[发明专利]基于深度学习的静息态fMRI数据分类方法和装置

摘要

本发明公开了一种基于深度学习的静息态fMRI数据分类方法和装置，包括：1)获取静息态fMRI试验数据，进行预处理并获取标签；2)对静息态fMRI数据进行大脑区域划分，提取功能连接特征和脑区综合特征；3)提取全脑体素点特征；4)提取个人属性特征；5)构建用于静息态fMRI数据分类的混合神经网络模型；6)将用于模型训练部分的数据进行处理，作为输入数据进行混合神经网络的训练，得到的参数用于静息态fMRI数据分类的混合神经网络模型；7)对静息态fMRI数据进行处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征输入到训练后的混合神经网络模型中进行分类。本发明能保留各项特征的数据形式，综合考虑各项特征的信息，有效提高分类准确率。

主权项

1.基于深度学习的静息态fMRI数据分类方法，其特征在于，包括以下步骤：1)获取试验参与者的静息态fMRI数据，对静息态fMRI数据进行预处理，同时获取对应的试验参与者的标签；2)对每个试验参与者的静息态fMRI数据，进行大脑区域划分，提取功能连接特征和脑区综合特征；3)对每个试验参与者的静息态fMRI数据，提取全脑体素点特征；4)对每个试验参与者，提取个人属性特征；5)构建用于静息态fMRI数据分类的混合神经网络模型CDNN；6)将用于模型训练部分的参与者的静息态fMRI数据经过步骤1)至步骤4)的处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征及其分类标签作为输入数据，输入至CDNN模型中进行模型训练，得到模型参数，用于静息态fMRI数据分类的CDNN模型；7)对获得的静息态fMRI数据依次进行步骤1)至步骤4)的处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征输入到训练后的CDNN模型中进行分类。