(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210255280.5 (22)申请日 2022.03.16 (65)同一申请的已公布的文献号 申请公布号 CN 114332090 A (43)申请公布日 2022.04.12 (73)专利权人 中南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 唐艳　童干　彭春华　张昊　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 伍传松 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 108550151 A,2018.09.18 CN 107945875 A,2018.04.20 WO 201612 2961 A1,2016.08.04 US 11045271 B1,2021.0 6.29 Yang Li et al. .Deep Spatial-Temporal Feature Fusi on From Adaptive Dynamic Functional Connectivity for M CI Identificati on. 《IEEE Transacti ons on Medical Ima ging》 .2020, 审查员 蒋亮 (54)发明名称 多源域自适应脑网络分类方法、 系统、 设备 及存储介质 (57)摘要 本发明公开了一种多源域自适应脑网络分 类方法、 系统、 设备及存储介质， 方法包括： 采用 滑动窗口沿时间轴对具有多个时间点的4D  rs‑ fMRI进行采样， 保留了原始数据中的空域信息和 时域信息； 构建分类神经网络模型， 通过为每个 源域设置 特定于域的鉴别器， 利用对抗性学习的 方法将每一对源域与 目标域的数据映射到不同 的特征空间， 避免了混淆原有数据的时序依赖结 构， 实现每一对源域与目标域数据分布的对齐， 让分类神经网络学习多个源域的公共 特征； 通过 总损失利用反向传播机制， 更新 分类神经网络模 型， 使处在分类边界附近的目标域样本在不同特 定于域的分类器上的分类结果的差异性变小， 对 齐各个特定 于域的分类 器。 权利要求书3页 说明书12页 附图4页 CN 114332090 B 2022.05.10 CN 114332090 B 1.一种多源域自适应脑网络分类方法， 其特 征在于， 包括以下步骤： 步骤S101、 对具有多个时间点的4D  rs‑fMRI进行预处理， 采用滑动窗口沿时间轴对预 处理后的4D  rs‑fMRI进行采样得到样本集， 总共获取N个来自不同源域的源域样本集和一 个来自目标域的目标域样本集； 步骤S102、 利用所述源域样本集和所述目标域样本集对预先构建的分类神经网络模型 进行训练， 其中， 所述分类神经网络模 型包括N+1个共享权重的特征提取器、 N个域鉴别器以 及N个分类器， 每个所述域鉴别器与唯一对应的所述特征提取器之间进 行对抗性学习， 所述 分类神经网络模型的训练过程包括： 步骤S1021、 将所述源域样本集的样本输入至其所述源域对应的所述特征提取器中， 得 到所述特征提取器输出的第一公共特征， 将所述第一 公共特征分别输入至其所述源域对应 的所述域鉴别器和所述分类器中， 得到所述域鉴别器输出的第一鉴别结果和所述分类器输 出的第一分类结果； 步骤S1022、 将所述目标域样本集的样本输入至其所述目标域对应的所述特征提取器 中， 得到所述特征提取器输出 的第二公共特征， 将所述第二公共特征分别输入至每个所述 域鉴别器和每个所述分类器中， 得到每个所述域鉴别器输出的第二鉴别结果和每个所述分 类器输出的第二分类结果； 步骤S1023、 根据所述第一鉴别结果、 所述第二鉴别结果、 所述第一分类结果和所述第 二分类结果计算所述分类神经网络模型的总损失； 步骤S1024、 根据所述总损失， 采用反向传播机制更新所述分类神经网络模型； 步骤S103、 重复步骤S101至步骤S102， 直至得到训练完成的所述分类神经网络模型。 2.根据权利要求1所述的一种 多源域自适应脑网络分类方法， 其特征在于， 所述特征提 取器包括用于提取空域特 征的3D CNN网络和用于提取时域特 征的LSTM网络 。 3.根据权利要求1所述的一种 多源域自适应脑网络分类方法， 其特征在于， 所述域鉴别 器和所述分类 器均采用Softmax函数作为结果层的激活函数。 4.根据权利要求1所述的一种 多源域自适应脑网络分类方法， 其特征在于， 所述总损失 的计算公式包括： 其中， 表示总损失， 表示根据所述第一分类结果计算损失函数的结果， 表示根权　利　要　求　书 1/3 页 2 CN 114332090 B 2据所述第一鉴别结果计算损失函数的结果， 表示根据所述第二鉴别结果计算损失函数的 结果， 表示根据所述第二分类结果计算损失函数的结果， 和 表示预设的0至1之间的 超参数； 表示源域 的样本， 表示从所述源域 的样本提取的公共特征， 表示所述第一分类结果， 表示源域 的样本对应的分类标签， 表示交叉损失熵函数， 表示所述源域的个数， 表示数学期望， 表示所述目标域用于所述域鉴别器的样本， 表示从所述目标域用于所述域鉴别器的样本提取的公共特征， 表示所述第二 鉴别结果， 表示目标域样本对应的鉴别标签， 表示所述目标域用于所述分类器的样 本， 表示从所述目标域用于所述分类器的样本提取的公共特征， 和 表示第二分类结果， 代表计算 所述第二分类结果之间的 欧氏距离, 和 的上标表示所属域， 与 的计算公式除变量 不同， 其他参数相同。 5.根据权利要求4所述的一种 多源域自适应脑网络分类方法， 其特征在于， 所述每个所 述域鉴别器与唯一对应的所述特 征提取器之间进行对抗 性学习， 包括以下步骤： 在所述特 征提取器与所述 域鉴别器之间设置梯度反转层； 根据所述域鉴别器输出结果得到损失函数结果， 计算所述损失函数结果对所述特征提 取器产生的梯度值； 所述梯度值利用所述梯度反转层进行反转， 用以更新所述分类神经网络模型。 6.一种多源域自适应脑网络分类系统， 其特 征在于， 包括： 样本采集单元， 用于对具有多个时间点的4D  rs‑fMRI进行预处理， 采用滑动窗口沿时 间轴对预处理后的4D  rs‑fMRI进行采样得到样本集， 总共获取N个来 自不同源域的源域样 本集和一个来自目标域的目标域样本集； 模型训练单元， 用于利用所述源域样本集和所述目标域样本集对预先构建的分类神经 网络模型进行训练， 其中， 所述分类神经网络模 型包括共享权重的N +1个特征提取器、 N个域 鉴别器以及N个分类器， 每个所述域鉴别器与唯一对应的所述特征提取器之间进行对抗性 学习， 所述分类神经网络模型的训练过程包括： 将所述源域样本集的样本输入至其所述源域对应的所述特征提取器中， 得到所述特征 提取器输出的第一公共特征， 将所述第一公共 特征分别输入至所述源域对应的所述域鉴别 器和所述分类器中， 得到所述域鉴别器输出的第一鉴别结果和所述分类器输出的第一分类 结果； 将所述目标域样本集的样本输入至其所述目标域对应的所述特征提取器中， 得到所述 特征提取器输出的第二公共特征， 将所述第二公共特征分别输入至每个所述域鉴别器和每 个所述分类器中， 得到每个所述域鉴别器输出的第二鉴别结果和每个所述分类器输出的第 二分类结果； 根据所述第一鉴别结果、 所述第二鉴别结果、 所述第一分类结果和所述第二分类结果 计算所述分类神经网络模型的总损失； 根据所述总损 失， 采用反向传播机制更新所述分类神经网络模型， 直至得到训练完成 的所述分类神经网络模型。 7.一种电子设备， 其特征在于： 包括至少一个控制处理器和用于与所述至少一个控制权　利　要　求　书 2/3 页 3 CN 114332090 B 3