一种基于因果自编码器与元学习的脑效应连接学习方法

本发明涉及fmri功能磁共振成像数据的因果发现方法，针对基于fmri的计算机辅助诊断脑疾病目标，设计了一种因果自编码器与元学习的脑效应连接学习方法。

背景技术：

1、脑效应连接网络(brain effective connectivity network)的学习是评价正常脑功能和多种脑疾病相关损伤的有效手段，故成为人脑连接组研究中的一项极为重要的科学问题。因此，利用计算方法从功能磁共振成像(functional magnetic resonanceimaging，fmri)时间序列中准确地学习脑效应连接网络已成为脑科学研究中的前沿热点。

2、已有研究表明，大脑疾病通常与脑连接异常有关，发现脑效应连接网络的差异为评估正常的大脑功能和与某些神经退行性疾病相关的大脑损伤提供了有效的方法，比如阿尔茨海默病(alzheimer’s disease，ad)，抑郁症(depression)，以及自闭症谱系障碍(autism spectrum disorder，asd)等等。

3、从fmri数据估计大脑效应连接可以表示为检测不同大脑区域之间的相互作用的问题。具体来说，ec网络是一个由节点和有向边组成的图形模型，其中每个节点表示大脑的一个区域，每个有向边表示两个大脑区域之间的因果关系，与每个边关联的连接参数表示两个脑区之间的连接强度。

4、目前，已经涌现出了大量从fmri数据中学习脑效应连接的方法，这些工作大致可以分为两类：传统机器学习(traditional machine learning，tml)方法与深度学习(deeplearning，dl)方法。tml方法包括基于贝叶斯网络(bayesian network,bn)的方法，基于线性非高斯无环因果模型(linear non-gaussian acyclic model,lingam)的方法和基于格兰杰因果(granger causality,gc)的方法等等。这些方法具有模型简单和具有可解释性的优点，但是极易受到噪声影响且依赖先验知识和假设。随着深度学习的不断发展，很多dl方法也被成功运用于脑效应连接学习当中；与tml方法相比，基于dl的脑效应连接学习方法在高维数据和非线性信息流处理方面具有很大优势。例如生成对抗网络(generativeadversarial network,gan),循环神经网络(recurrent neural networks,rnn)，多层感知机(multilayer perceptron,mlp)等等。然而在实际的临床研究中，由于数据采集与处理的成本较高，fmri数据样本量有限，而dl方法需要大量的数据训练模型，因此在训练数据不足的情况下，此类方法很难学习到准确的脑效应连接网络。

5、因此，如何从小样本fmri时间序列数据中，准确地识别脑效应连接仍是该领域中一个极具挑战的课题。

技术实现思路

1、针对目前脑效应连接学习方法难以从小样本fmri数据中学习准确脑效应连接的问题，本发明提出了一种基于因果自编码器与元学习的脑效应连接学习模型(causalautoencoder and meta-learning,mcae)。该模型首先通过因果自编码器(causalautoencoder,cae)对输入的fmri时间序列数据进行编码，提取其时序空间信息，之后利用cae中的结构方程模型(structural equation modeling,sem)学习脑区间的因果连接；最后，使用模型无关元学习算法(model-agnostic meta-learning，maml)reptile学习不同受试者间共享的脑效应连接元知识(指大多数被试普遍具有的脑效应连接)，并迁移到cae，以提升模型在小样本数据上的识别能力。

2、实现本发明的主要思路是：元学习方法在许多应用领域小样本问题上的成功证明了其有效性。一方面，元学习可以利用其他相关任务学到的知识来辅助当前任务的学习，从而获得更好的效果。另一方面，不同的fmri受试者间通常共享部分相同的脑效应连接信息，这些信息描述了不同脑区之间的复杂联系。如果将这些描述脑效应连接的信息流作为元知识，并转化为模型的先验，可能有助于缓解小样本数据难以提供足够信息的问题从而进一步提高脑效应连接学习的准确性。

3、一种基于因果自编码器和元学习的脑效应连接学习模型包括以下步骤：

4、步骤一，数据获取：为了验证本发明所提出模型的有效性，在模拟和静息态fmri真实数据集上进行实验，评估该模型的脑效应连接学习性能。

5、步骤二，学习任务定义：首先将单个被试的fmri时间序列数据作为一个学习任务，元学习训练阶段不以数据为基本单位，以学习任务为基本单位。

6、步骤三，脑效应连接元知识学习：使用双层优化架构的reptile来学习不同学习任务(被试)之间共有的脑效应连接，作为模型的先验知识(参数初始化)。

7、步骤四，估计脑区间的效应连接：使用具有先验知识的cae对目标被试的fmri时间序列数据进行学习，以从中学习脑效应连接网络。

8、与现有技术相比，本发明具有以下明显的优势和有益效果；

9、(1)提出了一种新的基于因果自编码器和元学习的脑效应连接学习模型，与大多数tml或dl方法相比具有优异的学习性能。

10、(2)该发明利用因果自编码器可以端到端得学习一个脑效应连接网络。

11、(3)本发明利用元学习可以利用不同的fmri受试者间通常共享部分相同的脑效应连接信息，有效缓解了小样本数据难以提供足够数据的问题。

12、(4)在静息态fmri真实数据上的实验结果表明，本发明可以医学研究者分析人脑机理提供一种备选的辅助手段。

技术特征：

1.一种基于因果自编码器与元学习的脑效应连接学习方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于因果自编码器与元学习的脑效应连接学习方法，其特征在于，真实fmri时间序列数据集是静息态fmri数据由23名人类受试者在7分钟的fmri会话中获得的，其中tr重复时间＝1s，共产生421个fmri时间序列的数据点；涉及内侧颞叶的以下七个兴趣区域roi：脊髓周围皮层分为布罗德曼36区和35区；海马旁皮层phc；脑内皮层erc；脑下丘sub；海马角1ca1；以及由海马角2,3和齿状回组成的区域ca23dg。

3.根据权利要求1所述的一种基于因果自编码器与元学习的脑效应连接学习方法，其特征在于，元学习训练过程定义学习任务，fmri受试者作为一个学习任务，其时间序列的维度相同，分布相似，具有基本一致的大脑脑区结构。

4.根据权利要求1所述的一种基于因果自编码器与元学习的脑效应连接学习方法，其特征在于，步骤三中，脑效应连接元知识学习为元优化过程，以学习任务为基本单位，从每个任务中学习脑效应连接的元知识；使用reptile元学习方法并行运行，对学习任务进行重复采样，随着每个学习任务网络参数的更新，reptile将移动该网络上更新的权重即梯度到初始化参数即元知识中；

5.根据权利要求1所述的一种基于因果自编码器与元学习的脑效应连接学习方法，其特征在于，步骤四中，基于结构方程模型sem的因果自编码器来学习脑效应连接网络；将d表示为fmri时间序列数据输入数据，此数据具有n个脑区xi和长度为t的数据点，i＝1，...，n，具体表示为

技术总结
本发明公开了一种基于因果自编码器与元学习的脑效应连接学习方法，首先通过因果自编码器(CausalAutoencoder,CAE)对输入的fMRI时间序列数据进行编码，提取其时序空间信息，之后利用CAE中的结构方程模型(Structural equation modeling,SEM)学习脑区间的因果连接；最后，使用模型无关元学习算法(Model‑Agnostic Meta‑Learning，MAML)Reptile学习不同受试者间共享的脑效应连接元知识(指大多数被试普遍具有的脑效应连接)，并迁移到CAE，以提升模型在小样本数据上的识别能力。本发明利用元学习可以利用不同的fMRI受试者间通常共享部分相同的脑效应连接信息，有效缓解了小样本数据难以提供足够数据的问题。在静息态fMRI真实数据上的实验结果表明，本发明可以医学研究者分析人脑机理提供一种备选的辅助手段。

技术研发人员：冀俊忠,张祚祯,刘金铎
受保护的技术使用者：北京工业大学
技术研发日：
技术公布日：2024/1/22