[发明专利]一种迁移学习克服小样本算法及其在揭秘人脑中科研应用

权利要求书

1.一种迁移学习克服小样本算法及其在揭秘人脑中科研应用，其特征在于，过程为：

首先对高维小样本fMRI数据进行预处理，构建脑功能连接体；

其次通过设计深度迁移学习模型实现了fMRI小样本数据的高精度二分类，并预测脑区划分方式；

最后通过mask法反向研究了对于人脑改变决策相关的人脑脑部感兴趣区域ROI。

2.如权利要求1所述的应用，其特征在于，所述预处理为将fMRI功能图像的内容定位在有着更高的空间分辨率的结构图像上，预处理方法依次有受试者头动调整和矫正、将图像归一化至坐标系、间片矫正、异常扫描识别擦洗、图像配准和标准化、高斯核平滑。

3.如权利要求1所述的应用，其特征在于，所述构建脑功能连接体步骤为：对fMRI数据预处理完成之后，对脑的三维图像进行区域划分感兴趣区域ROI，并时间序列提取，就是将四维数据转为的二维矩阵，用皮尔森系数来衡量两个ROI之间的功能连接关系，用偏相关系数来表示两个ROI之间的连接通过其他的ROI间接产生；将所有ROI两两的相关系数计算得出相关矩阵，即功能连接矩阵R，用于输入深度迁移学习阶段的预训练模型；

其中，n表示的是ROI的数量，r_ij指的是第i个ROI和第j个ROI间的Pearson关系数，它的取值范围为[-1,1]；r_ij0表示两个ROI成正相关，r_ij0为则表示负相关，|r_ij|越大代表相关性越强，越接近0值则相关度越弱；对角线是自相关系数，它的皮尔森系数值恒为1。

4.如权利要求1所述的应用，其特征在于，所述深度迁移学习为选取AlexNet作为预训练模型，利用AlexNet网络在ImageNet数据集上学到的特征知识来帮助完成fMRI数据集在人脑改变决策任务上进行二分类。

5.如权利要求4所述的应用，其特征在于，首先加载预训练模型和参数，除了最后一个阶段fc8以外所有网络层的架构和参数都被冻结，而将最后fc8的三层替换成新三层——全连接层、Softmax层、分类层，当模型在反向传播时只训练这个新三层的fc8，并更新分类器的参数，最终训练得到深度迁移学习模型。

6.如权利要求1所述的应用，其特征在于，其中网络采用了常用的ReLU激活函数f(x)＝max(0,x))，损失函数采用了交叉熵损失函数y为标签，y’为预测值。

7.如权利要求1所述的应用，其特征在于，所述的mask法反向研究了对于人脑改变决策相关的RIO就是将脑区划分得到ROI矩阵和mask矩阵与点乘，即可获得对应ROI之间的连接强弱关系，其中mask矩阵就是只包含0和1组成矩阵；进行mask操作后新的ROI相关系数矩阵作为模型的输入，输入深度迁移模型进行训练，根据不同区域训练后分类精度的贡献度，从而推出哪些ROI是对人脑改变决策的影响程度大小，进而推出控制人脑改变决策的主要区域。