CN119478550A 一种基于深度多路径注意力自适应图卷积网络的数据分类方法及系统 （温州大学）

一种基于深度多路径注意力自适应图卷积本发明公开了一种基于深度多路径注意力医学图像处理技术领域，获取并预处理rs_fMRI用于分类。本发明通过数据预处理保障数据质征数据，输入模型后，Transformer主干网络与MLP分支网络可提取多源域特征，结合图网络利在处理如孤独症谱系障碍这类不确定型数据分2从孤独症脑成像数据交换数据库获取静息态功能磁共振成像数据，利用BOLD序列构建功能特征矩阵，并取构建DMAGCN模型，模型由主干网络和多个分支网络组成，主干网络用Transformer搭2.根据权利要求1所述的一种基于深度多路径注意力自适应图卷积网络的数据分类方3.根据权利要求1所述的一种基于深度多路径注意力自适应图卷积网络的数据分类方4.根据权利要求1所述的一种基于深度多路径注意力自适应图卷积网络的数据分类方5.根据权利要求1所述的一种基于深度多路径注意力自适应图卷积网络的数据分类方其中QeR"",keR",veRO,N和M表示Query和Key的长度，Dk和Dv表示3X＝FFN(x)＝Gelu(xW1+b1和b2代表训练的参数矩阵和偏置值。6.根据权利要求1所述的一种基于深度多路径注意力自适应图卷积网络的数据分类方c=J,(o;o.,);Θc,i表示第i个共有特征提取器的参数；表示第i个源域样本在源域中的共有特征；7.根据权利要求6所述的一种基于深度多路径注意力自适应图卷积网络的数据分类方48.根据权利要求1所述的一种基于深度多路径注意力自适应图卷积网络的数据分类方Z,eR"作为从第i个受试者的成像数据中提取的C维特征向量；将(xi,xj)之间的权重wi,jL=λLdomain+Lev；9.根据权利要求8所述的一种基于深度多路径注意力自适应图卷积网络的数据分类方5k权利要求1_9任一所述的一种基于深度多路径注意力自适应图卷积网络的数据分类方法，数据采集处理模块，从孤独症脑成像数据交换数据库获取静息态功能磁共振成像数特征提取模块，利用BOLD序列构建功能特征矩阵，并取模型构建模块，构建DMAGCN模型，模型由主干网络和多个分支网络组成，主模型验证模块，基于五折交叉验证的方法对DMAGCN模型进行验证，得到最优D6其受到的效果就会更好，然而部分ASD患者在儿童期未被发现，而在青少年期被观察到症与ASD相关的功能和结构变化成为可能。基于静息状态功能磁共振成像(Resting_StateFunctionalMagneticResonanceImaging,rs_fMRI)的几种方法被提出用于诊断各种脑中两个大脑区域的平均BOLD信号将Pearson相关系数计算为功能连接，因发现其在神经精数基于rs_fMRI的ASD分类方法都是使用功能连接仪或采集协议的样本不遵循相同的分布。Sun等人通过对齐源域和目标域分布的二阶统计据分布的差异；Eslami等人使用自动编码器和单层感知器(SLP)提高提取特征的质量并优7在第t个时间时刻时的BOLD强度；和分别表示第i个脑区和第j个脑区的平均BOLD时间QeR"",keR",veR⃞",N和M表示Query和Key的长度，Dk和Dv表8[0024]其中，是分别对应于Q,K,V的参数矩和b2代表训练的参数矩阵和偏置值。9τ为ReLU函数；hi和hj为输入的特征xi和xj在同一特[0063]模型验证模块，基于五折交叉验证的方法对DMAGCN模型进行验证，得到最优[0071]本发明实施例公开了一种基于深度多路径注意力自适应图卷积网络的数据分类在第t个时间时刻时的BOLD强度；和分别表示第i个脑区和第j个脑区的平均BOLD时间和b2代表训练的参数矩阵和偏置值。要用来度量两个不同但相关的随机变量的分布的距离，这里使用MMD用来度量源域相关的τ为ReLU函数；hi和hj为输入的特征xi和xj在同一特[0135]实验保证每个对比算法都与提出算法保持相同的数据划[0138]ACC表示被正确分类的样本数目占总样本数目的比例，SEN表示真实样本为ASD的例即真实标签为ASD的样本被预测错误的个数，TN是真反例即真实标签为健康对照的样本[0162]表2和表3显示了10次重复的5倍交叉验证的平均性能。所提出的方法在准确率方面上都优于所有比较方法，其准确率分别在三个图谱上得到验证：在AAL图谱上达到分支网络对齐Ls准确率下降了2.3去掉共有特征与特有特征之间的对齐Lcs之后准确率[0171]本发明提出一种新的多中心域自适应神经网络，该网络是基于Transformer和人和特有特征。该方法尝试在多任务ASD中引入人口图。本发明在ABIDEI的三个图谱中UM、[01