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：北京工业大学

摘要：本发明公开了一种基于拓扑排序的大规模脑效应连接深度学习方法，属于脑神经及脑机接口技术等领域；首先通过多头注意力机制来深入挖掘脑区体素时间序列中的长期依赖关系，使模型能够更准确地建模脑区体素时间序列的分布特征。然后采用去噪扩散训练方法，使模型不受特定概率分布假设来提高模型鲁棒性。最后，通过拓扑排序技术获取脑区间的拓扑序列，来压缩图搜索空间，进而降低计算开销，更高效地学习大规模脑效应连接网络。本发明在建模脑区体素时间序列分布时能够更全面、准确地捕捉神经活动的复杂变化。本发明摒弃对特定概率分布的假设，使模型更灵活地适应各种脑区体素时间序列的特征。

主权项：1.一种基于拓扑排序的大规模脑效应连接深度学习方法，其特征在于，通过多头注意力机制来深入挖掘脑区体素时间序列中的长期依赖关系，使模型能够更准确地建模脑区体素时间序列的分布特征；然后采用去噪扩散训练方法，使模型不受特定概率分布假设来提高模型鲁棒性；通过拓扑排序技术获取脑区间的拓扑序列，来压缩图搜索空间，进而降低计算开销学习大规模脑效应连接网络；包括以下步骤：步骤一，获取脑区体素时间序列：选用Netsim数据集，它包含丰富的、真实的模拟fMRI数据，用于广泛的底层网络、实验协议和数据中的问题混淆；步骤二，利用注意力机制建模脑区体素时间序列的分布：多头注意力机制通过引入多个注意力头，使模型能够同时关注输入序列的不同部分，捕捉更多的信息；每个注意力头学习不同的关系，从而提高模型对时间序列长期依赖关系的感知能力；步骤三，利用注意力建模的去噪扩散训练来计算脑区节点分数：在步骤二利用注意力机制建模脑区体素时间序列分布的基础上，利用不受概率分布约束的去噪扩散训练来计算脑区节点分数，灵活处理时间序列的复杂非线性关系，增强模型的泛化能力；步骤四，根据脑区节点分数进行拓扑排序得到脑效应拓扑序列：利用步骤三的脑区节点最小分数来获取拓扑叶子结点，然后删除拓扑叶子结点对应的脑区数据，并进行下一次的迭代来获取下一个拓扑叶子结点，最终获取完整的脑区间拓扑队列；通过拓扑队列的形式呈现脑区间的拓扑结构能够压缩图搜索空间，有助于减少计算复杂性，降低学习大规模脑效应连接的计算开销；步骤五，对脑效应拓扑序列进行剪枝得到脑效应连接网络：在步骤四得到的拓扑排序队列基础上，采用基于二次回归和阈值分割的剪枝算法构建脑效应连接网络，通过对每个脑区间节点进行二次回归，精炼连接权值并根据阈值判定保留或剪除连接，从而优化脑效应连接网络；通过这一过程，研究致力于建立更紧凑、具有生物学意义的脑效应连接网络，以深化对脑部结构和功能关系的理解，算法的执行效率也得到了提升。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于拓扑排序的大规模脑效应连接深度学习方法