一种基于任意值邻接矩阵的图神经网络在ADHD分类中的应用

本发明涉及一种基于任意值邻接矩阵的图神经网络在adhd(注意缺陷多动障碍)分类中的应用，属于精神疾病智能辅助分类诊断领域。

背景技术：

1、随着深度学习技术的快速发展，图神经网络在处理具有复杂网络结构的数据方面表现出了巨大的潜力。在生物医学领域，特别是神经科学研究中，脑区间的连接关系可以自然地表示为图结构，其中脑区作为节点，脑区间的生物信号作为边。在图论中，图的邻接矩阵具有非负的性质，这种方法在简单结构和有限类别的问题上表现良好。然而，在处理脑部功能连接等复杂数据时，非负邻接矩阵可能无法充分表达脑区之间相互激励或者抑制的关系。这限制了它们在处理生物网络数据时的应用。adhd是一种常见的神经发育障碍，其临床表现多样，发病脑区不明。近年来，基于脑区生物信号和脑区间生物信号的研究为adhd的分类提供了新的思路。然而，如何有效地利用这些生物信号数据，特别是如何构建和训练能够处理任意数值邻接矩阵的图神经网络模型，仍是一个具有挑战性的问题。

技术实现思路

1、针对现有的图神经网络只能处理非负邻接矩阵的问题，本发明提供了一种改进的图神经网络技术，其关键在于允许图的邻接矩阵为任意实数值，从而更准确地表达复杂的脑部功能连接模式。具体地，我们将这一技术应用于adhd分类中，其中图的节点表示区域大脑活动的强度的低频波动振幅(alff)数据，而图的邻接矩阵则直接使用了功能连接(fc)原始数值。

2、本发明的脑拓扑网络构建方法，可以高效利用磁共振成像(mri)采集数据所计算出的多种生物数据，包括脑区上的特征数据，如脑区体积密度(vbm)、低频振幅波(alff)、同态一致性(reho)、度中心性(dc)，脑区间的特征数据，如脑功能连接(fc)、效应连接等，从多个角度对患者脑功能状态进行描述和分析。由于采用多种数据，通过该发明，可以构建接近真实大脑网络的图网络，充分利用多模态信息，用于后续疾病分类和生物标志物检测。

3、传统的图神经网络通常使用非负邻接矩阵来描述节点之间的连接关系，而本发明引入了任意值邻接矩阵的概念。本发明允许邻接矩阵的元素是任意实数值，从而更准确地表达复杂的脑部功能连接模式。其中，在边为正值时，可以模拟脑区间相互刺激激励；在边为负值时，可模拟脑区间相互抑制的情况。相比于传统方法，任意值邻接矩阵能够更细致地反映节点之间的强度和多样性连接。为了降低计算复杂性，本发明采用了一种有效的邻接矩阵稀疏化处理方法。通过保留具有最高权重的前k条边，有效地简化了图的结构，同时保证了关键的连接信息不会丢失。本发明提出了一种新的邻接矩阵归一化方法。通过计算邻接矩阵的绝对值和对应的度矩阵，实现了对任意值邻接矩阵的有效归一化。这一步骤不仅保留了图结构的特征，还有效地增强了神经网络对节点特征之间复杂关系的捕捉能力。这一方法不仅拓宽了图神经网络的应用范围，使其能够处理包含任意数值的邻接矩阵，同时也为复杂脑网络的结构分析与特征提取提供了新的视角。

4、本发明的技术方案如下：

5、一种基于任意数值邻接矩阵的图神经网络在adhd分类中的应用方法，包括如下步骤：

6、步骤1：获取脑区生物信号和脑区间生物信号，将脑区生物信号作为脑拓扑网络节点上的信号，即节点特征，将脑区间生物信号作为脑拓扑网络边连接上的信号，即邻接矩阵，其中邻接矩阵的元素为任意实数值；

7、步骤2：对邻接矩阵进行稀疏化处理，保留前k条边以保证图的连通性；

8、步骤3：使用邻接矩阵的绝对值计算度矩阵，并得到归一化邻接矩阵anorm。

9、上述步骤2中，邻接矩阵的稀疏化处理，保留邻接矩阵绝对值的前k％，数值越大表明脑区间的相关性越强；这种方式在保证图连通性的同时实现图的稀疏化。

10、上述步骤3中，邻接矩阵归一化，包括如下处理步骤：

11、步骤1：对于给定的邻接矩阵a，其中a的每个元素aij表示节点i和节点j之间的连接权重(即脑区间生物信号强度)。为了考虑节点自身的特征信息，在邻接矩阵的对角线上添加自环；自环的权重可以设置为一个固定的常数，表示节点与其自身的连接强度。接下来，计算每个节点的度，即节点i的度d为邻接矩阵a中第i行所有元素的绝对值之和；然后，将这些度值组合成一个对角矩阵d，其中对角线上的元素为对应节点的度值，其余元素为0；

12、步骤2：使用计算出的度矩阵d对邻接矩阵a进行归一化，得到归一化后的邻接矩阵anorm；归一化的操作通常是通过将邻接矩阵a的每个元素aij除以节点i和节点j的度值di和dj的平方根之积来完成的，即anorm＝d-0.5ad-0.5；这种归一化方法被称为对称归一化，它有助于减少节点度对图卷积操作的影响，从而提高模型的性能。

1.一种基于任意数值邻接矩阵的图神经网络在adhd(注意缺陷多动障碍)分类中的应用，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于任意值邻接矩阵的图神经网络在adhd分类中的应用，所述步骤2中，其特征在于邻接矩阵的稀疏化处理，保留邻接矩阵绝对值的前k％，共计k条边，形成一稀疏化的邻接矩阵。

3.根据权利要求1所述的一种基于任意值邻接矩阵的图神经网络在adhd分类中的应用，所述步骤3中，其特征在于邻接矩阵归一化，包括如下处理步骤：