一种基于对抗生成网络的人脑效应连接识别方法
专利汇可以提供一种基于对抗生成网络的人脑效应连接识别方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于对抗生成网络的人脑效应连接识别方法，通过GANs生成与真实fMRI数据相似的数据，从而学习数据集中的先验知识，然后再通过模型驱动方法(SEM模型)进行人脑效应连接识别。当SEM模型学习到的效应连接接近真实标准效应连接时，生成的模拟数据也将与真实数据一致。同样的，当生成的模拟数据逐渐向真实数据分布靠近时，效应连接也将能真实反映脑区间的因果关系。与传统的模型驱动方法相比，本发明在不需要先验知识的情况下，更加准确有效地识别人脑效应连接，具有良好的使用效果和广阔的应用前景。，下面是一种基于对抗生成网络的人脑效应连接识别方法专利的具体信息内容。
1.一种基于对抗生成网络的人脑效应连接识别方法，其特征在于：包括以下步骤，步骤1获取真实fMRI时间序列数据；为了将本方法与现有的脑效应连接网络识别方法进行对比，使用一组具有经验标准网络的真实fMRI数据集；由于fMRI数据集中的数据具有高维的特点，直接使用全脑时间序列数据，数据量很大；因此，在使用fMRI数据时，需要对图像进行降维；使用感兴趣区域体素时间序列平均的方法获取每个ROI上的具有代表性的体素时间序列，以此对数据降维；
步骤2设计基于对抗生成网络的脑效应连接识别模型，包括生成器设计、判别器设计和损失函数设计；
步骤3模型预训练；生成器和判别器均由全连接神经网络组成，因此在使用前，需确定神经网络的层数，每层网络的神经元个数、激活函数、学习率、稀疏化系数和每个脑区最大父母节点个数；训练使用具有标准网络的公开仿真fMRI数据或使用公开数据生成工具箱生成仿真数据；当EC-GANs模型在仿真数据中得到最优解时，即效应连接与标准效应连接结果高度一致时，保留当前模型参数，作为EC-GANs模型初始参数；
步骤4 EC-GANs模型训练；EC-GANs模型训练包含两个过程，一方面训练判别器使其能有效判别真实数据和生成的模拟数据，另一方面训练生成器生成与真实fMRI数据高度相似的模拟数据；其中，生成器由n个效应连接生成器组成，n为脑区个数；生成器将n-1个脑区体素时间序列，因果参数和高斯噪声作为输入，生成相应脑区的体素时间序列；当生成的体素时间序列与该脑区真实的体素时间序列相一致时，因果参数即反映该脑区与其他脑区之间的因果关系；因此用该因果参数进行人脑效应连接的识别；
步骤5人脑效应连接识别；通过EC-GANs模型的因果参数进行人脑效应连接的识别，首先，获取全部脑区的因果参数矩阵A∈Rn×n，若矩阵中的元素Aij＞给定阈值m，则认为存在一个效应连接从脑区j到脑区i，反之则不存在效应连接；
步骤6结果对比分析。
2.根据权利要求1所述的一种基于对抗生成网络的人脑效应连接识别方法，其特征在于：fMRI体素时间序列数据获取；数据集使用真实任务态fMRI数据，数据通过3T扫描仪获取，重复时间为2s，每名被试的时间点个数为160，被试数量为9名；感兴趣区域的选择为8个常规脑区加一个外部输入，共9个。
3.根据权利要求1所述的一种基于对抗生成网络的人脑效应连接识别方法，其特征在于：基于对抗生成网络的脑效应连接识别模型即EC-GANs模型；输入为fMRI真实数据，输出为生成的fMRI数据和效应连接；EC-GANs模型由生成器和判别器组成；生成器包含若干个效应连接生成器，每个效应连接生成器由一个结构方程模型SEM组成；假设有n个脑区Xi(i＝
1,...,n)，使用SEM模型则将每个脑区表示为：
Xi＝fi(PA(Xi),εi),for i＝1,...,n, (1)
其中，PA(Xi)表示脑区Xi的父母节点集合，fi(·)是一个映射函数即每个脑区Xi和其父母节点的因果关系；εi是每个脑区Xi的随机高斯噪声；若用fij(·)表示脑区Xj对于脑区Xi的效应连接，则公式(1)写为：
其中，fij(·)，j∈PA(Xi)表示脑区Xi与其父母节点的因果关系，若存在一条脑效应连接从脑区Xj到脑区Xi，即Xj->Xi,则fij(·)≠0；因此，给定数据集D，识别全部n个脑区的脑效应连接，简化为计算全部脑区和其父母节点的因果关系：
θD＝(f12,f13,...,f1n,f21,...,f2n,...,fn1,...,fn(n-1)) (3)
其中D为fMRI体素时间序列数据，表示为：
给定因果关系推断方法，引入到效应连接生成器中，则针对每个效应连接生成器，生成脑区Xi体素时间序列的过程计算为：
其中Aij为脑区Xi与其他脑区之间的因果参数，Aij＝0表示脑区i与脑区j之间不存在效应连接，当i＝j时，设Aij＝0，即不考虑脑区和自身的效应连接。
4.根据权利要求1所述的一种基于对抗生成网络的人脑效应连接识别方法，其特征在于：在损失函数上增加了一个L1正则项，使得效应连接参数矩阵Aij产生稀疏解；稀疏惩罚函数为：
其中，t为fMRI时间序列数据长度，λ为稀疏化超参数；最后，模型整体损失函数为：
其中Lp为稀疏罚，D(X)表示fMRI数据X来自真实fMRI数据集而不是生成fMRI数据集的概率，Gi(·)为脑区Xi的生成函数，由多层感知器表示的可微函数，是生成器i生成的脑区Xi的体素时间序列数据， 为不包含脑区Xi的其他脑区体素时间序列数据； 为期望，PD(X)为真实fMRI数据分布， 假设空间的分布；损失函数的作用是使得效应连接生成器能够生成稀疏解，并避免过拟合问题。
5.根据权利要求1所述的一种基于对抗生成网络的人脑效应连接识别方法，其特征在于：基于对抗生成网络的脑效应连接识别模型由生成器和判别器组成，生成器包含n个效应连接生成器，每个生成器均由一个包含m个神经元，每个神经元使用Tanh激活函数,x个隐藏层的全连接神经网络组成；判别器则是由一个包含m个神经元，每个神经元使用Sigmod激活函数，y个隐藏层的全连接神经网络组成，并在全连接层之后使用批量归一化操作；为了选择模型超参数，即神经元个数m和隐藏层个数x，y，学习率α，稀疏化系数λ和最大父母节点个数MaxP；训练使用具有标准网络的公开仿真fMRI数据，当EC-GANs模型在仿真数据中得到最优解时，即效应连接与标准效应连接结果高度一致时，保留当前模型参数，作为模型初始参数。
6.根据权利要求1所述的一种基于对抗生成网络的人脑效应连接识别方法，其特征在于：使用EC-GANs模型识别脑效应连接；模型识别效应连接包含两个过程，一方面训练判别器使其能有效判别真实数据和生成的模拟数据，另一方面训练生成器生成与真实fMRI数据高度相似的模拟数据；其中，生成器将n-1个脑区体素时间序列，因果参数和高斯噪声作为输入，生成相应脑区的体素时间序列；当生成的体素时间序列与该脑区真是的体素时间序列相一致时，因果参数A∈Rn×n即真是反映了该脑区与其他脑区之间的关系。
7.根据权利要求1所述的一种基于对抗生成网络的人脑效应连接识别方法，其特征在于：人脑效应连接识别；通过模型因果参数进行人脑效应连接的识别，首先，获取全部脑区的因果参数矩阵A∈Rn×n，若矩阵中的元素Aij＞给定阈值m，则认为存在一个效应连接从脑区j到脑区i，反之则不存在效应连接；为避免阈值选取不当和人为操作带来的影响，阈值m的取值由最大父母节点个数MaxP决定。
一种基于对抗生成网络的人脑效应连接识别方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种LED阵列白光通信PCB电路板的检测方法及装置 | 2020-05-12 | 328 |
| 一种基于虚拟现实与复杂网络的软件可靠性仿真分析方法 | 2020-05-14 | 117 |
| 基于数据、信息和知识对象的意图导向的TCP/IP四层网络协议模型 | 2020-05-16 | 404 |
| 一种基于TCN的风电预测误差区间评估方法 | 2020-05-11 | 803 |
| 一种基于对抗生成网络的人脑效应连接识别方法 | 2020-05-12 | 248 |
| 一种基于复杂网络的要素异常结构检测模型构建方法 | 2020-05-15 | 636 |
| 基于加权相位滞后指数的数学天分青少年脑网络分析方法 | 2020-05-13 | 191 |
| 影响数控装备可靠性的关键子系统识别方法及系统 | 2020-05-16 | 752 |
| 基于激光反射断层成像技术探测空间碎片质心方法 | 2020-05-13 | 81 |
| 一种本体构建方法及装置 | 2020-05-16 | 140 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
