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！

申请/专利权人：大连理工大学

摘要：一种基于显著图解释多被试复数fMRI数据CNN分类结果的方法，属于生物医学信号处理领域。将单被试的切片样本送入一个训练好的CNN模型获得卷积层输出的特征图，将多通道特征图进行平均并上采样到与输入样本同样的尺寸；经过归一化、取阈值获得分类过程中所依据的显著特征，以解释单被试的分类结果；对于多个被试，将同类被试的特征图先取平均，归一化后取阈值获得分类过程中所依据的组显著特征，用于解释多被试的分类结果。从多个被试的复数静息态fMRI数据中提取DMN成分后，分别建立SSP图和SSM图的样本集，用于训练两个结构相同的CNN模型；本发明的显著图可视化方法显示出SSP图比SSM图在CNN网络的内部传递中生成了更完整、区分度更高的显著特征，提高了CNN模型分类的可信度。

主权项：1.一种基于显著图解释多被试复数fMRI数据CNN分类结果的方法，通过将单被试的切片样本送入一个训练好的CNN模型，获得卷积层输出的特征图，然后将卷积层多通道特征图进行平均并上采样到与输入样本同样的尺寸，经过归一化、取阈值获得分类过程中所依据的显著特征，以解释单被试的分类结果；对于多个被试，将同类被试的特征图先取平均，归一化后取阈值获得分类过程中所依据的组显著特征，用于解释多被试的分类结果；其特征在于，以下步骤：第一步：将被试j沿z轴的二维SSP切片样本输入一个训练好的2D-CNN模型，SSP切片表示为J是被试总数，X×Y为SSP切片的大小，x＝1,…,X，y＝1,…,Y；第二步：提取2D-CNN卷积层的特征图，从2D-CNN模型中提取某一卷积层输出的特征图，表示为K为通道数，X′×Y′为特征图的大小，X'、Y'由对应层的卷积核尺寸决定，j＝1,…,J，J是被试总数；第三步：多通道特征图平均，将卷积层K个通道的特征图进行平均，如下： 第四步：平均特征图上采样，对插值，使其与输入SSP切片样本大小X×Y相同，表示为J是被试总数；第五步：生成单被试显著图，对归一化后取阈值得到单被试显著图，表示为其中 为单被试分析中控制显著程度的阈值，根据与CNN所输入的SSP切片激活相近的原则确定；j＝1,…,J，J是被试总数；第六步：生成多被试组特征图，将同类单被试的上采样平均特征图进行平均，得到组特征图，如下： 式中，J′是同类被试总数；第七步：生成多被试组显著图，对归一化后取阈值得到组显著图，表示为其中 为多被试组分析中控制显著程度的阈值，可以等于单被试分析中控制显著程度的阈值；第八步：输出单被试显著图、多被试组显著图。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于显著图解释多被试复数fMRI数据CNN分类结果的方法