基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统

摘要

本发明实施例公开了基于深度卷积脉冲神经网络的注意缺陷多动障碍(ADHD)疾病诊断辅助决策系统，包括：预处理装置，用于使用信噪比特征选择方法对功能性磁共振成像数据进行预处理；编码装置，用于采用前向算法对预处理后的功能性磁共振成像数据进行编码，生成脉冲序列；诊断预测输出装置，用于使用深度卷积脉冲神经网络根据所述脉冲序列进行诊断预测，并输出诊断预测结果。本发明不需人工标注特征；对医案分配不同调节权重，优化预测模型；提高了诊断预测结果的可靠性。

说明书

技术领域

本发明实施例涉及诊断设备技术领域，具体涉及基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统。

背景技术

近年来，随着社会经济的超高速发展，人们各方面压力逐渐增大，神经疾病的患者数量日益增加。据世界卫生组织的统计，包括各种神经类和精神类疾病在内的脑相关疾病，是所有疾病里社会负担最大的，占比超过百分之二十，超过了心血管疾病，也超过了癌症。因此，幼年期的自闭症或者多动症与智障，中年期的抑郁症和成瘾，阿尔茨海默症与帕金森症等老年期的退行性脑疾病等等重大脑疾病的诊断和干预，是未来脑科技领域一项非常重要的研究内容。近年来，诺贝尔奖涉及的神经科学中的重要发现都跟大脑的信息编码、储存相关。但是，只知晓对神经细胞如何处理，但对整个大脑复杂的网络结构了解不多。到底是什么原理使得神经细胞在某种情况下发生某些反应，并不是很清楚；只有充分了解它们的机理，才能够找到最有效的解决方法。而在致病机理完全清楚之前，必须研发出各种脑疾病的早期诊断指标。一旦有了诊断指标，就可以进行早期干预,降低脑疾病发病率。所以，构建基于脉冲神经网络的生物医学信号检测与处理的有效分类计算模型，对临床诊断具有重要价值。

近几年，基于脉冲神经网络的时空模式数据分类问题研究逐渐增多，并取得了不错的成果。Kasabov等人提出了一种被称为NeuCube的结构模型来映射、学习和理解脑时空数据。该结构是基于三维进化神经网络对大脑结构和功能性区域进行建模，从而对脑时空数据进行分析。Djemili等人采用用于经验模态分解法(Empirical Mode Decomposition，EMD)的新型特征提取方法，将脑时空信号分解为本征模态函数(Intrinsic ModeFunctions，IMF)，并在IMF中计算出四种统计参数值，作为多层感知网络(MultilayerPerceptron Neural，MPN)的输入向量进行分类实验。Sharma等人提出了基于相位空间表示(Phase Space Representation，PSR)的新特征，使用最小方支持向量机(Least SquaresSupport Vector Machine，LSSVM)对癫痫和非癫痫两类数据集进行分类，并取得了不错的成果。Kumar等人采用基于特征的一维局部二进制模型(One Dimensional Local BinaryPattern，ODLBP)，通过使用Gabor滤波器将脑时空数据分解为小段并计算出一维局部二进制模型的直方图的值，通过比对直方图数据来决定类别。

随着科技的发展通过一些新型途径使神经疾病的分析成为可能。目前，研究脑部活动的主要医学途径有：脑电图(Electroenc Ephalo Gram，EEM)、脑磁图(MagnetoencEphalo Gram，MEG)和功能性磁共振成像(functional Magnetic Resonance Imaging，fMRI)等。其中fMRI相对其他医学成像技术可以提供良好的成像对比效果，具有更高的空间分辨率，更适用于大脑、心脏和脊髓的成像。fMRI的技术原理是与神经元有关的功能活动对局部耗氧量和大脑血流的影响程度有所不同，从而导致局部磁场发生变化。fMRI数据是一组具有时间维度的四维成像数据，每一个断面成像都是一个三维长方体，长方体的长和宽表示断面的长和宽，高度表示时间。

fMRI数据是复杂的脑时空数据，具有图像特性，很适合采用卷积神经网络进行处理。同时在处理这种数据时，还需要同时分析时间和空间两部分信息，而脉冲神经网络的内在特性刚好符合这一要求。而且随着深度学习的迅速发展，将深度学习运用到神经疾病的fMRI分类问题中逐渐成为一种趋势，所以深度卷积脉冲神经网络便闪亮登场。现有的分类器进行特征提取时会丢失一定的数据信息，从而降低分类准确率，进而影响诊断结果的准确性。

发明内容

本发明实施例的目的在于提供基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，用以解决现有的分类器进行特征提取时会丢失一定的数据信息，从而降低分类准确率，进而影响诊断结果的准确性的问题。

为实现上述目的，本发明实施例主要提供如下技术方案：

本发明实施例提供了一种基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，包括：预处理装置，用于使用信噪比特征选择方法对功能性磁共振成像数据进行预处理；编码装置，用于采用前向算法对预处理后的功能性磁共振成像数据进行编码，生成脉冲序列；诊断预测输出装置，用于使用深度卷积脉冲神经网络根据所述脉冲序列进行诊断预测，并输出诊断预测结果。

根据本发明的一个实施例，所述预处理装置用于对功能性磁共振成像数据进行预处理，得到所述功能性磁共振成像数据中不同类别信号的变化差异信息；所述编码装置用于将所述功能性磁共振成像数据中变化差异超过预设变化差异阈值的体素信号作为编码信号进行编码。

根据本发明的一个实施例，所述编码装置具体用于在对所述预处理后的功能性磁共振成像数据进行编码时对成像数据采用基于感受野的权值非线性加和计算方法，以增加数据间的联系，且减少输入层脉冲神经元数量。

根据本发明的一个实施例，所述编码装置具体用于：对所述预处理后的功能性磁共振成像数据在空间上进行脑区区域划分；将每个脑区内的节点设为脑区区域的中心点；为脑区内所有体素单元设置权值，以设为中心点的体素为基准，所有与中心点体素相距等间隔的所有体素的权值之和为1，设具有i-1个体素间隔距离的同层中体素个数为n，这一层上的每个体素的权值为1/n；将同层中每个体素的数据乘以权值后求和，然后将i+1层的所有和值加和后求取平均值；将处理后的时间数据采用前向算法进行脉冲时间序列转化，对于给定的信号S(t)，定义基准变量B(t)，B(1)＝S(1)，进行如下计算：如果输入信号S(t

根据本发明的一个实施例，所述深度卷积脉冲神经网络包括多个卷积层和多个池化层，所述脉冲序列一一交错地进入所述多个卷积层和多个池化层。

根据本发明的一个实施例，所述诊断预测输出装置具体用于采用所述深度卷积脉冲神经网络和学习算法进行数据分类和诊断预测，所述学习算法为：

其中，Δw表示权值更新量，s

本发明实施例提供的技术方案至少具有如下优点：

本发明实施例提供的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，使用SNR特征选择方法对fMRI数据进行预处理，不需人工标注特征；同时通过SF算法将fMRI数据编码为脉冲序列；本发明引入基于局部变量STDP的学习算法对医案分配不同调节权重，优化预测模型；本发明从相关疾病的症状、病因、病机等多个方面出发进行诊断规律挖掘，提高了诊断预测结果的可靠性；同时，本发明适用于大多数疾病的辨证规律发现，其具有很高的可扩展性。

附图说明

图1为本发明实施例的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统的结构框图。

图2为本发明实施例所使用的深度卷积脉冲神经网络的结构示意图。

图3为本发明实施例中所使用的PSTDP学习规则实现过程图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

在本发明的描述中，需要理解的是，术语“第一”和“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”和“连接”应做广义理解，例如可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

图1为本发明实施例的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统的结构框图。如图1所示，本发明实施例的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统包括：预处理装置100、编码装置200和诊断预测输出装置300。

其中，预处理装置100用于使用信噪比(Signal-Noise Ratio，SNR)特征选择方法对功能性磁共振成像(functional Magnetic Resonance Imaging，fMRI)数据进行预处理。编码装置200采用前向(Step-Forward，SF)算法对预处理后的fMRI数据进行编码生成脉冲序列。诊断预测输出装置300用于使用深度卷积脉冲神经网络根据脉冲序列进行诊断预测，并输出诊断预测结果。

在本发明的一个实施例中，预处理装置100用于对fMRI数据进行预处理，得到fMRI数据中不同类别信号的变化差异信息。编码装置200用于将功能性磁共振成像数据中变化差异超过预设变化差异阈值的体素信号作为编码信号进行编码，摒弃其他信号达到降维目的。

在本发明的一个实施例中，编码装置200具体用于对fMRI的脉冲序列编码时对成像数据使用基于感受野的权值非线性加和计算方法，增加数据间的联系，同时减少输入层脉冲神经元数量，降低了网络的复杂度。

进一步地，编码装置200具体用于：对预处理后的功能性磁共振成像数据在空间上进行脑区区域划分，采用一种基于距离的凝聚型层次聚类方法——BIRCH，该算法的核心是构建聚类特征树(CF-Tree)；BIRCH算法CF-Tree的构建由分支因子B和阈值T两个重要参数决定，其中B决定树的高度和大小，T控制聚类簇的边界；通过BIRCH算法可以得到聚类效果较好的CF-Tree和较为合理的脑功能分区。

将每个脑区内的节点设为脑区区域的中心点。

为脑区内所有体素单元设置权值，以设为中心点的体素为基准，所有与中心点体素相距等间隔的所有体素的权值之和为1，设具有i-1个体素间隔距离的同层中体素个数为n，这一层上的每个体素的权值为1/n。

将同层中每个体素的数据乘以权值后求和，然后将i+1层的所有和值加和后求取平均值。

将处理后的时间数据采用前向算法进行脉冲时间序列转化，对于给定的信号S(t)，定义基准变量B(t)，B(1)＝S(1)，进行如下计算：如果输入信号S(t

图2为本发明实施例所使用的深度卷积脉冲神经网络的结构示意图。如图2所示，深度卷积脉冲神经网络包括多个卷积层和多个池化层，脉冲序列一一交错地进入多个卷积层和多个池化层，以卷积层S1→池化层C1→卷积层S2→池化层C2→卷积层S3→池化层C3的形式排列。其中在卷积层S1——卷积层S3之间采用基于局部变量STDP的无监督学习算法，在最后反向调节时采用基于局部变量STDP的监督学习算法。

图3为本发明实施例中所使用的PSTDP学习规则实现过程图。如图3所示，诊断预测输出装置300具体用于采用深度卷积脉冲神经网络、无监督学习和监督学习算法进行数据分类和诊断预测。其中，无监督学习算法为：基于局部变量STDP的无监督学习算法规则；监督学习算法为：基于局部变量STDP的监督学习算法规则；都忽略了脉冲时间序列上已发放脉冲对后序脉冲发放的影响。本发明结合STDP算法与PSTDP算法，构造一种更高效的基于局部变量STDP的学习算法，PSTDP学习规则实现过程如图3所示。

大多数STDP规则解释为基于脉冲对的更新规则，即突触权值的改变依赖于突触前和突触后脉冲对的时间差。PSTDP规则在数学上表示为:

其中，

突触前脉冲到达引起的突触权值减小与突触后模拟量y

或者表示为：

其中，

根据Widrow-Hoff规则，可得权值更新规则为：

Δw(t)＝[s

其中，

根据PSTDP规则可得：

结合式(4)、(5)、(6)可得改进的基于局部变量STDP的学习算法为：

其中，Δw表示权值更新量，s

本发明实施例提供的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，使用SNR特征选择方法对fMRI数据进行预处理，不需人工标注特征；同时通过SF算法将fMRI数据编码为脉冲序列；本发明引入基于局部变量STDP的学习算法对医案分配不同调节权重，优化预测模型；本发明从相关疾病的症状、病因、病机等多个方面出发进行诊断规律挖掘，提高了诊断预测结果的可靠性；同时，本发明适用于大多数疾病的辨证规律发现，其具有很高的可扩展性。

本发明实施例的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。