[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

说明书

本发明提供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，首先获取大脑磁共振图像数据，对其进行预处理得到包含大脑网络拓扑信息的功能连接矩阵；将得到的功能连接矩阵节点值初始化为1，并送入边缘驱动图神经网络；对图神经网络的每个中间层进行图卷积计算，以获得权重共享矩阵；将得到的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；将得到的每一个中间层输出的节点值进行拼接，然后通过线性模型对人类表征进行分类或回归预测。本发明保留了脑连接网络的拓扑学特性，还能够精准捕获大脑连接网络信息流传播的方向，对人类表征进行分类或回归预测。

技术领域

本发明属于生物信息识别技术领域，具体涉及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。

背景技术

如何从脑影像数据中发现探究大脑连接网络与人类表征间的关系及其背后的生物学的知识及规律并加以利用,正成为当今生物信息领域理论与实践研究的难点与热点。基于脑影像数据的人类表征及其脑机制的关联研究，已经成为神经工程和人工智能领域的热门课题。随着神经影像学技术的发展，脑网络组图谱学的建立，可以使用生物学影像数据来对各种人类表征的神经机制进行探索。机器学习技术的进步为基于脑影像的人类表征研究提供了可用的技术方法。大脑连接网络反应人类表征背后的认知信息流的变化，各种研究都利用脑连接网络来预测人类表征的个体差异。然而，传统的方法将脑连通性网络看作是一个一维矢量，忽略了脑连接网络的拓扑学特性，不仅会损失原始脑连接网络中的其他信息，而且难以充分地利用大脑拓扑结构信息。而以节点特征转换为参数的节点驱动的图神经网络无法精准捕捉到大脑连接网络信息流传播过程中信息传播。

发明内容

针对现有技术中的缺陷和不足，本发明提供了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，该方法能改善利用脑连接网络预测人类表征过程中缺乏大脑拓扑结构信息、无法精准捕捉脑网络传播过程中的信息流问题。

为达到上述目的，本发明采取如下的技术方案：

一种基于边缘驱动图神经网络的人类表征预测方法，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。

本发明还包括如下技术特征：

可选地，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；