态网络信息的，而不是仅仅依赖于结构模态网络。假设利用谱聚类方法将脑网络划分为k个不相交的社区：A₁，A₂，...，A_k。定义其中任意两个子图A和B之间的权重为：W(A，B)＝∑_{i∈A，j∈B}w_ij。那么对于其中k个子图点的集合，有其中是A_i的补集。由于我们使用谱聚类划分社区的原则是使得子图内的节点权重和高，子图间的节点权重和低。因此，优化目标为：

通过求解这个目标函数，可以得到一组子图划分的规则，也即社区划分的规则。

4.根据权利要求1所述的基于社区检测和双路自编码的脑网络分类方法，其特征在于：所述步骤(4)根据社区结构，调整脑网络中节点排序顺序的具体方法为：

将属于同一个社区的网络节点放置在脑网络中的相邻位置，而属于不同社区内的节点分开放置。对于结构脑网络和功能脑网络都采用同样的方法。调整之后，脑网络具有近似块对角的性质。一个对角块对应于一个社区，对角块上分布的是社区内高度密集连接的节点，而非对角块上分布的是网络中与其它节点连接性较低的节点。经过调整之后的结构脑网络表示为W′_s，经过调整之后的功能脑网络表示为W′_f。为方便后续的叙述，用W^(s)代替W′_s，用W^(f)代替W′_f。