本發(fā)明涉及超圖神經(jīng)網(wǎng)絡(luò)與證據(jù)理論，具體涉及一種基于證據(jù)理論的模糊超圖神經(jīng)網(wǎng)絡(luò)的精神分裂癥分類方法。

背景技術(shù)：

1、精神分裂癥是一種嚴(yán)重的精神障礙疾病，導(dǎo)致患者出現(xiàn)幻覺(jué)、妄想以及某種極端混亂的思維和行為，影響患者的日常生活，并可能導(dǎo)致傷殘。論文《cognitive?impairmentin?schizophrenia:aetiology,pathophysiology,and?treatment》(molecularpsychiatry,2023年)提出全球精神分裂癥病例約2400萬(wàn)例，論文《老年精神分裂癥患者述情障礙現(xiàn)狀及對(duì)精神癥狀的影響》(河南醫(yī)學(xué)研究,2024年)提出精神分裂癥的發(fā)生機(jī)制是一個(gè)多因子、多步驟的復(fù)雜過(guò)程，主要依賴于醫(yī)生的經(jīng)驗(yàn)診斷，不確定性較高，治療效果欠佳。同時(shí)，由于缺乏經(jīng)驗(yàn)豐富的醫(yī)生、專業(yè)的器材等醫(yī)療資源，精神分裂癥的預(yù)測(cè)精度較低。

2、為了提高精神分裂癥診斷效果，論文《brain?network?analysis?ofschizophrenia?patients?based?on?hypergraph?signal?processing》(ieeetransactions?on?image?processing,2023年)應(yīng)用超圖腦網(wǎng)絡(luò)探索精神分裂癥的發(fā)病機(jī)制，構(gòu)建真實(shí)加權(quán)的腦超圖網(wǎng)絡(luò)，同時(shí)將矩陣轉(zhuǎn)換為加權(quán)鄰接張量，提升精神分裂癥的分類精度。然而，由于多源異構(gòu)的精神分裂癥數(shù)據(jù)來(lái)自于不同的醫(yī)院與機(jī)構(gòu)，具有較高的異質(zhì)性，該模型無(wú)法建模多模態(tài)數(shù)據(jù)之間的高階相關(guān)性，給后續(xù)醫(yī)療人員的診斷分類造成阻礙。

3、論文《multi-modal?imaging?genetics?data?fusion?via?a?hypergraph-basedmanifold?regularization:application?to?schizophrenia?study》(ieee?transactionson?medical?imaging,2022年)應(yīng)用超圖融合多模態(tài)精神分裂癥數(shù)據(jù)，通過(guò)融合不同模態(tài)之間的異構(gòu)結(jié)構(gòu)信息，刻畫(huà)精神分裂癥數(shù)據(jù)之間的高階關(guān)系，提升精神分裂癥的預(yù)測(cè)精度。然而，由于精神分裂癥數(shù)據(jù)分布不規(guī)律、質(zhì)量不穩(wěn)定，導(dǎo)致該模型中超圖建模存在不確定性，及誤診率的上升。隨著深度學(xué)習(xí)技術(shù)日益成熟，海量的精神分裂癥數(shù)據(jù)得到處理和保存，為精神分裂癥數(shù)據(jù)的開(kāi)發(fā)與研究提供了技術(shù)保障和數(shù)據(jù)支撐。

技術(shù)實(shí)現(xiàn)思路

1、為了彌補(bǔ)上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于證據(jù)理論的模糊超圖神經(jīng)網(wǎng)絡(luò)的精神分裂癥分類方法，降低精神分裂癥數(shù)據(jù)的異質(zhì)性，處理精神分裂癥患者診斷過(guò)程中存在的不確定性，提高精神分裂癥的預(yù)測(cè)精度。

2、本發(fā)明的發(fā)明思想為：本發(fā)明的方法通過(guò)稀疏約束函數(shù)構(gòu)建優(yōu)秀的超邊粒度模型，以此處理分布不均勻的精神分裂癥數(shù)據(jù)，將異質(zhì)性較高的節(jié)點(diǎn)排除超邊粒度模型，降低數(shù)據(jù)的異質(zhì)性；然后，在模糊超圖的構(gòu)建過(guò)程中，應(yīng)用證據(jù)理論融合關(guān)聯(lián)質(zhì)量函數(shù)和距離質(zhì)量函數(shù)；通過(guò)模糊隸屬度刻畫(huà)節(jié)點(diǎn)權(quán)重，提升異質(zhì)性較低節(jié)點(diǎn)的權(quán)重，刻畫(huà)異質(zhì)性較高的節(jié)點(diǎn)分類的不確定性；最后，通過(guò)模糊超圖卷積模型，識(shí)別精神分裂癥患者的標(biāo)簽，提升精神分裂癥數(shù)據(jù)的分類精度及優(yōu)化語(yǔ)義解釋。

3、本發(fā)明所采用的技術(shù)方案是：一種基于證據(jù)理論的模糊超圖神經(jīng)網(wǎng)絡(luò)的精神分裂癥分類方法，包括以下步驟：

4、步驟1、選擇5個(gè)不同站點(diǎn)的精神分裂癥患者的數(shù)據(jù)作為數(shù)據(jù)集；應(yīng)用dparsf工具處理數(shù)據(jù)，其中，預(yù)處理方法主要包括層間時(shí)間校正、空間標(biāo)準(zhǔn)化、全局平均強(qiáng)度歸一化、干擾信號(hào)回歸和帶通濾波等；采用研究中被廣泛使用的自動(dòng)解剖標(biāo)記圖譜模板提取感興趣區(qū)域(region?of?interest，roi)的時(shí)間序列，該模板將大腦皮層劃分為90個(gè)位置鄰近、功能相似的功能腦區(qū)，得到不同功能腦區(qū)的時(shí)間系列信息；

5、步驟2、通過(guò)稀疏約束函數(shù)，完成超邊建模任務(wù)：基于本發(fā)明提出的稀疏約束函數(shù)，構(gòu)建精神分裂癥數(shù)據(jù)節(jié)點(diǎn)的關(guān)聯(lián)矩陣；通過(guò)關(guān)聯(lián)矩陣與相關(guān)性閾值，刻畫(huà)不同精神分裂癥數(shù)據(jù)節(jié)點(diǎn)的最優(yōu)k值；基于k近鄰樣本構(gòu)建超邊粒度模型，刻畫(huà)精神分裂癥數(shù)據(jù)之間的高階相關(guān)性；

6、步驟3、通過(guò)證據(jù)理論，構(gòu)建模糊超圖：基于步驟2得到的精神分裂癥數(shù)據(jù)節(jié)點(diǎn)關(guān)聯(lián)矩陣，構(gòu)建關(guān)聯(lián)質(zhì)量函數(shù)；通過(guò)精神分裂癥數(shù)據(jù)節(jié)點(diǎn)之間的距離，計(jì)算距離質(zhì)量函數(shù)；應(yīng)用質(zhì)量函數(shù)表征精神分裂癥數(shù)據(jù)節(jié)點(diǎn)對(duì)于超邊的關(guān)聯(lián)系數(shù)；應(yīng)用證據(jù)理論，融合質(zhì)量函數(shù)，計(jì)算精神分裂癥數(shù)據(jù)節(jié)點(diǎn)對(duì)于超邊的模糊隸屬度；得到模糊超圖的模糊鄰接矩陣，從而構(gòu)造模糊超圖；

7、步驟4、基于步驟3得到的模糊鄰接矩陣hf和超圖神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建模糊超圖卷積模型：基于模糊鄰接矩陣hf對(duì)精神分裂癥數(shù)據(jù)節(jié)點(diǎn)和超邊的特征進(jìn)行聚合，構(gòu)建模糊超圖卷積算子；基于模糊超圖卷積算子，設(shè)計(jì)用于精神分裂癥數(shù)據(jù)節(jié)點(diǎn)標(biāo)簽預(yù)測(cè)的兩層卷積結(jié)構(gòu)，獲得精神分裂癥受試者的標(biāo)簽。

8、作為本發(fā)明的優(yōu)選技術(shù)方案：所述步驟2具體過(guò)程如下：

9、步驟2.1、通過(guò)稀疏約束函數(shù)建立超邊粒度模型，其中精神分裂癥數(shù)據(jù)節(jié)點(diǎn)特征矩陣x表示為n表示精神分裂癥數(shù)據(jù)節(jié)點(diǎn)數(shù)量，d表示節(jié)點(diǎn)特征維數(shù)；通過(guò)最小化精神分裂癥數(shù)據(jù)節(jié)點(diǎn)的重構(gòu)誤差，獲得節(jié)點(diǎn)之間的關(guān)聯(lián)矩陣r；計(jì)算稀疏約束函數(shù)：

10、

11、其中，||·||f表示矩陣的frobenius范數(shù)，||·||2為l2-范數(shù)正則化項(xiàng)，l表示拉普拉斯矩陣，ρ1和ρ2為調(diào)節(jié)參數(shù)，tr(·)表示矩陣的跡的計(jì)算函數(shù)，rt與xt為矩陣r與x的轉(zhuǎn)置；

12、步驟2.2、基于步驟2.1的稀疏約束函數(shù)，獲得精神分裂癥數(shù)據(jù)節(jié)點(diǎn)之間的關(guān)聯(lián)矩陣r；基于關(guān)聯(lián)性閾值σ，確定所有精神分裂癥數(shù)據(jù)節(jié)點(diǎn)的最優(yōu)k值；對(duì)于精神分裂癥數(shù)據(jù)節(jié)點(diǎn)xi，計(jì)算節(jié)點(diǎn)xi的最優(yōu)k值ki：

13、ki＝num(r(i)＞σ)?(17)

14、其中，r(i)為關(guān)聯(lián)矩陣r第i列，num為計(jì)數(shù)函數(shù)；

15、步驟2.3、根據(jù)步驟2.2得到的最優(yōu)k值，計(jì)算k近鄰樣本，并將k近鄰樣本作為超邊粒度內(nèi)的精神分裂癥數(shù)據(jù)節(jié)點(diǎn)；針對(duì)第i個(gè)超邊，計(jì)算得到超邊粒度hgk(xi)：

16、

17、其中，ki為精神分裂癥數(shù)據(jù)節(jié)點(diǎn)xi的最優(yōu)k值，d(xm,xn)為任意兩個(gè)精神分裂癥數(shù)據(jù)節(jié)點(diǎn)xm與xn之間的歐式距離函數(shù)。

18、作為本發(fā)明的優(yōu)選技術(shù)方案：所述步驟3具體過(guò)程如下：

19、步驟3.1、通過(guò)步驟2，得到超邊xi為其中的精神分裂癥數(shù)據(jù)任意節(jié)點(diǎn)；計(jì)算精神分裂癥數(shù)據(jù)節(jié)點(diǎn)xi與中心節(jié)點(diǎn)xj的歐式距離d(xi,xj)，獲得節(jié)點(diǎn)xi與超邊ej的距離相似度reij，計(jì)算精神分裂癥數(shù)據(jù)節(jié)點(diǎn)xi對(duì)于超邊關(guān)聯(lián)的距離質(zhì)量函數(shù)：

20、

21、

22、其中，m為距離調(diào)節(jié)參數(shù)，kj為超邊ej內(nèi)節(jié)點(diǎn)數(shù)量；

23、步驟3.2、基于步驟2.2得到的關(guān)聯(lián)向量r(j)，獲得超邊內(nèi)所有精神分裂癥數(shù)據(jù)節(jié)點(diǎn)對(duì)于超邊的關(guān)聯(lián)系數(shù)；根據(jù)超邊內(nèi)任意精神分裂癥數(shù)據(jù)節(jié)點(diǎn)xi對(duì)于超邊ej的關(guān)聯(lián)系數(shù)，計(jì)算精神分裂癥數(shù)據(jù)節(jié)點(diǎn)xi對(duì)于超邊的關(guān)聯(lián)質(zhì)量函數(shù)：

24、

25、

26、其中，超邊ej的節(jié)點(diǎn)數(shù)量為kj，超邊ej內(nèi)的第i個(gè)節(jié)點(diǎn)與超邊的關(guān)聯(lián)系數(shù)定義為rij；

27、步驟3.3、基于步驟3.1與步驟3.2中的精神分裂癥數(shù)據(jù)節(jié)點(diǎn)xi對(duì)于超邊ej的距離質(zhì)量函數(shù)和關(guān)聯(lián)質(zhì)量函數(shù)，計(jì)算精神分裂癥數(shù)據(jù)節(jié)點(diǎn)xi對(duì)于超邊ej的模糊隸屬度uij：

28、

29、

30、

31、

32、其中，xa和xb為包含精神分裂癥數(shù)據(jù)節(jié)點(diǎn)xi的節(jié)點(diǎn)集合，ρ為證據(jù)調(diào)節(jié)參數(shù)；

33、步驟3.4、通過(guò)步驟3.3計(jì)算得到精神分裂癥數(shù)據(jù)節(jié)點(diǎn)xi對(duì)于超邊ej模糊隸屬度uij，即為模糊超圖的模糊鄰接矩陣第j列的對(duì)應(yīng)元素；重復(fù)步驟3.3，計(jì)算得到模糊鄰接矩陣hf：

34、

35、其中，n為節(jié)點(diǎn)矩陣x的行的數(shù)目，i和j為矩陣中任意的行數(shù)與列數(shù)。

36、作為本發(fā)明的優(yōu)選技術(shù)方案：所述步驟4具體過(guò)程如下：

37、步驟4.1、基于步驟3得到模糊鄰接矩陣hf，獲得精神分裂癥數(shù)據(jù)節(jié)點(diǎn)對(duì)于超邊的模糊隸屬度和超邊對(duì)于精神分裂癥數(shù)據(jù)節(jié)點(diǎn)的關(guān)聯(lián)系數(shù)；基于模糊隸屬度和節(jié)點(diǎn)-邊-節(jié)點(diǎn)聚合操作，聚合超邊與節(jié)點(diǎn)的特征，獲得模糊卷積算子：

38、

39、其中，xl與x(l+1)為模糊超圖在l和l+1層的特征表示，σ(·)為激活函數(shù)，hft為矩陣hf的轉(zhuǎn)置，dv和de為節(jié)點(diǎn)和超邊基于hf的度矩陣，w為單位矩陣，θl為l層的可訓(xùn)練的權(quán)重參數(shù)矩陣；

40、步驟4.2、基于步驟4.1得到模糊卷積算子，設(shè)計(jì)用于精神分裂癥數(shù)據(jù)節(jié)點(diǎn)標(biāo)簽預(yù)測(cè)的兩層卷積結(jié)構(gòu)，得到精神分裂癥受試者的標(biāo)簽z：

41、z＝softmax(h(relu(hxθ(0)))θ(1))?(29)

42、

43、其中，θ(0)為第一層到隱藏層的權(quán)重矩陣，θ(1)為隱藏層到最后一層的權(quán)重矩陣，softmax(·)和relu(·)為激活函數(shù)。

44、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

45、(1)相比于傳統(tǒng)依賴于醫(yī)生經(jīng)驗(yàn)的主觀治療，本發(fā)明能夠降低由于醫(yī)生經(jīng)驗(yàn)不足而導(dǎo)致的誤診率，進(jìn)一步輔助醫(yī)生完成精神分裂癥的準(zhǔn)確治療。

46、(2)與傳統(tǒng)超圖神經(jīng)網(wǎng)絡(luò)精神分裂癥分類方法相比，本發(fā)明提出的模糊超圖神經(jīng)網(wǎng)絡(luò)能夠降低因精神分裂癥數(shù)據(jù)類型多、分布不規(guī)律、質(zhì)量不穩(wěn)定，不同模態(tài)數(shù)據(jù)結(jié)構(gòu)差異大，等特點(diǎn)導(dǎo)致的不確定性，并提供可解釋性，得到醫(yī)護(hù)人員的廣泛青睞，為精神分裂癥的預(yù)測(cè)識(shí)別提供有力的模型支撐。

47、(3)與傳統(tǒng)精神分裂癥分類方法相比，本發(fā)明提出的基于證據(jù)理論的模糊超圖神經(jīng)網(wǎng)絡(luò)的精神分裂癥分類方法，應(yīng)用模糊超圖降低因多源異構(gòu)數(shù)據(jù)而導(dǎo)致的異質(zhì)性，以便于醫(yī)療人員可以獲得更加客觀準(zhǔn)確的醫(yī)學(xué)數(shù)據(jù)與決策方案。這是本發(fā)明的重要理論價(jià)值與實(shí)踐應(yīng)用所在。