[发明专利]一种自闭症谱系障碍的自动判别系统、存储介质及设备

权利要求书

1.一种自闭症谱系障碍的自动判别系统，其特征在于，包括：

脑连接特征提取模块，其用于从被试的多模态磁共振影像中提取功能连接及脑白质连接图谱，作为脑连接特征；所述多模态磁共振影像包括sMRI图像、fMRI图像和dMRI图像；

特征选择及降维模块，其用于对脑连接特征进行稀疏选择及非线性降维；利用L1范数正则化对脑连接特征进行稀疏选择，利用t-SNE算法进行非线性降维；

遗传数据特征提取模块，其用于基于被试的全基因组测序数据及单核苷酸多态性进行质量筛选，利用基因约束最大似然法提取遗传数据特征；其中，所述遗传数据特征包括两个特征，第一个特征为遗传度，第二个特征为脑白质连接或功能连接与自闭症的行为分数的遗传相关性；

特征融合模块，其用于利用典型相关分析方法融合选择及降维后的脑连接特征和遗传数据特征；包括利用典型相关分析将获取的不同的特征矢量进行融合，进而实现最优特征集合；特征矢量包括脑白质连接特征矢量、脑功能连接特征矢量、基于脑白质连接的遗传度特征矢量、基于脑功能连接的遗传度特征矢量、脑白质连接与自闭症行为分数的遗传相关特征矢量及脑功能连接与自闭症行为分数的遗传相关特征矢量；

分类决策模块，其用于将融合后特征输入至决策模型中，判别出是否属于自闭症谱系障碍类别；所述决策模型由若干基分类器组合而成，每个基分类器对应输入的特征向量，得到测试样本的基分类器的预测概率输出值，并作为下一级的逻辑回归模型的输入，进行训练决策模型。

2.如权利要求1所述的自闭症谱系障碍的自动判别系统，其特征在于，所述基分类器包括SVM、RF及BP网络。

3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如下步骤：

从被试的多模态磁共振影像中提取功能连接及脑白质连接图谱，作为脑连接特征；所述多模态磁共振影像包括sMRI图像、fMRI图像和dMRI图像；

对脑连接特征进行稀疏选择及非线性降维；利用L1范数正则化对脑连接特征进行稀疏选择，利用t-SNE算法进行非线性降维；

基于被试的全基因组测序数据及单核苷酸多态性进行质量筛选，利用基因约束最大似然法提取遗传数据特征；其中，所述遗传数据特征包括两个特征，第一个特征为遗传度，第二个特征为脑白质连接或功能连接与自闭症的行为分数的遗传相关性；

利用典型相关分析方法融合选择及降维后的脑连接特征和遗传数据特征；包括利用典型相关分析将获取的不同的特征矢量进行融合，进而实现最优特征集合；特征矢量包括脑白质连接特征矢量、脑功能连接特征矢量、基于脑白质连接的遗传度特征矢量、基于脑功能连接的遗传度特征矢量、脑白质连接与自闭症行为分数的遗传相关特征矢量及脑功能连接与自闭症行为分数的遗传相关特征矢量；

将融合后特征输入至决策模型中，判别出是否属于自闭症谱系障碍类别；所述决策模型由若干基分类器组合而成，每个基分类器对应输入的特征向量，得到测试样本的基分类器的预测概率输出值，并作为下一级的逻辑回归模型的输入，进行训练决策模型。

4.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如下步骤：

从被试的多模态磁共振影像中提取功能连接及脑白质连接图谱，作为脑连接特征；所述多模态磁共振影像包括sMRI图像、fMRI图像和dMRI图像；

对脑连接特征进行稀疏选择及非线性降维；利用L1范数正则化对脑连接特征进行稀疏选择，利用t-SNE算法进行非线性降维；

基于被试的全基因组测序数据及单核苷酸多态性进行质量筛选，利用基因约束最大似然法提取遗传数据特征；其中，所述遗传数据特征包括两个特征，第一个特征为遗传度，第二个特征为脑白质连接或功能连接与自闭症的行为分数的遗传相关性；

利用典型相关分析方法融合选择及降维后的脑连接特征和遗传数据特征；包括利用典型相关分析将获取的不同的特征矢量进行融合，进而实现最优特征集合；特征矢量包括脑白质连接特征矢量、脑功能连接特征矢量、基于脑白质连接的遗传度特征矢量、基于脑功能连接的遗传度特征矢量、脑白质连接与自闭症行为分数的遗传相关特征矢量及脑功能连接与自闭症行为分数的遗传相关特征矢量；

将融合后特征输入至决策模型中，判别出是否属于自闭症谱系障碍类别；所述决策模型由若干基分类器组合而成，每个基分类器对应输入的特征向量，得到测试样本的基分类器的预测概率输出值，并作为下一级的逻辑回归模型的输入，进行训练决策模型。