[发明专利]一种基于多时间尺度的孤独症功能磁共振信号分类方法

权利要求书

1.一种基于多时间尺度的孤独症功能磁共振信号分类方法，其特征在于，按下列步骤实施：

步骤一，将采集所得功能磁共振图像进行预处理；

步骤二，使用LASSO对预处理后每个被试脑区的每个ROI功能磁共振数据构建大脑连接网络，对连接矩阵进行特征递归消除得到分类特征；

步骤三，针对每个ROI序列，分别使用ASD患者、健康对照组以及所有被试共同训练HMM模型，求出每个脑区的似然值，将三种模型下计算出的似然值组合起来作为特征；

步骤四，针对每个脑区序列，使用所有被试训练LSTM自编码器，分别以各脑区编码结果作为特征值对ASD和健康被试进行分类，选择分类准确率最高的脑区特征；

步骤五，将步骤二所述分类特征、步骤三所述脑区似然值和步骤四所述脑区特征组合起来，以此融合特征作为输入，使用一维卷积神经网络实现对功能磁共振信号的分类。

2.如权利要求1所述的方法，其特征在于，步骤一中所述的预处理使用C-PAC对数据进行处理，具体包括：

步骤101：对采集功能磁共振图像同时所采集的T1图像加权结构项数据进行去头皮处理和组织分割，将大脑组织分割为灰质、白质和脑脊液三部分；

步骤102：对功能磁共振图像进行大脑组织掩模处理，将得到的掩模与每个时间点的功能磁共振图像矩阵对应位置相乘，去除脑组织之外的其他结构；

步骤103：对功能磁共振图像进行带通滤波，去除大脑低频活动范围之外的噪声信号；

步骤104：将功能磁共振图像分别与T1图像的灰质、白质和脑脊液部分配准，再将功能磁共振图像配准到MNI152标准模板上；

步骤105：使用CC200模板将步骤104中配准好的功能磁共振图像在皮层中划分为200个ROI，计算每个ROI中体素的平均值，为每个被试建立一个200维的向量序列。

3.如权利要求1所述的方法，其特征在于，步骤二中，使用LASSO构建大脑网络、提取特征步骤为：

步骤201：将每个参与者的200个时间序列设为[f₁，f₂，…，f_d，…，f₂₀₀]，每个fd都由N个时间点的数据组成；

步骤202：基于LASSO构建稀疏连接矩阵，公式如下：

式中，β_i表示第i个ROI与其他ROI之间的相关系数向量，且β_ii等于零，|β_i|₁为β_i的L1范数，|f_i-∑_j≠iβ_ijf_j|₂为(f_i-∑_j≠iβ_ijf_j)的L2范数；

步骤203：解的稀疏程度与λ有关，通过交叉验证法确定λ的最优值，构建稀疏脑网络，得到连接矩阵；

步骤204：采用特征递归消除选择其中重要的特征作为分类特征，得到所需要的特征数。

4.如权利要求1所述的方法，其特征在于，步骤三中，HMM训练模型、提取特征步骤为：

步骤301：对于每个被试的提取到的200个脑区的时间序列，进行标准化和中心化处理；

步骤302：通过如下概率模型表示HMM模型：

其中，Y_p(t)代表所有被试第p个脑区的时间序列，I为观测对应的因状态序列，要求解的隐马尔可夫模型参数λ＝(A，B，π)，A为因状态之间的概率转移矩阵，B为观测概率矩阵，π为初始状态概率向量；

步骤302：对于每个ROI，使用所有ASD患者数据训练HMM，通过最大期望算法进行求解。随后用训练好的模型计算ASD患者和对照组中相应ROI出现的概率，即似然值；

步骤303：将HMM训练数据分别替换为所有对照组数据、所有被试者，重复步骤302；

步骤304：以步骤302、步骤303中得到的似然值为特征，采用特征递归消除选择其中重要的特征作为分类特征，最后得到特征数目为198。