申请/专利权人：北京工业大学

申请日：2021-11-16

公开（公告）日：2024-04-26

公开（公告）号：CN114219069B

主分类号：G06N3/0455

分类号：G06N3/0455;G06N3/044;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.04.08#实质审查的生效;2022.03.22#公开

摘要：一种基于自动变分自编码器的脑效应连接网络学习方法，属于深度学习算法领域。首先对模型进行参数初始化，然后利用自动变分自编码器的编码网络从各脑区的fMRI数据中学习潜变量，并通过解码网络从潜变量中获得生成的fMRI数据。最后，当生成的fMRI数据和真实的fMRI数据高度相似时，模型在迭代训练的过程中可以学习到一个最优的脑效应连接网络。本发明利用融合了比例‑积分控制器的变分自编码器自适应地调节模型的参数，在端到端的训练过程中自动、准确地学习了人脑的效应连接网络。因此，本发明具有参数少、准确性高，泛化能力强等优势，可以有效地缓解现有的脑效应连接网络深度学习方法中人工调参困难的问题。

主权项：1.一种基于自动变分自编码器的脑效应连接网络学习方法，其特征在于包括以下步骤：1：参数设置：包括脑区个数n,初始化脑效应连接参数矩阵A，参数矩阵A是通过计算脑区间的皮尔逊相关系数构建初始化的脑效应连接矩阵；网络稀疏损失函数的超参数λ，期望的KL散度值VKL，比例控制器系数KP,积分控制器系数KI；2：利用编码器从fMRI数据中学习潜变量，具体步骤如下：①利用结构方程模型将脑效应连接参数矩阵和脑区fMRI数据编码为潜变量，其表达式如下：Z＝I-ATX1其中，Z＝[z1,...,zn]表示潜变量，I表示n×n的单位矩阵，A表示脑效应连接参数矩阵，X＝[x1,...,xn]表示各脑区fMRI数据；②设计了一个基于多层感知机的编码网络，该编码网络由3层神经网络结构组成，包括输入层、隐层和输出层，然后通过该编码网络来估计潜变量的后验分布的均值和方差；假设潜变量服从正态分布，则可根据所得到的均值和方差推断出潜变量的后验分布；接下来，通过蒙特卡罗采样和重参化技巧，从潜变量的分布中采样得到每个脑区所对应的潜变量；3：利用解码网络从获得的潜变量中生成脑区fMRI数据；设计一个基于多层感知机的解码网络，该解码网络由3层网络结构组成，包括输入层、隐层和输出层；利用解码网络从步骤2所获得的潜变量中得到生成的各脑区fMRI数据的分布，其表达式如下：pθX|Z＝ReLUI-AT-1Zθ2其中，pθX|Z表示从潜变量中学到的各脑区fMRI数据的分布，ReLU表示激活函数，θ表示在训练过程中解码网络学到的权重系数；4：设计了一个包含fMRI数据生成损失项和网络稀疏损失项的损失函数；以最小化该损失函数为目标，使模型在迭代训练的过程中自动地学习到一个脑效应连接网络；①构建脑区fMRI数据生成损失项；为了使生成的fMRI数据接近真实的fMRI数据，采用证据下界作为数据生成的目标函数，其表达式为： 其中，LELBO表示脑区fMRI数据生成损失项，表示生成的fMRI数据，φ和θ分别表示在训练过程中编码器和解码器自动学习到的权重系数，pZ表示潜变量的真实分布，qφZ|X表示由步骤2所得到的潜变量的后验分布，表示从潜变量中学到的各脑区fMRI数据的分布，表示生成的fMRI数据期望，DKLqφZ|X||pZ是KL散度值，表示生成fMRI数据与实际fMRI数据的误差；②设计了一个比例-积分控制器，使模型能够自动调节KL散度的大小；比例-积分控制器的计算公式如下： 其中，βt表示比例-积分控制器，KP＝0.005表示比例控制系数,KI＝0.01表示积分控制系数，exp表示期望，et表示模型估计的KL散度值和期望的KL散度值在t时刻的误差，T表示模型训练完成一次的时间，期望的KL散度值vKL＝1.5，运行算法所得到的实际的KL散度值③将所设计的比例-积分控制器引入到公式1中，可得到新的脑区fMRI数据生成损失项，其表达式如下： 其中，M表示对潜变量进行蒙特卡洛采样的次数，m表示对潜变量进行蒙特卡洛采样的第m次，σz表示潜变量的后验分布的方差，μz表示潜变量的后验分布的均值；④为了构建稀疏的脑效应连接网络结构，设计了一个保持脑效应连接网络稀疏性的网络稀疏损失函数，其表达式如下： 其中，LS表示网络稀疏损失函数，λ＝0.5表示网络稀疏损失函数的超参数，i和j表示任意两个脑区，Aij表示脑区i和脑区j之间的效应连接；⑤根据所设计的fMRI数据生成损失项和网络稀疏损失项，所构建的损失函数L的表达式为：L＝-LELBO+LS8以最小化该联合损失函数L为目标，模型在迭代训练的过程中能够自动学习到一个脑效应连接网络。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于自动变分自编码器的脑效应连接网络学习方法

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