(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211292211.8 (22)申请日 2022.10.21 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 雷大江　张涛　刘晨　史春梦　 王国胤　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 王海军 (51)Int.Cl. A61B 5/16(2006.01) A61B 5/00(2006.01) A61B 5/055(2006.01) A61B 5/145(2006.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度展开神经网络的孤独症谱系 障碍识别模型 (57)摘要 本发明属于认知障碍领域， 具体涉及一种基 于深度展开神经网络的孤独症谱系障碍识别模 型， 该模型的构建过程包括： 使用近端梯度下降 法求解带有空间信息的脑功能网络优化问题的 可微部分， 对不可微部分定义一个近端算子将优 化问题转换为迭代公式； 用深度展开算法将迭代 公式中的近端算子替换为双层卷积层， 则迭代公 式重建为迭代网络， 得到迭代网路模块； 将卷积 神经网络分类器融入原型学习， 得到基于原型学 习的卷积神经网络分类器； 将迭代网路模块和基 于原型学习的卷积神经网络分类器组合， 得到障 碍识别模型； 训练模型并测试模型性能， 得到最 优的障碍识别模 型； 本发明提高了网络模型的拟 合能力和泛化能力， 进一步提高了识别疾病的准 确率。 权利要求书3页 说明书6页 附图1页 CN 115474939 A 2022.12.16 CN 115474939 A 1.一种基于深度展开神经网络的孤独症谱系障碍识别模型， 其特征在于， 该模型的构 建过程包括： 获取静息态 功能性磁共 振成像技 术表征的脑血 氧水平依赖性信号； 使用用于关系分析的可配置管道方法对静息态功能性磁共振成像技术表征的脑血氧 水平依赖性信号进行预处理， 根据AAL分区模板将脑血氧水平依赖性的三维图像信号转换 为二维时间序列信号， 并将每个二维时间序列信号归一化， 再将所有归一化后的二维时间 序列信号按9:1的比例分为训练集和 测试集； 使用近端梯度 下降法求解带有空间信 息的脑功能网络优化问题的可微部分， 对不可微 部分定义 一个近端算子将优化问题转换为迭代公式； 用深度展开算法将迭代公式中的近端算子替换为双层卷积层， 则迭代公式重建为迭代 网络， 得到迭代网路模块， 迭代次数为迭代网路模块的个数； 将卷积神经网络分类 器融入原型 学习， 得到基于原型 学习的卷积神经网络分类 器； 将迭代网路模块和基于原型学习的卷积神经网络分类器组合， 得到障碍识别模型， 使 用训练集训练模型并通过测试集测试模型性能， 得到最优的障碍识别模型。 2.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型， 其 特征在于， 使用近端梯度下降法求解带有空间信息的脑功 能网络优化问题的可微部分， 表 示为： 其中， 表示优化问题中的可微部分第k+1次迭代后的大脑不同分区的连接强度 矩阵， Wk表示可微部分第 k次迭代后的大脑不同分区的连接强度矩阵， α 表示迭代步长， λ1表 示空间信息先验的控制参数， X表示脑血氧水平依赖性的时间序列信号， D表示一个用于辅 助计算的对角矩阵， S表示大脑不同分区之间连接 拓扑的相似性。 3.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型， 其 特征在于， 对不可微部分定义 一个近端算子将优化问题转换为迭代公式， 表示 为： 其中， prox( ·)表示近端算子， Wk+1表示优化问题中的不可微部分第k+1次迭代后的大 脑不同分区的连接强度矩阵， 表示优化问题中的可微部分第k+1次迭代后的大脑不 同分区的连接强度矩阵， Wk表示可微部分第k次迭代后的大脑不同分区的连接强度矩阵， α 表示迭代步长， λ1表示空间信息先验的控制参数， X表示脑血氧水平依赖性的时间序列信 号， D表示 一个用于 辅助计算的对角矩阵， S表示大脑不同分区之间连接 拓扑的相似性。 4.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型， 其 特征在于， 迭代网路模块， 包括： 迭代公式中未知表示的近端算子prox( ·)用双层卷积层代替， 两个卷积层之间通过 ReLU激活函数连接， 卷积层的都采用了3 ×3的大小卷积核， 并设置了边缘填充以保持维度 大小不变， 第一个卷积层设置32个卷积核特征， 步长α和控制参数λ1通过网络学习自适应改权　利　要　求　书 1/3 页 2 CN 115474939 A 2变其数值， 整个网路模块通过网络训练来自主学习近端算子的表示方法， 获得更符合类别 标签的特 征表示。 5.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型， 其 特征在于， 将卷积神经网络分类器融入原型学习， 得到基于原型学习的卷积神经网络分类 器， 具体包括： 在分类器 中使用4层卷积提取特征， 池化层用于下采样， 卷积层使用的过滤器数量分别 为： 64、 64、 32、 1； 每个池化操作后使用RELU函数激活并正则化， 卷积池化层后将图展开 成一 维输入到全连接层， 全连接层一共四层， 其中有两层隐藏层， 他们的神经元个数分别为： 10、 64、 32、 2； 每一层后都有ReLU激活函数， 为了避免过拟合， 全连接层中有Dropout操作， 全连 接层后连接原型学习， 给每个类别设置多个原型， 利用原型训练网络参数， 分类器的损失函 数使用了基于距离的交叉熵损失函数， 将输出与各个原型之间的最短欧氏距离作为分类依 据， 距离某一类原型越近， 属于其类别的可能性越高， 同时， 整个网络使用ADAM作为优化器， 学习率设置为0.0 001， Dropout项随机 丢弃的概 率为0.5， 权值衰减参数设置为0.0 001。 6.根据权利要求5所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型， 其 特征在于， 给每 个类别设置多个原型， 利用原型训练网络参数， 表示 为： 其中， preclass表示模型最终预测的类别， f(x； θ )表示分类器中特征提取网络的输出， x代表分类器中特征提取网络的输入， θ代表中分类器中特征提取网络网络参数， mij表示每 个原型， C表示类别个数， K表示每 个类别的原型个数。 7.根据权利要求5所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型， 其 特征在于， 基于距离的交叉熵损失函数， 表示 为： 其中， loss(x, θ,m)表示基于距离的交叉熵损失函数， d()表示模型输出和原型的相似 程度， γ表 示概率分配难度的超参数， x代表分类器中特征提取网络的输入， θ代表中分类器 中特征提 取网络的网络 参数， m表示类别的原型， mij表示第i类的第j个每个原型， C表示类别 个数， K表示每个类别的原型个数， k表示类别序号， l表示原型序号， e表示自然常数， mkl表示 第k类的第l个原型。 8.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别模型， 其 特征在于， 使用训练集训练模型并通过测试集测试模型性能， 具体包括： 设置batch大小为32， 将训练集 中的数据输入建立好的障碍识别模型并经过shuffle过 程， 数据每次迭代都输入一个batch的数据样本， 数据经过8个迭代网络模块后输出大小为N ×N的脑功能网络特征图， 再经过四层卷积层提取成5 ×5的特征图， 将5 ×5的特征图展开为 1×10的向量并经过三层全连接层获得最终结果， 在获得结果的同时每个标签类别训练了 两个原型， 利用基于距离的交叉熵损失函数计算损失并反向传播更新全连接参数、 卷积核权　利　要　求　书 2/3 页 3 CN 115474939 A 3