1.基于脉冲结构-功能脑网络耦合的精神疾病识别方法,其特征在于,包括以下步骤:S1、通过功能磁共振成像fMRI构建功能脑网络,fMRI数据通过使用DPARSF工具箱中的spm12进行处理,初始功能时间序列经过切片时间采集校正、重新对齐和归一化到EPI模版,然后执行去趋势过程以去除伪方差源,并对时间序列进行0.01-0.08Hz带通滤波,生成的卷有240个时间点,使用自动解剖标记图谱AAL将其分为90个感兴趣区域,通过扩散张量成像DTI构建结构脑网络,DTI数据使用PANDA套件进行处理,使用FSL工具箱进行DTI失真校正,接着使用TrackVis通过确定性跟踪方法获得纤维图像,在每个受试者配准T1图像的基础上,使用AAL公约定义解剖区域;
S2、通过BrainNetCNN来获取结构脑网络和功能脑网络的信息特征图,令其中A1表示结构脑网络的邻接矩阵,A2表示功能脑网络的邻接矩阵,N对应大脑区域的节点集,为获取两种脑网络数据中的复杂特征,采用边到边卷积E2E和边到节点卷积E2N操作来获取两种脑网络的特征图;
S3、采用Leaky-Integrate-and-Fire脉冲神经元模型构建脉冲耦合神经网络,将经过E2E和E2N卷积操作后的结构特征图λsc和功能特征图λfc重复T次作为输入,并通过内部的脉冲神经元进行隐式的脉冲编码,其中T是时间步,接着利用脉冲耦合神经网络从结构和功能特征图中学习结构-功能耦合机制,以此来求出脉冲结构-功能耦合;
步骤S3中所述的构建脉冲耦合神经网络的具体步骤如下:
S31、采用Leaky-Integrate-and-Fire脉冲神经元模型构建脉冲耦合神经网络,用微分函数来描述LIF脉冲神经元:其中,τ表示时间常数,U(t)表示突触后神经元的膜电位,I(t)表示在任何给定时间从突触前神经元集合接收到的总输入,求解该微分方程后,LIF神经元层的动力学由以下公式控制:U[t]=βU[t-1]+X[t]-Sout[t-1]θ (4)
其中,t是时间步,X[t]是空间输入信息,U[t]是膜电位,θ是阈值,β=e-1τ是衰减因子,Sout[t]∈{0,1}是神经元产生的输出脉冲,如果膜电位超过阈值,则会产生脉冲:如果被激活,重置项会从膜电位中减去阈值θ,否则,重置项不起作用;
S32、将经过E2E和E2N卷积操作后的结构特征图和功能特征图作为脉冲耦合神经网络的输入,其中T为时间步,它将λ1和λ2重复T次作为输入:其中,D是特征维度,为脉冲神经元层,Us′c和U′fc是经过得到的,因此它们是一个二值化脉冲张量;
S33、通过和线性层Liner(·)得到结构和功能脉冲张量:
其中,Xsc表示结构脑网络脉冲张量,Xfc表示功能脑网络脉冲张量,
S34、Xsc和Xfc均是二值化脉冲张量,它们包含了结构脑网络和功能脑网络的重要特征信息,通过脉冲神经元和突触权重的密集互连来模拟大脑中结构连接和功能连接的相互作用以求得脉冲结构-功能耦合:其中,是Hadmard积,SPsc-fc是对结构脑网络和功能脑网络以脉冲序列的形式进行学习所得到的脉冲结构-功能耦合,它是识别健康和疾病连接组之间微妙的网络功能障碍模式;
S4、将所求出的脉冲结构-功能耦合输入到分类层,通过脉冲输出序列确定预测类别,并将预测类别与真实类别的交叉熵损失作为损失函数进行训练,获得一个根据脉冲结构-功能耦合来识别健康和疾病连接组之间微妙关系的神经网络模型。
2.根据权利要求1所述的基于脉冲结构-功能脑网络耦合的精神疾病识别方法,其特征在于,步骤S2中使用BrainNetCNN获取两种脑网络信息特征图的具体步骤如下:S21、边到边E2E卷积,其目的在于从原始邻接矩阵中提取边缘特征,它利用了网络的拓扑结构,通过组合共享节点的边的权重来执行过滤操作,公式如下:其中,和是学习权重,fn表示第n个滤波器的非线性激活函数,记结构脑网络和功能脑网络经过E2E卷积后的特征图为和其中C1/C1′是E2E卷积操作的滤波器数量;
S22、边到节点E2N卷积,其目的在于将边缘特征聚合为节点特征,它从每个节点的邻边中提取信息,并生成每个节点的表示,公式如下:其中,是学习权重,(m,n)表示每一层的每对输入和输出特征图,记经过E2N卷积后的特征图为和其中C2/C2'是E2N卷积操作的滤波器数量。
3.根据权利要求1所述的基于脉冲结构-功能脑网络耦合的精神疾病识别方法,其特征在于,步骤S4中所述的从脉冲输出序列确定预测类别的具体步骤如下:S41、令表示表示每个输出神经元随时间发出的脉冲,它是一个随时间变化的向量,其中m是输出类别的数量,令为每个输出神经元的脉冲计数,通过对T个时间步长内的求和获得:S42、计数最大的的索引对应于预测的类别y:
S43、对于二元分类任务,交叉熵损失的计算如下:
其中,Lc是交叉熵损失函数,y是真实类别。