一种基于深度哈希互学习的脑网络分类方法

1.本发明涉及脑科学领域中的脑网络分类技术，主要是通过两个深度哈希学习模型间的相互学习，实现个体脑网络特征和群体脑网络特征的交互，设计一种基于深度哈希互学习的脑网络分类方法。


背景技术：

2.在脑科学中，脑功能网络分类是指通过对人脑功能网络数据进行特征挖掘和分析来自动判断受试者是否患有脑神经疾病的技术，为脑疾病发病机理的理解和早期诊断提供了有效的工具，因而具有重要的研究与应用价值。近年来，由于静息态功能磁共振(resting-state functional magnetic resonance imaging,rs-fmri)技术能够揭示大脑自发的功能性活动规律而被多用于脑功能网络的构建。构建的脑功能网络由节点和边构成，其中节点对应于大脑中的神经元、神经元簇、脑区或者感兴趣区域(region ofinterest,roi)，边通常被定义为各节点对间的连接关系，也称为功能连接(functional connectivity,fc)，边的权重为fc强度。后文用脑网络指代脑功能网络。
3.目前，最流行的是基于机器学习的脑网络分类方法，主要包括传统的机器学习方法和深度学习方法。在传统的机器学习方法中，使用最广泛的是支持向量机(support vector machine,svm)和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,lasso)，但它们都属于浅层模型，在面对高维的脑网络数据时，由于特征提取能力不足导致分类性能较差。近年来，深度学习方法由于可以通过对原始脑网络的逐层处理来学习更丰富、更深层次的特征，在脑网络分类中受到越来越多的关注。2017年，kawahara等人提出了一种名为brainnetcnn的卷积神经网络(convolutional neural network,cnn)框架，它设计了边到边、边到点、点到图三种卷积滤波器提取大脑网络的特征。实验结果表明，brainnetcnn框架提取的脑网络特征可用于临床神经发育结果的预测。2018年，heinsfeld等人一种基于深度神经网络(deep neural networks,dnn)的模型，它根据大脑激活模式识别自闭症(autistic spectrum disorder,asd)患者。实验结果表明，dnn模型可以提高asd的识别准确率，并识别出最有助于区分asd患者与健康对照的大脑区域。2019年，ju等人提出了一种基于堆叠稀疏自编码(stacked sparse autoencoding,ssae)方法的框架，用于区分正常衰老和轻度认知障碍，并且与传统的机器学习方法相比在分类准确率上有了显著的提高。2020年，xing等人提出了一种新的基于自适应多任务cnn的脑网络分类方法(adaptive multi-task cnn,amtcnn)，并在asd患者与健康对照的分类中取得了较好的效果。2021年，ji等人提出了一种具有逐元素加权机制(element-wise weighting mechanism，ckew)的新型卷积核以及一种基于ckew的cnn分类框架。实验结果表明，该框架可以更准确地分类脑网络，并识别出与脑部疾病相关的异常连接模式。2022年，ji等人利用诊断和临床表型标签构建语义空间，并结合脑网络在语义空间的临近关系提出了一种基于深度图哈希学习的脑功能网络分类方法(brain network classification based on deep graph hashing learning,bnc-dghl)。在三个数据集上的实验结果表明，该方法能获得更
优的分类性能，这也展示了表型标签在脑网络分类中的重要辅助作用。然而，现有的方法只考虑了个体脑网络之间的表型标签差异，忽略了群体脑网络之间的表型标签差异。事实上，在分类任务中，群体脑网络之间的表型标签差异与分类结果更相关。例如，仅凭单个被试脑网络的性别标签无法判断被试是否患有asd，但根据一组被试脑网络的性别标签差异就很容易推断出男性比女性更容易患asd。也就是说，群体脑网络的表型特征比个体脑网络的表型特征更具有辨别力。


技术实现要素：

4.针对现有技术中存在的上述问题，本发明提出一种基于深度哈希互学习(deep hashing mutual learning，dhml)的脑网络分类方法，主要通过个体特征和群体特征间的互学习来增强特征的辨别能力。具体而言，dhml首先使用基于cnn的深度哈希学习模型来提取脑网络的个体特征并映射为哈希码，其中设计了可分离卷积层来提取多级的个体拓扑特征；其次，dhml根据表型标签之间的相似关系得到脑网络的邻接矩阵，并与个体特征一起构建群体关系图；再次，dhml采用基于gcn(graph convolutional network)的深度哈希学习模型提取脑网络的群体特征并映射为哈希码；然后，两个深度哈希学习模型通过最小化哈希码间的分布差异来相互学习，从而实现个体特征和群体特征的交互；最后，通过计算哈希码之间的相似程度对新实例的诊断标签进行预测。
5.本发明采用的技术方案为一种基于深度哈希互学习的脑网络分类方法，包括以下步骤：
6.步骤1，数据预处理和脑功能网络构建。
7.获取受试者的rs-fmri数据，首先使用静息态功能磁共振处理工具(data processing assistant for resting-state fmri，dparsf)进行预处理，然后进行脑功能网络的构建，具体方法如下。
8.步骤1.1，使用dparsf对原始rs-fmri数据进行预处理。
9.(1)删除原始rs-fmri时间序列的前5个时间点。
10.(2)采用线性插值方法消除隔层扫描出现的时间相位差，完成层时间校正。
11.(3)剔除水平头动超过2mm和旋转头动超过2
°
的受试者数据，完成头动校正。
12.(4)基于t1图像进行rs-fmri图像的配准、平滑和滤波。
13.步骤1.2，构建脑网络。
14.(1)根据脑图谱定位大脑皮层中脑区的位置作为脑网络的节点。
15.(2)计算节点间rs-fmri时间序列的皮尔逊相关系数作为脑区间的功能连接强度，即脑区节点间连接边的权重。
16.步骤2，脑网络数据划分。
17.将脑网络数据集按照8∶1∶1的比例划分成训练集x
t
、验证集xa和测试集xe。训练集中包含n个大脑网络，对应的标签集合表示为y
t
，其中包含诊断标签集和表型标签集为d代表诊断标签，p代表表型标签。类似地，验证集中包含m个大脑网络，对应的标签集表示为测试集中包含k个大脑网络，
对应的标签集表示为
18.步骤3，基于深度哈希学习的个体特征提取。
19.采用基于cnn的深度哈希学习模型ih提取个体脑网络的拓扑特征，并将其映射为哈希码。具体来说，首先设计了五层cnn用于特征提取，提取过程定义为然后设计一个哈希层用于特征映射，映射过程定义为
20.步骤3.1，个体特征提取。
21.对于特征提取部分，采用可分离的cnn分别从边级、节点级和图级提取个体脑网络的拓扑特征。具体来说，l0是接收脑网络的输入层；l1是可分离的边到边(edge-to-edge，e2e)层，包含逐通道e2e(depthwise e2e，e2e-dw)和逐点e2e(pointwise e2e，e2e-pw)两个过程，用于从输入脑网络中提取边级拓扑特征；l2是可分离的边到节点(edge-to-node，e2n)层，包含逐通道e2n(e2n-dw)和逐点e2n(e2n-pw)两个过程，用于从边级特征中提取节点级特征；l3是节点到图(node-to-graph，n2g)层，用于从节点级特征中提取图级特征；l4是全连接层。具体过程如下。
22.(1)定义l
0-l4层cnn的特征提取过程为在训练过程中提取得到脑网络的个体特征if
t
，公式表示为：
[0023][0024]
其中，x
t
为训练集，包含n个脑网络。
[0025]
(2)定义作用于l
0-l4层的交叉熵损失函数j1为：
[0026][0027][0028]
其中，wc和b分别表示可分离cnn的权重和偏置，和bq∈b分别是softmax层的权重和偏置，n是训练集x
t
包含的脑网络数量，是x
t
的诊断标签集合，是softmax函数，if
t
是脑网络的个体特征，ξ(if
t
)是个体特征诊断标签的预测概率。
[0029]
步骤3.2，个体特征映射。
[0030]
对于特征映射部分，设计一个哈希层通过哈希函数首先将提取出的个体特征映射为长度为l的特征向量，其中l是预定义的哈希码长度，然后进行特征向量的二值化，最终得到个体拓扑特征对应的哈希码表示。具体过程如下。
[0031]
(1)定义哈希层的特征映射过程为将提取的个体特征if
t
经过哈希层映射为哈希码iu
t
，公式表示为：
[0032][0033]
其中，和bh∈b分别是哈希层的权重和偏置，σ(
·
)是sigmoid函数，sgn(
·
)是符号函数，iu
t
∈{0，1}n×
l
是if
t
的哈希码表示，n表示x
t
中包含的脑网络数量，l是预先确定的哈希码长度，每个哈希码是一个值为0或1的l维向量。训练集x
t
的哈希码集合iu
t
也称
为哈希码库。
[0034]
(2)定义作用于哈希层的相似度保持损失函数j2为：
[0035][0036][0037][0038]
其中，s∈{0，1}n×n是根据诊断标签构造的成对相似度矩阵，n表示x
t
中包含的脑网络数量，当脑网络x
t
(i)与脑网络x
t
(j)的诊断标签相同时，即(j)的诊断标签相同时，即则s
ij
＝1，否则s
ij
＝0；iu
t
(i)和iu
t
(j)分别是脑网络x
t
(i)和x
t
(j)个体特征的哈希码表示。
[0039]
步骤3.3，目标函数构造。
[0040]
通过整合特征提取部分的损失函数j1和特征映射部分的损失函数j2，基于cnn的深度哈希学习模型ih的目标函数定义为：
[0041][0042]
其中，wc和b分别为模型ih的权重和偏置。最后一项是正则化项，以避免模型在训练阶段过度拟合，λ1，λ2和λr为超参数。
[0043]
步骤4，基于深度哈希学习的群体特征提取。
[0044]
采用基于gcn的深度哈希学习模型gh提取群体脑网络的拓扑特征，并将其映射为哈希码。具体来说，首先根据表型标签的相似性构建邻接矩阵a，然后结合从步骤3中提取的个体脑网络特征if
t
构建群体关系图p，最后使用gcn提取脑网络的群体特征并通过哈希层映射为哈希码，gcn提取过程定义为映射过程定义为
[0045]
步骤4.1，群体脑网络的邻接矩阵a构建。
[0046]
(1)计算脑网络表型标签向量间的马氏距离，计算公式如下：
[0047][0048]
其中，d＝{d
ij
|i，j＝1，...，n}为马氏距离，可以消除不同表型标签间的尺度差异。分别为脑网络x
t
(i)和x
t
(j)的表型标签向量，c∈rn×n为协方差矩阵，n表示x
t
中脑网络的个数，c-1
为协方差矩阵的逆。
[0049]
(2)定义群体脑网络的邻接矩阵：
[0050][0051]
s.t.α∈(0，1)
[0052]
其中，a＝{a
ij
|i，j＝1，...，n}为邻接矩阵，a
ij
＝1表示两个脑网络x
t
(i)和x
t
(j)之间存在连接，a
ij
＝0表示脑网络x
t
(i)和x
t
(j)不是相邻节点，α用于控制脑网络之间的连接
[0075]
其中，wg为模型gh的权重，λ3和λ4是超参数。
[0076]
步骤5，基于哈希码的互学习。
[0077]
为了使得两个深度哈希学习模型ih和gh在训练过程中协同学习并探索彼此学习到的特征，定义最大平均差异作为互学习过程的损失函数：
[0078][0079][0080]
其中，iu
t
是个体特征if
t
的哈希码表示，gu
t
是群体特征gf
t
的哈希码表示，δ(
·
)是高斯核函数，η是控制δ(
·
)范围的标准差相关参数。因此，基于cnn的深度哈希学习模型ih的目标函数更新为：
[0081][0082]
其中，wc和b分别为模型ih的权重和偏置。λ1，λ2，λm和λr为超参数。
[0083]
基于gcn的深度哈希学习模型gh的目标函数更新为：
[0084]
j(wg)＝λ3j3+λ4j4+λ
′
mjm
ꢀꢀ
(14)
[0085]
其中，wg为模型gh的权重，λ3，λ4和λ
′m是超参数。两个模型通过相互学习共同优化，直到目标函数收敛。
[0086]
步骤6，基于哈希码的分类。
[0087]
经过互学习步骤获得训练好的ih模型后，使用验证集xa来验证模型的分类性能，并进一步调整模型参数。具体过程如下。
[0088]
(1)获得验证集xa的哈希码表示iua，计算公式如下：
[0089][0090]
其中，为ih模型的特征提取函数，为ih模型的特征映射函数。
[0091]
(2)将训练集的哈希码iu
t
(公式(3))作为哈希码库，计算iua中每个哈希码iua(i)与iu
t
中所有哈希码之间的距离，在iu
t
中找到距离最小的哈希码，并将其标签作为预测标签计算公式表示为：
[0092][0093]
其中，表示训练集x
t
的真实诊断标签，n为训练集x
t
包含的脑网络数量，，m是xa中包含的脑网络数量，为xor逻辑运算。
[0094]
(3)当dhml方法的损失函数达到收敛以及验证集的预测准确率不再提升，保留此时的模型和哈希码库，用于测试集脑网络xe的诊断标签分类。
[0095]
与现有技术相比，本发明具有以下优势：
[0096]
(1)本发明首次考虑到群体脑网络中的表型标签差异，采用表型标签构建群体脑网络关系图，并提出了一种基于gcn的深度哈希学习模型提取脑网络的群体特征，与其他方法相比，提取出的特征包含更丰富的群体差异信息且具有更强的辨别能力。
[0097]
(2)本发明考虑到脑网络个体特征和群体特征间的关系，采用基于深度哈希互学习的脑网络分类方法通过个体特征和群体特征之间的互学习来增强特征的辨别能力，与其他方法相比，分类性能更优。
附图说明
[0098]
图1为dhml方法的整体框架。
[0099]
图2为可分离的e2e卷积层。
[0100]
图3为可分离的e2n卷积层。
具体实施方式
[0101]
下面将结合附图和实例对发明做进一步说明。
[0102]
基于深度哈希互学习的脑网络分类方法的整体框架如图1所示。
[0103]
步骤1，根据不同脑图谱划分，使用o表示脑区节点数量，构建的脑网络表示为o
×
o的矩阵。
[0104]
步骤2，训练集x
t
、验证集xa和测试集xe分别包含n，m和k个脑网络，n∶m∶k＝8∶1∶1。
[0105]
步骤3，基于深度哈希学习的个体特征提取如图1中模块a)所示。对于特征提取部分，l0是接收脑网络的输入层，以o表示脑区数量，输入的脑网络表示为o
×
o的矩阵；l1是可分离的e2e层，包含e2e-dw和e2e-pw两个过程，用于从输入脑网络中提取边级拓扑特征；如图2所示，e2e-dw先将输入矩阵与列卷积核o
×
1进行卷积，再与行卷积核1
×
o进行卷积，最后相加输出卷积结果；e2e-pw将e2e-dw的结果与32个1
×
1的卷积核进行卷积；l2是可分离的e2n层，包含e2n-dw和e2n-pw两个过程，用于从边级特征中提取节点级特征；如图3所示，e2n-dw将l1层的结果首先与32个o
×
1的列卷积核进行卷积并转置，然后与32个1
×
o的行卷积核进行卷积，最后将两个卷积结果相加；e2n-pw将e2n-dw的结果与64个1
×
1的卷积核进行卷积；l3是n2g层，包含128个o
×
1卷积核，用于从节点级特征中提取图级特征；l4是全连接层，包含96个1
×
1的卷积核，得到脑网络的个体特征。对于特征映射部分，包含一个哈希层，用于将提取出的脑网络个体特征映射为二值哈希码表示。
[0106]
步骤4，基于深度哈希学习的群体特征提取如图1中模块b)所示。以单个脑网络{x
t
(1)，x
t
(2)，...，x
t
(n)}为节点，a为邻接矩阵，用于判断节点之间是否存在边，if
t
为节点的初始属性特征，定义群体关系图p(a，if
t
)，其中a是表示图结构的n
×
n邻接矩阵，if
t
是表示节点属性的n
×
96特征矩阵，n是训练集x
t
包含的脑网络数量；群体关系图p首先经过gcn得到脑网络的脑网络，然后经过哈希层得到群体特征的哈希码表示。
[0107]
步骤5，基于哈希码的互学习如图1中模块c)所示。
[0108]
步骤6，基于哈希码的分类如图1中模块d)所示。以abide i数据集的三种脑图谱aal、dosenbach160和cc200划分为例，与其他算法的分类性能对比结果如表1所示。
[0109]
表1分类性能对比结果
[0110]

技术特征：
1.一种基于深度哈希互学习的脑网络分类方法，其特征在于：通过个体特征和群体特征间的互学习来增强特征的辨别能力；首先使用基于cnn的深度哈希学习模型来提取脑网络的个体特征并映射为哈希码，设计可分离卷积层来提取多级的个体拓扑特征；其次，根据表型标签之间的相似关系得到脑网络的邻接矩阵，并与个体特征一起构建群体关系图；再次，采用基于gcn的深度哈希学习模型提取脑网络的群体特征并映射为哈希码；然后两个深度哈希学习模型通过最小化哈希码间的分布差异来相互学习，从而实现个体特征和群体特征的交互；最后，通过计算哈希码之间的相似程度对新实例的诊断标签进行预测。2.根据权利要求1所述的基于深度哈希互学习的脑网络分类方法，其特征在于，包括以下步骤：步骤1，数据预处理和脑功能网络构建；获取rs-fmri数据，首先使用静息态功能磁共振处理工具进行预处理，然后进行脑功能网络的构建；具体方法如下，步骤1.1，使用dparsf对原始rs-fmri数据进行预处理；(1)删除原始rs-fmri时间序列的前5个时间点；(2)采用线性插值方法消除隔层扫描出现的时间相位差，完成层时间校正；(3)剔除水平头动超过2mm和旋转头动超过2
°
的受试者数据，完成头动校正；(4)基于t1图像进行rs-fmri图像的配准、平滑和滤波；步骤1.2，构建脑网络；(1)根据脑图谱定位大脑皮层中脑区的位置作为脑网络的节点；(2)计算节点间rs-fmri时间序列的皮尔逊相关系数作为脑区间的功能连接强度，即脑区节点间连接边的权重；步骤2，脑网络数据划分；将脑网络数据集按照8:1:1的比例划分成训练集x
t
、验证集x
a
和测试集x
e
；训练集中包含n个大脑网络，对应的标签集合表示为y
t
，其中包含诊断标签集和表型标签集为d代表诊断标签，p代表表型标签；类似地，验证集中包含m个大脑网络，对应的标签集表示为测试集中包含k个大脑网络，对应的标签集表示为步骤3，基于深度哈希学习的个体特征提取；采用基于cnn的深度哈希学习模型i
h
提取个体脑网络的拓扑特征，并将其映射为哈希码；具体来说，首先设计了五层cnn用于特征提取，提取过程定义为然后设计一个哈希层用于特征映射，映射过程定义为步骤3.1，个体特征提取；对于特征提取部分，采用可分离的cnn分别从边级、节点级和图级提取个体脑网络的拓扑特征；l0是接收脑网络的输入层；l1是可分离的边到边层，包含逐通道e2e和逐点e2两个过程，用于从输入脑网络中提取边级拓扑特征；l2是可分离的边到节点层，包含逐通道e2n和逐点e2n两个过程，用于从边级特征中提取节点级特征；l3是节点到图层，用于从节点级特征中提取图级特征；l4是全连接层；具体过程如下；
(1)定义l
0-l4层cnn的特征提取过程为在训练过程中提取得到脑网络的个体特征if
t
，公式表示为：其中，x
t
为训练集，包含n个脑网络；(2)定义作用于l
0-l4层的交叉熵损失函数j1为：为：其中，w
c
和b分别表示可分离cnn的权重和偏置，和b
q
∈b分别是softmax层的权重和偏置，n是训练集x
t
包含的脑网络数量，是x
t
的诊断标签集合，是softmax函数，if
t
是脑网络的个体特征，ξ(if
t
)是个体特征诊断标签的预测概率；步骤3.2，个体特征映射；对于特征映射部分，设计一个哈希层通过哈希函数首先将提取出的个体特征映射为长度为l的特征向量，其中l是预定义的哈希码长度，然后进行特征向量的二值化，最终得到个体拓扑特征对应的哈希码表示；具体过程如下；(1)定义哈希层的特征映射过程为将提取的个体特征if
t
经过哈希层映射为哈希码iu
t
，公式表示为：其中，和b
h
∈b分别是哈希层的权重和偏置，σ(
·
)是sigmoid函数，sgn(
·
)是符号函数，iu
t
∈{0,1}
n
×
l
是if
t
的哈希码表示，n表示x
t
中包含的脑网络数量，l是预先确定的哈希码长度，每个哈希码是一个值为0或1的l维向量；训练集x
t
的哈希码集合iu
t
也称为哈希码库；(2)定义作用于哈希层的相似度保持损失函数j2为：为：为：其中，s∈{0,1}
n
×
n
是根据诊断标签构造的成对相似度矩阵，n表示x
t
中包含的脑网络数量，当脑网络x
t
(i)与脑网络x
t
(j)的诊断标签相同时，即(j)的诊断标签相同时，即则s
ij
＝1，否则s
ij
＝0；iu
t
(i)和iu
t
(j)分别是脑网络x
t
(i)和x
t
(j)个体特征的哈希码表示；步骤3.3，目标函数构造；通过整合特征提取部分的损失函数j1和特征映射部分的损失函数j2，基于cnn的深度哈希学习模型i
h
的目标函数定义为：
其中，w
c
和b分别为模型i
h
的权重和偏置；最后一项是正则化项，以避免模型在训练阶段过度拟合，λ1,λ2和λ
r
为超参数；步骤4，基于深度哈希学习的群体特征提取；采用基于gcn的深度哈希学习模型g
h
提取群体脑网络的拓扑特征，并将其映射为哈希码；具体来说，首先根据表型标签的相似性构建邻接矩阵a，然后结合从步骤3中提取的个体脑网络特征if
t
构建群体关系图p，最后使用gcn提取脑网络的群体特征并通过哈希层映射为哈希码，gcn提取过程定义为映射过程定义为步骤4.1，群体脑网络的邻接矩阵a构建；(1)计算脑网络表型标签向量间的马氏距离，计算公式如下：其中，d＝{d
ij
|i,j＝1,
…
,n}为马氏距离，可以消除不同表型标签间的尺度差异；,n}为马氏距离，可以消除不同表型标签间的尺度差异；分别为脑网络x
t
(i)和x
t
(j)的表型标签向量，c∈r
n
×
n
为协方差矩阵，n表示x
t
中脑网络的个数，c-1
为协方差矩阵的逆；(2)定义群体脑网络的邻接矩阵：s.t.α∈(0,1)其中，a＝{a
ij
|i,j＝1,
…
,n}为邻接矩阵，a
ij
＝1表示两个脑网络x
t
(i)和x
t
(j)之间存在连接，a
ij
＝0表示脑网络x
t
(i)和x
t
(j)不是相邻节点，α用于控制脑网络之间的连接边数量，d为马氏距离，max(d)为d的最大值；步骤4.2，群体脑网络关系图p构建；以单个脑网络{x
t
(1),x
t
(2),
…
,x
t
(n)}为节点，a为邻接矩阵，用于判断节点之间是否存在边，if
t
为节点的初始属性特征，定义群关系图p(a,if
t
)，其中a是表示图结构的邻接矩阵，if
t
是表示节点属性的特征矩阵；步骤4.3，群体特征提取；对于特征提取部分，采用gcn提取群体脑网络的特征；具体来说，l'0是接收群体关系图p的输入层；l'
1-l'2是图卷积层，用于聚合相邻节点的特征；具体过程如下；(1)定义l'
0-l'2层gcn的特征提取过程为在训练过程中提取得到脑网络的群体特征gf
t
，公式表示为：其中，x
t
为训练集，包含n个脑网络；(2)定义作用于l'
0-l'2层的交叉熵损失函数j3为：
其中，w
g
为gcn的权重，n为x
t
中的脑网络个数，为x
t
的诊断标签集合，为softmax函数，gf
t
是脑网络的群体特征，为群特征诊断标签的预测概率；步骤4.4，群体特征映射；对于特征映射部分，设计一个哈希层通过哈希函数将提取出的群体特征映射为长度为l的哈希码表示；具体过程如下；(1)定义哈希层的特征映射过程为将提取的群体特征gf
t
经过哈希层映射为哈希码gu
t
，公式表示为：其中，σ(
·
)为sigmoid函数，sgn(
·
)为符号函数；gu
t
是群体特征gf
t
的哈希码表示，每个哈希码是一个值为0或1的l维向量，l是预先确定的哈希码长度；(2)定义作用于哈希层的相似度保持损失函数j4为：为：其中，s∈{0,1}
n
×
n
为根据诊断标签构造的成对相似度矩阵，s
ij
∈s，n表示x
t
中包含的脑网络数量，gu
t
(i)和gu
t
(j)分别是脑网络x
t
(i)和x
t
(j)群体特征的哈希码表示；步骤4.5，目标函数构造；通过整合特征提取部分的损失函数j3和特征映射部分的损失函数j4，基于gcn的深度哈希学习模型g
h
的目标函数定义为：j(w
g
)＝λ3j3+λ4j4其中，w
g
为模型g
h
的权重，λ3和λ4是超参数；步骤5，基于哈希码的互学习；为了使得两个深度哈希学习模型i
h
和g
h
在训练过程中协同学习并探索彼此学习到的特征，定义最大平均差异作为互学习过程的损失函数：征，定义最大平均差异作为互学习过程的损失函数：其中，iu
t
是个体特征if
t
的哈希码表示，gu
t
是群体特征gf
t
的哈希码表示，δ(
·
)是高斯核函数，η是控制δ(
·
)范围的标准差相关参数；因此，基于cnn的深度哈希学习模型i
h
的目标函数更新为：其中，w
c
和b分别为模型i
h
的权重和偏置；λ1,λ2,λ
m
和λ
r
为超参数；基于gcn的深度哈希学习模型g
h
的目标函数更新为：j(w
g
)＝λ3j3+λ4j4+λ'
m
j
m
(14)
其中，w
g
为模型g
h
的权重，λ3,λ4和λ'
m
是超参数；两个模型通过相互学习共同优化，直到目标函数收敛；步骤6，基于哈希码的分类；经过互学习步骤获得训练好的i
h
模型后，使用验证集x
a
来验证模型的分类性能，并进一步调整模型参数；具体过程如下；(1)获得验证集x
a
的哈希码表示iu
a
，计算公式如下：其中，为i
h
模型的特征提取函数，为i
h
模型的特征映射函数；(2)将训练集的哈希码iu
t
(公式(3))作为哈希码库，计算iu
a
中每个哈希码iu
a
(i)与iu
t
中所有哈希码之间的距离，在iu
t
中找到距离最小的哈希码，并将其标签作为预测标签计算公式表示为：其中，表示训练集x
t
的真实诊断标签，n为训练集x
t
包含的脑网络数量，，m是x
a
中包含的脑网络数量，为xor逻辑运算；(3)当dhml方法的损失函数达到收敛以及验证集的预测准确率不再提升，保留此时的模型和哈希码库，用于测试集脑网络x
e
的诊断标签分类。

技术总结
本发明公开了一种基于深度哈希互学习的脑网络分类方法，包括：数据预处理和脑功能网络构建；脑网络数据划分；基于深度哈希学习的个体特征提取；基于深度哈希学习的群体特征提取；基于哈希码的互学习；基于哈希码的分类。本发明首次考虑到群体脑网络中的表型标签差异，采用表型标签构建群体脑网络关系图，提出一种基于GCN的深度哈希学习模型提取脑网络的群体特征；并考虑到脑网络个体特征和群体特征间的关系，采用基于深度哈希互学习的脑网络分类方法通过个体特征和群体特征之间的互学习来增强特征的辨别能力。本方法与其他方法相比，分类性能更优。类性能更优。类性能更优。


技术研发人员：冀俊忠 张雅琴
受保护的技术使用者：北京工业大学
技术研发日：2023.05.10
技术公布日：2023/8/4