(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210919241.0 (22)申请日 2022.08.02 (71)申请人 山西大学 地址 030006 山西省太原市坞城路9 2号 (72)发明人 杜宇慧　李博　 (74)专利代理 机构 太原晋科知识产权代理事务 所(特殊普通 合伙) 14110 专利代理师 赵江艳 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01) G06F 17/16(2006.01) (54)发明名称 基于近邻传播偏标签学习的脑影像数据分 类模型建立方法 (57)摘要 本发明属于脑影像 分析技术领域， 公开了一 种基于近邻传播偏标签学习的脑影像数据分类 模型建立方法， 包括以下步骤： S1、 获取训练数据 集和对应的原始标签， 求解样 本间相关系数和样 本的度中心性， 据此生成典型样 本集和类别中心 集； S2、 确定训练样本的候选标签， 构建候选标签 集； S3、 通过训练数据集， 利用K+N近邻样本图进 行标签传播， 建立分类模型。 本发明可 以提高分 类模型的准确性和精确度。 权利要求书2页 说明书8页 附图4页 CN 115331051 A 2022.11.11 CN 115331051 A 1.一种基于近邻传播偏标签学习的脑影像分类模型建立方法， 其特征在于， 包括以下 步骤： S1、 获取训练数据集和对应的原始标签； 在训练数据集的同一类别样本内计算各个样 本间相似度 矩阵以及度中心 性， 根据度中心性确定各个类别的典型样本； 然后， 将同一类别 组内所有典型样本的均值作为该类别的初始类别中心； 根据各个类别下的典型样本构成典 型样本集， 根据各个 类别的初始类别中心构成类别中心集； S2、 确定训练数据集中样本的候选标签， 构建候选标签集； S3、 通过训练数据集， 利用K+N近邻样本图建立分类模型， 其具体包括： S301、 将典型样本和其K个近邻节点样本作为本层样本， 确定其近邻节点样本的候选标 签； S302、 根据训练样本的典型样本集、 类别中心和样本特征， 构建本层样本的K+N近邻样 本图； 所述K+N近邻样本图包括K个近邻样本节点和N个近邻典型样本节点； S303、 通过典型样本对其近邻节点样本进行标签推理， 确定其近邻节点样本的分类输 出标签， 然后， 计算同一类别组内各个样本的度中心 性， 根据度中心 性增加各个类别的典型 样本数量， 更新典型样本集、 类别中心集以及候选标签集； S304、 判断是否全部样本标签确定， 若否， 则返回步骤S301； 若是， 则输出所有样本的最 终分类输出 标签， 完成分类模型的建立。 2.根据权利要求1所述的一种基于近邻传播偏标签学习的脑影像分类模型建立方法， 其特征在于， 所述脑影像数据包括： 脑功能核磁共振成像数据、 脑结构核磁共振数据、 弥散 张量成像数据、 脑电数据、 脑磁数据； 所述脑影像数据的特征包括： 脑功能连接特征、 脑灰质密度和体积特征、 脑结构连接特 征、 脑电信号特 征、 脑影像多模态融合后的特 征。 3.根据权利要求1所述的一种基于近邻传播偏标签学习的脑影像分类模型建立方法， 其特征在于， 所述步骤S1中， 所述相似度 矩阵的矩阵元为相关系数， 所述相关系数为皮尔逊 相关系数、 高斯核求 解相关系数或回归求 解相关系数。 4.根据权利要求1所述的一种基于近邻传播偏标签学习的脑影像分类模型建立方法， 其特征在于， 所述 步骤S303中， 确定 近邻样本的分类输出 标签的方法为： 循环计算临时置信度矩阵 和标签置信度矩阵F(t)， 计算公式为： 其中， t表示传播次数； F(0)表示初始的标签置信度矩阵， 取样本的候选标签集 中候选标 签个数的均值作为当前样本的初始标签置信度； α 是权重， WK表示K近邻权重矩阵， WN表示N近 邻权重矩阵； F(t‑1)表示第t‑1次传播时得到的标签置信度矩阵； 为临时置信度矩阵 中权　利　要　求　书 1/2 页 2 CN 115331051 A 2的元素， 表示标签置信度矩阵F(t)中的元素； 表示候选标签集中第i个样 本的分类输出标签为类别l的临时置信度， yl表示类别l的标签， Si表示候选标签 集， n表示本 层训练样本数量， q表示类别个数； 当达到收敛条件时， 停止循环， 将标签置信度矩阵中最大置信度值对应的标签作为近 邻样本的标签。 5.根据权利要求1所述的一种基于近邻传播偏标签学习的脑影像分类模型建立方法， 其特征在于， 所述 步骤S1中， 度中心性 为样本相似度总和； 确定各个类别的典型样本的方法为： 将各个样本的度中心性值进行排序， 选择同一类 别组内度中心性 排序靠前的A％的样本作为典型样本 。 6.根据权利要求5所述的一种基于近邻传播偏标签学习的脑影像分类模型建立方法， 其特征在于， 所述 步骤S303中， 根据 度中心性增 加各个类别的典型样本数量的具体方法为： 对同一类别组内各个样本的度中心性值进行排序， 选择同一类别组内度中心性排序中 前B％的非 典型样本作为 新的典型样本， 加入典型样本集， 其中B大于A。 7.根据权利要求1所述的一种基于近邻传播偏标签学习的脑影像分类模型建立方法， 其特征在于， 所述 步骤S2中， 确定训练集样本的候选标签的具体方法为： 将典型样本的原 始标签认定为分类输出 标签； 计算其余样本与各个类别 中心的相似度， 除原始标签外， 选择相似度最高的一个类别 中心对应的标签作为候选标签， 将其与原始标签一起加入当前样本的候选标签集； 最终确 定所有训练样本的候选标签， 生成候选标签集。 8.根据权利要求1所述的一种基于近邻传播偏标签学习的脑影像分类模型建立方法， 其特征在于， 所述 步骤S302中， 所述本层样本的K+N近邻样本图结构的构建方法为： 基于训练样本的典型样本集、 类别中心和样本特 征， 构建训练样本的全连接原 始图； 对全连接原 始图进行两次稀疏化， 获得 K近邻样本图和N近邻典型样本图； 将K近邻样本图和N近邻典型样本图叠加， 得到 本层样本的K+N近邻样本图。权　利　要　求　书 2/2 页 3 CN 115331051 A 3