欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025100417450
申请人: 南通大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于动态脉冲神经网络的脑疾病结构-功能耦合分析方法,其特征在于,包括以下步骤:S1、采用带有无限脉冲响应IIR滤波器的Leaky Integrate-and-Fire脉冲神经元构建动态脉冲神经网络DSNN模型,令Axon(·)表示将脉冲传输到下一个神经元的操作,令表示神经元更新膜电位和发放脉冲的行为,因此,IIR滤波器模拟的DSNN模型分为Axon(·)和操作;

S2、从功能磁共振成像fMRI中提取原始的功能时间序列信息,令表示fMRI的时间序列矩阵,N对应大脑区域的节点集个数,T对应时间序列长度,将Gfc作为DSNN的功能输入,通过Axon(·)和操作获得脉冲功能连接矩阵FC;

S3、从扩散张量成像DTI中提取结构脑网络,令表示结构脑网络的邻接矩阵,N对应大脑区域的节点集个数,然后使用由Kawahara提出的边到边卷积E2E,边到节点卷积E2N操作获取结构脑网络信息特征图,记结构脑网络经过E2E卷积后的特征图为经过E2N卷积后的特征图为其中C1和C2表示两种卷积操作的滤波器数量,最后将经过E2E和E2N卷积操作后的结构脑网络特征图Gsc作为DSNN的结构输入,通过线性网络和操作获得脉冲结构连接矩阵SC;

S4、构建脉冲耦合池化SCP模块,将脉冲矩阵FC和矩阵SC输入到SCP模块以求得脉冲结构-功能SC-FC耦合,最终通过线性网络和操作,得到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;

S5、输入到分类层,通过计算每个输出神经元的最大脉冲计数以获得预测类别,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,获得一个基于脉冲结构-功能耦合的脑疾病精确识别模型。

2.根据权利要求1所述的基于动态脉冲神经网络的脑疾病结构-功能耦合分析方法,其特征在于,步骤S2中获取脉冲矩阵FC的具体步骤如下:S21、将原始fMRI时间序列矩阵Gfc作为DSNN的功能输入,公式如下:其中,Axon(·)表示将脉冲传输到下一个神经元的操作,l是层索引,当l=1时,Yl-1=Gfc;

S22、利用动态脉冲元模型提取脉冲矩阵FC,公式如下:

其中,表示神经元更新膜电位和发放脉冲的行为,记最终输出的脉冲矩阵FC为

3.根据权利要求1所述的基于动态脉冲神经网络的脑疾病结构-功能耦合分析方法,其特征在于,步骤S3中获取脉冲矩阵SC的具体步骤如下:S31、将经过E2E和E2N卷积操作后的矩阵SC特征图Gsc作为DSNN的结构输入,并通过内部脉冲神经元进行隐式脉冲编码,公式如下:其中,D是特征维度,T是时间步,T的选择依据fMRI时间序列的长度确定,Vsc由将Gsc经过T次重复后,通过线性网络得到,是经过得到的,它是一个二值化脉冲张量;

S32、利用线性网络和动态脉冲元模型提取脉冲矩阵SC,公式如下:

其中,Xsc表示最终输出的脉冲矩阵SC。

4.根据权利要求1所述的基于动态脉冲神经网络的脑疾病结构-功能耦合分析方法,其特征在于,步骤S4中获取脉冲SC-FC耦合的具体步骤如下:S41、SCP的功能和结构输入分别描述为Yfc=(y0,...,yt,...,yT),和Xsc=(x0,...,xt,...,xT),将重点描述在t时刻的处理过程,t∈[0,T],给定t时刻矩阵FC特征向量yt和矩阵SC特征向量xt,双线性变换定义为:其中,为投影矩阵,(tr)表示转置运算符,为了获得一个o维的输出,需要学习从而产生大量的参数;

S42、将W分解为两个低秩矩阵:

其中,k是分解秩,是两个特征向量的逐元素乘法,是一个全一向量,因此,为了获得一个输出特征向量需要两个三维张量和用重塑操作将和分别重新表述为二维矩阵和S43、最终的融合向量是通过使用P′和Q′将大小为k的一维非重叠窗口在投影向量上执行求和池化得到的:上述操作生成了一个融合了矩阵FC时间信息和矩阵SC空间信息的特征向量它仅表示t时刻矩阵FC与矩阵SC的耦合关系,通过重复S41、S42和S43操作T次后,得到一个由T个特征向量构成的脉冲矩阵将其称做脉冲SC-FC耦合,它不仅包含了时间上的矩阵FC信息,还保留了空间上的矩阵SC信息,全面表征了矩阵FC与矩阵SC之间的动态耦合关系;

S44、最终通过线性网络和操作,得到每个输出神经元随时间发出的脉冲

其中,m是输出类别数量,是一个随时间变化的向量。