[发明专利]一种基于边缘驱动图神经网络的人类表征预测方法及装置

权利要求书

1.一种基于边缘驱动图神经网络的人类表征预测方法，其特征在于，该方法包括如下步骤：

步骤一，获取大脑功能磁共振图像数据，对其进行预处理后配准至标准空间；

步骤二，对配准至标准空间的大脑功能磁共振图像数据在时间维度进行处理，得到包含大脑网络拓扑信息的功能连接矩阵；

步骤三，将功能连接矩阵节点值初始化为1，连同人类表征标签一并送入图神经网络，该图神经网络为边缘驱动图神经网络；

步骤四，对图神经网络的每个中间层进行节点值更新计算，包括图卷积计算、张量积计算和特征转换激活；

步骤4.1对图神经网络第K个中间层中的功能连接矩阵A_n×n(n表示节点个数)和传播系数(m为卷积核数量)进行图卷积计算得到权重共享矩阵

步骤4.2将权重共享矩阵与第k-1个中间层的节点值矩阵相乘，得到第K个中间层的权重共享张量积

步骤4.3将权重共享张量积通过特征转换参数进行特征转换并送入激活函数得到第k个中间层输出的节点值：式中σ()为激活函数；

步骤五，将步骤四得到的每一个中间层输出的节点值进行拼接得到全连接层，然后通过线性模型对当前得到的节点数据及对应的人类表征标签进行分类或回归预测得到预测结果。

2.如权利要求1所述的基于边缘驱动图神经网络的人类表征预测方法，其特征在于，所述步骤一中，预处理包括空间预处理、时间预处理和噪声去除；

所述空间预处理包括空间伪影去除、与结构图像配准以及与标准空间的对齐；

所述空间伪影去除，是去除异常陡峭的峰波(Spike)或缓慢的偏倚(Drift)；与结构图像配准，是将低分辨率的功能图像上的点定位在高分辨率的结构图像上以便进行更细节的数据分析；所述标准空间对齐是通过拉伸、压缩以及卷绕使扫描得到的大脑与标准大脑模板一致，以便进行数据分析，该标准大脑模板为CIFTI灰度坐标空间；

所述时间预处理通过高通时间滤波去除低频伪影；

所述噪声去除是通过自动去噪ICA-FIX算法处理数据以去除噪声成分，噪声成分包括功能磁共振图像扫描时头部运动和扫描仪伪影带来的数据噪声。

3.如权利要求1所述的基于边缘驱动图神经网络的人类表征预测方法，其特征在于，所述步骤二中，时间维度进行处理是指对包含大脑网络拓扑信息的大脑功能磁共振图像数据中每个脑区所有节点的时间序列降维、方差归一化并沿时间轴依次拼接，形成功能连接矩阵。

4.如权利要求1所述的基于边缘驱动图神经网络的人类表征预测方法，其特征在于，所述步骤三中，边缘驱动图神经网络包括输入层、多个中间层、多个中间层节点值更新计算模块、输出层和线性模型。

5.如权利要求1所述的基于边缘驱动图神经网络的人类表征预测方法，其特征在于，所述步骤4.3具体包括：

步骤4.3.1对第k个中间层计算得到的权重共享张量积通过特征转换参数将m维的节点特征转换为n维的新特征

步骤4.3.2将特征转换后的新特征送入激活函数，即可得到第k个中间层的输出的节点值：式中σ()为激活函数，也即第k+1层输入的节点值；激活函数视人类表征的不同及对应任务的不同，所述激活函数为relu、LeakyRelu或sigmoid激活函数。

6.如权利要求1所述的基于边缘驱动图神经网络的人类表征预测方法，其特征在于，所述人类表征包括：流体智力、晶体智力、工作记忆、性别和年龄。