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：西北工业大学

摘要：本发明公开了一种基于GNN‑RL框架的多模态大脑网络中枢节点识别方法，整合多种脑成像数据，通过图神经网络提取大脑网络的特征，进而运用强化学习策略识别出枢纽节点。与传统的基于图论的方法相比，本发明能够更全面地整合和处理结构与功能信息，提高了枢纽节点识别的准确性和可靠性。

主权项：1.一种基于GNN-RL框架的多模态大脑网络中枢节点识别方法，其特征在于，包括如下步骤：步骤1：将大脑磁共振图像数据构建成多模态脑图；通过收集并处理来自核磁共振成像MRI、弥散张量成像DTI和功能磁共振成像fMRI的数据，建立多模态大脑网络；大脑网络被定义为无向图G＝V,E,X，其中V表示大脑区域节点集，E表示节点间的边，即大脑区域间的结构连接；X表示大脑区域的功能信号特征；步骤2：使用GNN-RL模型选择大脑枢纽节点；利用图神经网络GNN与强化学习RL的结合，构建一个能够识别大脑网络中枢纽节点的模型；GNN负责处理和分析大脑网络数据的特征，RL负责通过学习策略优化识别枢纽节点的过程；步骤2-1：GNN的基本结构与算法公式；图神经网络通过在节点之间传播信息，使得每个节点能够学习到其邻居节点的特征；基本的图卷积网络GCN层表示为： 其中：-H{l}表示第l层的节点特征矩阵；-σ是激活函数；-是加上自连接的邻接矩阵，A是原始邻接矩阵，IN是单位矩阵；-是的度矩阵的对角线部分；-Wl是第l层的权重矩阵；步骤2-2：强化学习的基本步骤；强化学习RL用于基于GNN的特征来选择大脑网络中的枢纽节点，包括：-初始化环境，包括大脑网络的当前状态和可用的行动集；-根据当前策略选择行动；-执行行动，观察环境反馈；-更新策略，以优化未来的行动选择；步骤2-3：PageRank算法的优化公式：采用改进的PageRank算法，公式如下： 其中，Rvi是节点vi的PageRank值；d为阻尼因子；Mvi是指向节点vi的所有节点集合；Lvj是节点vj的出链数量；步骤3：模型验证；步骤3-1：初始化GNN-RL模型的参数，包括权重和学习率；准备训练数据集，包括fMRI和DTI数据；将训练数据输入GNN部分，进行特征提取和节点重要性评估；步骤3-2：强化学习RL环节，根据GNN的输出进行决策；强化学习智能体在每个epoch选择一组枢纽节点，并根据改进的PageRank算法计算得到的奖励来更新策略；通过多次迭代，使用奖励信号和误差回传来不断调整GNN-RL模型的参数，以优化枢纽节点的识别准确率；步骤3-3：在不同大脑个体上进行枢纽点选择，使用图论属性验证枢纽节点的重要性度量；在群体间验证枢纽节点的重要性，按照一定的比例，选取枢纽区域出现频率最高的区域作为大脑重要区域。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于GNN-RL框架的多模态大脑网络中枢节点识别方法