申请/专利权人：郑州大学

申请日：2023-12-30

公开（公告）日：2024-04-02

公开（公告）号：CN117809108A

主分类号：G06V10/764

分类号：G06V10/764;G06N3/045;G06V10/40;G06N3/0464;G06V10/82;G06V10/80;G06V10/25

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明涉及一种基于最大熵加权独立集池化的自闭症分类方法，可同时利用脑功能连接特征和非成像特征实现对自闭症的分类。该方法首先使用最大熵加权独立集池化将构建的脑图下采样到子结构中，然后使用展平的子结构特征和真实标签来训练多层感知器，以提取高阶特征。之后构建了一个人群图，其中受试者之间的非成像信息相似性被表示为人群图的边缘权重，并对边缘权重设置一个阈值从而形成边的连接。通过将多层感知器提取的高阶特征嵌入至人群图的节点，并使用图卷积网络学习节点的嵌入，实现了受试者成像和非成像信息有效融合及利用，最后运用一个线性分类器在输出的人群图上进行节点分类，从而实现对自闭症的识别。本发明能够学习整个脑网络的功能连接和区域活动，同时集成受试者的非成像数据，以实现自闭症的分类，并且在该任务中获得了优异的性能。

主权项：1.一种基于最大熵加权独立集池化MaximumEntropyWeightedIndependentSetPooling，MEWISPool的自闭症分类方法，其特征在于：采用最大熵加权独立集池化进行脑图下采样，包括将脑成像数据表示为图结构，在该图结构中根据Harvard-OxfordHO图谱划分不同的脑区来定义节点，为每个节点分配表示该脑区区域活动的时间序列，然后通过计算节点特征的局部变化度量，并计算节点熵，得到具有节点熵值的图，随后将该图输入到图神经网络，并采用条件期望算法，选择具有最大加权独立集损失函数值的节点，最后根据池化后的节点进行图重建，得到图的子结构，并构建图子结构特征矩阵；采用多层感知器Multi-layerPerceptron，MLP提取高阶特征，包括使用具有两个隐藏层的感知器对图子结构特征矩阵进行特征提取，得到高阶特征矩阵；采用图卷积网络融合成像特征和非成像特征，实现自闭症的分类，包括利用非成像数据中的性别以及采集站点信息构建人群图，同时将MLP提取的受试者高阶成像特征分配给人群图中每个对应的节点，接着使用具有两层卷积层的图卷积神经网络来学习所构建的人群图上的节点嵌入，通过线性分类器输出每个节点的预测诊断结果，从而实现自闭症的分类。

全文数据：

权利要求：

百度查询： 郑州大学 一种基于最大熵加权独立集池化的自闭症分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD