基于脑功能超网络模型的多特征融合数据分类方法发明专利.pdfVIP

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 112418337 A (43)申请公布日 2021.02.26 (21)申请号 202011364161.0 (22)申请日 2020.11.27 (71)申请人 太原理工大学 地址 030000 山西省太原市迎泽西大街79 号 (72)发明人 程忱　李瑶　孙伯廷　荆智文　 (74)专利代理机构 成都东恒知盛知识产权代理 事务所 (特殊普通合伙) 51304 代理人 何健雄　廖祥文 (51)Int.Cl. G06K 9/62 (2006.01) G06T 7/11 (2017.01) G16H 30/20 (2018.01) 权利要求书4页 说明书11页 附图2页 (54)发明名称 基于脑功能超网络模型的多特征融合数据 分类方法 (57)摘要 本发明涉及图像处理技术，具体是一种基于 脑功能超网络模型的多特征融合磁共振影像数 据分类方法。本发明解决了传统的磁共振成像数 据分类方法使用单一属性特征所导致的准确率 低的问题，多角度立体评估超网络的拓扑结构， 呈现了超网络拓扑信息的完整性，增强了组间差 异表征能力，适用于功能磁共振影像分类的相关 研究。本发明先使用composite MCP方法构建超 网络模型，然后从超网络中提取11种不同的特征 作为融合特征进行分类，以弥补单一属性特征包 含信息单一的缺点。这种富含充分信息的特征集 A 能够表征脑超网络中全方位多角度的拓扑，呈现 7 了超网络拓扑结构的完整性，从而保证之后构建 3 3 8 的分类器能够有效的提取辨别信息，提高分类器 1 4 2 分类精度的上限。 1 1 N C CN 112418337 A 权　利　要　求　书 1/4页 1.基于脑功能超网络模型的多特征融合数据分类方法，其特征在于，包括以下步骤： 步骤S1：获取静息态功能磁共振影像数据，并对影像数据进行预处理；根据选定的脑图 谱模板，对预处理后的影像数据中每个脑区进行平均时间序列的提取； 步骤S2：基于每个脑区的平均时间序列，构建稀疏线性回归模型；并利用composite  MCP方法求解稀疏线性回归模型，得到脑功能超网络模型； 步骤S3：计算脑功能超网络模型的11种拓扑属性，包括：3种不同的基于单一节点的超 网络聚类系数、5种不同的超网络互聚类系数、平均最短路径、节点度以及介质中心度； 步骤S4：采用非参数置换检验KS检验对拓扑属性进行特征选择； 步骤S5：采用支持向量机作为分类器，选择经过统计分析后所求得的差异特征作为分 类特征，根据给定的正则化参数C和给定的最优特征子集，构建分类模型，采用交叉验证方 法对分类模型进行检验； 步骤S6：依据步骤S4中选择的特征，以及步骤S5中构建的分类模型，采用互信息分析方 法，分别计算特征的有效性和冗余性；根据计算结果筛选出特征，得到最优融合特征集。 2.根据权利要求1所述的数据分类方法，其特征在于，在步骤S1中： 所述预处理至少包括时间层校正、头动校正、联合配准、空间标准化及低频滤波； 提取每个脑区的平均时间序列，具体步骤包括：提取每个脑区所包含的所有体素在不 同时间点上的激活信号，再将各体素在不同时间点上的激活信号进行算术平均，得到每个 脑区的平均时间序列。 3.根据权利要求1所述的数据分类方法，其特征在于，在步骤S2中，求解稀疏线性回归 模型具体包括： 所述稀疏线性回归模型如下所示： x ＝Aα+τ        (1) k k k k N