买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学申请的专利一种基于多阶段图卷积融合的脑功能连接分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114287910B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111648999.7，技术领域涉及：A61B5/055；该发明授权一种基于多阶段图卷积融合的脑功能连接分类方法是由孔佑勇;牛舒怡;高和仁;沈傲东;岳莹莹;陈素珍;袁勇贵设计研发完成，并于2021-12-29向国家知识产权局提交的专利申请。

本一种基于多阶段图卷积融合的脑功能连接分类方法在说明书摘要公布了：本发明提出了一种基于多阶段图卷积融合的脑功能连接分类方法，通过学习样本在不同子空间下的特征并利用图卷积融合达到脑功能连接分类的目的。首先，对原始的静息态功能磁共振数据进行处理，提取各样本显著的脑功能连接的特征作为各样本的原始特征；其次，利用深度子空间聚类理论提取原始特征在不同子空间维度下的特征；此外，利用数据多阶段的自表达属性自学习出可以更好表示样本间关系的拓扑图结构；最后，利用学习到的多阶段特征和拓扑图结构，采用图卷积融合的方式，输出分类结果。本发明不仅学习了多阶段的特征，并对其进行了有效融合，为脑功能连接的分类决策提供更为全面、不同阶段互补的信息，利用较少的监督信息即能取得良好的分类结果。

本发明授权一种基于多阶段图卷积融合的脑功能连接分类方法在权利要求书中公布了：1.一种基于多阶段图卷积融合的脑功能连接分类方法，其特征在于，包括以下步骤： 步骤1，处理样本的静息态功能磁共振成像数据，获取两组样本之间的显著脑功能连接特征： 1-1，使用fMRI数据进行全脑功能连接计算，首先，对fMRI图像进行预处理，依据灰质和白质大脑分区图谱将个体配准到标准空间，进行脑区划分；然后，获得各脑区的血氧水平依赖信号平均值，即为代表该脑区当前时刻的信号值；之后，依据各个脑区的平均时间序列信号，计算大脑分区时间序列的相关性获得不同脑区之间的功能连接强度，得到相关性矩阵；最后，为了节省存储空间和计算的复杂度，取相关性矩阵的上三角或者下三角元素，拉平成一维向量作为此样本的全脑功能连接特征； 1-2，显著功能连接特征获取，挑选出具有高区分度的显著脑区数据，首先，为了验证所选取的功能性连接特征是否能够区分两组样本，分别计算两个类别中所有样本的脑区相关性矩阵的平均值代表该类别的脑区相关性度量值并进行区分性分析；之后，在具有区分性的基础上，采用统计学中的双样本t检验，寻找两类样本集中具有显著差异的脑区，显著差异为脑区相关性差异度量值符合预先设定的要求；最后，根据计算出的t检验统计量对照t分布的界值表得到所有脑区在两个类别间的脑区相关性差异度量值，将具有高度区分性的脑区相关性作为样本原始特征{Xi|Xi∈Rd,i∈{1,2,...,N}}，其中N为受试者样本总数，i为样本编号，Xi为编号为i的样本的原始特征，d为维度，Rd为d维的欧几里得空间； 步骤2，对于步骤1处得到的样本显著功能连接特征作为输入，采用深度子空间聚类学习不同阶段全面的特征信息并构建拓扑图结构，具体包括： 2-1，采用自编码器进行预训练，学习稳定的样本特征在不同子空间维度的表示，即样本不同阶段特征；分别采用L层全连接层构成对称的编码器和解码器结构；编码器部分将所有受试者样本原始特征X作为第一阶段的特征表示，编码器每一层的输出对应下一层的输入；解码器部分，通过对称结构实现样本的特征在对应编码器阶段下的特征重构，因为编码器和解码器是对称结构，故编码器的最后一层即第L层的输出为解码器第一层的输入； 2-2，进一步利用数据的自表达属性，在自编码器模型的每个阶段中加入一层无激活函数的全连接层继续训练，进而学习到能够衡量样本间亲疏关系的亲和度矩阵Cl； 2-3，根据学习到的亲和度矩阵Cl，使用按比例量化的方式，对亲和度矩阵元素根据比例量化为0、1值，进而得到样本间的拓扑图结构；基于拓扑图结构中的顶点的边连接关系，定义邻接矩阵A； 步骤3，根据步骤2中学习到的多阶段的特征与图结构，利用图卷积神经网络将其融合，具体包括： 3-1，对各阶段特征及图拓扑利用图卷积进行学习；采用频域图卷积，将每个阶段学习到的样本特征{Xi,i∈{1,...,L}}和代表图拓扑结构的邻接矩阵{Ai,i∈{1,...,L}}作为输入，利用图卷积操作实现特征空间和拓扑图的结合提取样本内及样本间的特征信息；在每个图卷积神经网络的支路上，卷积层采用基于样本特征表示Xi以及对应形成的邻接矩阵Ai实现分层信息传播规则，其中，h∈{1,2,...,H}，H是图卷积网络的卷积层数，是对角矩阵，矩阵中的对角元素是卷积层的可训练参数，σ·代表激活函数，表示第h层的输出；对每个图卷积神经网络支路，最终的输出为其中c表示类别的数量； 3-2，融合各阶段学习后的特征；对每个阶段对应的图卷积支路网络学习到的样本特征卷积后的结果进行融合，为脑功能连接分类决策提供不同阶段下的互补信息；对所有对应每个阶段的图卷积网络支路，整个网络模型的预测输出为其中g·表示融合函数； 3-3，半监督训练及样本分类；整个模型通过最终的少量标签的交叉熵损失Lfusion约束进行训练，其中Yij表示样本i是否属于类别j，属于则为1，不属于则为0；待模型整体趋于稳定时，对融合结果进行分类判别，最终形成样本脑功能连接的分类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：210000 江苏省南京市麒麟科创园智识路26号启迪城立业园04幢；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。