本發(fā)明涉及一種基于任意值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)在adhd(注意缺陷多動障礙)分類中的應(yīng)用，屬于精神疾病智能輔助分類診斷領(lǐng)域。

背景技術(shù)：

1、隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，圖神經(jīng)網(wǎng)絡(luò)在處理具有復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)的數(shù)據(jù)方面表現(xiàn)出了巨大的潛力。在生物醫(yī)學(xué)領(lǐng)域，特別是神經(jīng)科學(xué)研究中，腦區(qū)間的連接關(guān)系可以自然地表示為圖結(jié)構(gòu)，其中腦區(qū)作為節(jié)點，腦區(qū)間的生物信號作為邊。在圖論中，圖的鄰接矩陣具有非負的性質(zhì)，這種方法在簡單結(jié)構(gòu)和有限類別的問題上表現(xiàn)良好。然而，在處理腦部功能連接等復(fù)雜數(shù)據(jù)時，非負鄰接矩陣可能無法充分表達腦區(qū)之間相互激勵或者抑制的關(guān)系。這限制了它們在處理生物網(wǎng)絡(luò)數(shù)據(jù)時的應(yīng)用。adhd是一種常見的神經(jīng)發(fā)育障礙，其臨床表現(xiàn)多樣，發(fā)病腦區(qū)不明。近年來，基于腦區(qū)生物信號和腦區(qū)間生物信號的研究為adhd的分類提供了新的思路。然而，如何有效地利用這些生物信號數(shù)據(jù)，特別是如何構(gòu)建和訓(xùn)練能夠處理任意數(shù)值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)模型，仍是一個具有挑戰(zhàn)性的問題。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有的圖神經(jīng)網(wǎng)絡(luò)只能處理非負鄰接矩陣的問題，本發(fā)明提供了一種改進的圖神經(jīng)網(wǎng)絡(luò)技術(shù)，其關(guān)鍵在于允許圖的鄰接矩陣為任意實數(shù)值，從而更準(zhǔn)確地表達復(fù)雜的腦部功能連接模式。具體地，我們將這一技術(shù)應(yīng)用于adhd分類中，其中圖的節(jié)點表示區(qū)域大腦活動的強度的低頻波動振幅(alff)數(shù)據(jù)，而圖的鄰接矩陣則直接使用了功能連接(fc)原始數(shù)值。

2、本發(fā)明的腦拓撲網(wǎng)絡(luò)構(gòu)建方法，可以高效利用磁共振成像(mri)采集數(shù)據(jù)所計算出的多種生物數(shù)據(jù)，包括腦區(qū)上的特征數(shù)據(jù)，如腦區(qū)體積密度(vbm)、低頻振幅波(alff)、同態(tài)一致性(reho)、度中心性(dc)，腦區(qū)間的特征數(shù)據(jù)，如腦功能連接(fc)、效應(yīng)連接等，從多個角度對患者腦功能狀態(tài)進行描述和分析。由于采用多種數(shù)據(jù)，通過該發(fā)明，可以構(gòu)建接近真實大腦網(wǎng)絡(luò)的圖網(wǎng)絡(luò)，充分利用多模態(tài)信息，用于后續(xù)疾病分類和生物標(biāo)志物檢測。

3、傳統(tǒng)的圖神經(jīng)網(wǎng)絡(luò)通常使用非負鄰接矩陣來描述節(jié)點之間的連接關(guān)系，而本發(fā)明引入了任意值鄰接矩陣的概念。本發(fā)明允許鄰接矩陣的元素是任意實數(shù)值，從而更準(zhǔn)確地表達復(fù)雜的腦部功能連接模式。其中，在邊為正值時，可以模擬腦區(qū)間相互刺激激勵；在邊為負值時，可模擬腦區(qū)間相互抑制的情況。相比于傳統(tǒng)方法，任意值鄰接矩陣能夠更細致地反映節(jié)點之間的強度和多樣性連接。為了降低計算復(fù)雜性，本發(fā)明采用了一種有效的鄰接矩陣稀疏化處理方法。通過保留具有最高權(quán)重的前k條邊，有效地簡化了圖的結(jié)構(gòu)，同時保證了關(guān)鍵的連接信息不會丟失。本發(fā)明提出了一種新的鄰接矩陣歸一化方法。通過計算鄰接矩陣的絕對值和對應(yīng)的度矩陣，實現(xiàn)了對任意值鄰接矩陣的有效歸一化。這一步驟不僅保留了圖結(jié)構(gòu)的特征，還有效地增強了神經(jīng)網(wǎng)絡(luò)對節(jié)點特征之間復(fù)雜關(guān)系的捕捉能力。這一方法不僅拓寬了圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍，使其能夠處理包含任意數(shù)值的鄰接矩陣，同時也為復(fù)雜腦網(wǎng)絡(luò)的結(jié)構(gòu)分析與特征提取提供了新的視角。

4、本發(fā)明的技術(shù)方案如下：

5、一種基于任意數(shù)值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)在adhd分類中的應(yīng)用方法，包括如下步驟：

6、步驟1：獲取腦區(qū)生物信號和腦區(qū)間生物信號，將腦區(qū)生物信號作為腦拓撲網(wǎng)絡(luò)節(jié)點上的信號，即節(jié)點特征，將腦區(qū)間生物信號作為腦拓撲網(wǎng)絡(luò)邊連接上的信號，即鄰接矩陣，其中鄰接矩陣的元素為任意實數(shù)值；

7、步驟2：對鄰接矩陣進行稀疏化處理，保留前k條邊以保證圖的連通性；

8、步驟3：使用鄰接矩陣的絕對值計算度矩陣，并得到歸一化鄰接矩陣anorm。

9、上述步驟2中，鄰接矩陣的稀疏化處理，保留鄰接矩陣絕對值的前k％，數(shù)值越大表明腦區(qū)間的相關(guān)性越強；這種方式在保證圖連通性的同時實現(xiàn)圖的稀疏化。

10、上述步驟3中，鄰接矩陣歸一化，包括如下處理步驟：

11、步驟1：對于給定的鄰接矩陣a，其中a的每個元素aij表示節(jié)點i和節(jié)點j之間的連接權(quán)重(即腦區(qū)間生物信號強度)。為了考慮節(jié)點自身的特征信息，在鄰接矩陣的對角線上添加自環(huán)；自環(huán)的權(quán)重可以設(shè)置為一個固定的常數(shù)，表示節(jié)點與其自身的連接強度。接下來，計算每個節(jié)點的度，即節(jié)點i的度d為鄰接矩陣a中第i行所有元素的絕對值之和；然后，將這些度值組合成一個對角矩陣d，其中對角線上的元素為對應(yīng)節(jié)點的度值，其余元素為0；

12、步驟2：使用計算出的度矩陣d對鄰接矩陣a進行歸一化，得到歸一化后的鄰接矩陣anorm；歸一化的操作通常是通過將鄰接矩陣a的每個元素aij除以節(jié)點i和節(jié)點j的度值di和dj的平方根之積來完成的，即anorm＝d-0.5ad-0.5；這種歸一化方法被稱為對稱歸一化，它有助于減少節(jié)點度對圖卷積操作的影響，從而提高模型的性能。

技術(shù)特征：

1.一種基于任意數(shù)值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)在adhd(注意缺陷多動障礙)分類中的應(yīng)用，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于任意值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)在adhd分類中的應(yīng)用，所述步驟2中，其特征在于鄰接矩陣的稀疏化處理，保留鄰接矩陣絕對值的前k％，共計k條邊，形成一稀疏化的鄰接矩陣。

3.根據(jù)權(quán)利要求1所述的一種基于任意值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)在adhd分類中的應(yīng)用，所述步驟3中，其特征在于鄰接矩陣歸一化，包括如下處理步驟：

技術(shù)總結(jié)
本發(fā)明公開了一種基于任意值鄰接矩陣的圖神經(jīng)網(wǎng)絡(luò)在ADHD(注意缺陷多動障礙)分類中的應(yīng)用，包括如下步驟：1、獲取腦區(qū)生物信號和腦區(qū)間生物信號，將腦區(qū)生物信號作為節(jié)點特征，腦區(qū)間生物信號作為任意數(shù)值鄰接矩陣以表征腦區(qū)間的激勵或者抑制關(guān)系；2、為了降低圖的復(fù)雜性，保留鄰接矩陣前K條邊，實現(xiàn)圖的稀疏化處理；3、節(jié)點特征和處理后的鄰接矩陣作為圖卷積層的輸入，通過計算鄰接矩陣的絕對值得到度矩陣，并實現(xiàn)任意數(shù)值鄰接矩陣的歸一化操作；4利用歸一化后的鄰接矩陣，進行圖卷積操作。本發(fā)明用于鄰接矩陣是任意數(shù)值的圖卷積操作，用于復(fù)雜腦網(wǎng)絡(luò)結(jié)構(gòu)的建模和處理。

技術(shù)研發(fā)人員：王曉彤,湯一彬,高遠
受保護的技術(shù)使用者：河海大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19