一种脑电影像特征提取模型的训练方法及装置

摘要

本申请提供一种脑电影像特征提取模型的训练方法及装置。方法包括：获取样本数据；根据所述脑区信号构建超图；将所述脑区信号按所述时序信息进行划分，获得每个时间区域对应的区域数据；根据所述超图、所述区域数据、所述分类标签和划分的时间区域个数获取脑电影像特征提取模型的目标函数；对目标函数进行最小化求解，获得所述目标函数取最小值时，所述目标函数中的权重参数值，所述权重参数值用于表征每个所述区域数据对应的权重的权重值。通过该方式，能改善现有的特征提取模型的通用性差以及输出结果准确率低的问题。

权利要求

1.一种脑电影像特征提取模型的训练方法，其特征在于，所述方法包括：获取样本数据，所述样本数据包括与多个被试对应的脑区信号及其分类标签；所述脑区信号中携带有时序信息，不同的所述被试对应的脑区信号的类型和个数均相同，且所述个数大于1；所述分类标签表征所述样本数据为正样本或负样本；

根据所述脑区信号构建超图，所述超图表征了各个所述被试之间脑区信号的高阶相关性；

将所述脑区信号按所述时序信息进行划分，获得每个时间区域对应的区域数据；

根据所述超图、所述区域数据、所述分类标签和划分的时间区域个数获取脑电影像特征提取模型的目标函数；

对目标函数进行最小化求解，获得所述目标函数取最小值时，所述目标函数中的权重参数值，所述权重参数值用于表征每个所述区域数据对应的权重的权重值。

2.根据权利要求1所述的方法，其特征在于，所述根据所述脑区信号构建超图，包括：获取每个所述被试的脑区信号与其他所述被试的脑区信号之间的相关性；

根据所述相关性选择每个所述被试距离其自身最近的k个所述被试，将每个所述被试与距离其最近的k个所述被试之间使用超边连接，构建所述超图，k为正整数。

3.根据权利要求1所述的方法，其特征在于，所述根据所述超图、所述区域数据、所述分类标签和划分的时间区域个数获取脑电影像特征提取模型的目标函数，包括：根据所述区域数据、所述分类标签和所述时间区域个数获取所述目标函数中的损失函数项；

根据所述区域数据获取所述目标函数中的组稀疏正则化项；

根据所述超图和所述区域数据获取所述目标函数中的超图拉普拉斯正则化项。

4.根据权利要求3所述的方法，其特征在于，所述根据所述超图和所述区域数据获取所述目标函数中的超图拉普拉斯正则化项，包括：根据所述超图计算获得所述超图的拉普拉斯矩阵；

根据所述拉普拉斯矩阵和所述区域数据获取所述超图拉普拉斯正则化项。

5.根据权利要求1所述的方法，其特征在于，所述目标函数的表达式为：其中，M为所述划分的时间区域个数，Y为所述分类标签，Xm为每个时间区域对应的区域数据，wm为每个区域数据对应的权重，W是M个wm的总体，Δ为所述超图的拉普拉斯矩阵，λ为组稀疏正则化项的权重，μ为超图拉普拉斯正则化项的权重。

6.一种脑电影像的分类方法，其特征在于，所述方法包括：

将输入的脑电影像进行分区处理，获得所述脑电影像中的多个脑部区域各自对应的脑区信号，所述脑区信号中携带有时序信息；

将所述脑区信号按所述时序信息进行划分，获取每个时间区域对应的区域数据；

将所述区域数据与每个所述区域数据对应的权重按照目标函数进行计算得到分类结果，所述权重根据权利要求1‑5中任一项所述的方法得到。

7.根据权利要求6所述的方法，其特征在于，所述目标函数的表达式为：其中，Y为分类结果，M为所述划分的时间区域个数，Xm为每个时间区域对应的区域数据，wm为每个区域数据对应的权重。

8.一种脑电影像特征提取模型的训练装置，其特征在于，所述装置包括：处理模块，用于获取样本数据，所述样本数据包括与多个被试对应的脑区信号及其分类标签；所述脑区信号中携带有时序信息，不同的所述被试对应的脑区信号的类型和个数均相同，且所述个数大于1；所述分类标签表征所述样本数据为正样本或负样本；根据所述脑区信号构建超图，所述超图表征了各个所述被试之间脑区信号的高阶相关性；将所述脑区信号按所述时序信息进行划分，获得每个时间区域对应的区域数据；根据所述超图、所述区域数据、所述分类标签和划分的时间区域个数获取脑电影像特征提取模型的目标函数；

获取模块，用于对目标函数进行最小化求解，获得所述目标函数取最小值时，所述目标函数中的权重参数值，所述权重参数值用于表征每个所述区域数据对应的权重的权重值。

9.一种脑电影像的分类装置，其特征在于，所述装置包括：

处理模块，用于将输入的脑电影像进行分区处理，获得所述脑电影像中的多个脑部区域各自对应的脑区信号，所述脑区信号中携带有时序信息；将所述脑区信号按所述时序信息进行划分，获取每个时间区域对应的区域数据；

分类模块，用于将所述区域数据与每个所述区域数据对应的权重按照目标函数进行计算得到分类结果，所述权重根据权利要求1‑5中任一项所述的方法得到。

10.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器和所述存储器连接；

所述存储器用于存储程序；

所述处理器用于运行存储在所述存储器中的程序，执行如权利要求1‑5中任一项所述的方法，和/或执行如权利要求6或7所述的方法。

11.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被计算机运行时执行如权利要求1‑5中任一项所述的方法，和/或执行如权利要求6或7所述的方法。

说明书

一种脑电影像特征提取模型的训练方法及装置

技术领域

[0001] 本申请涉及医疗影像特征提取领域，具体而言，涉及一种脑电影像特征提取模型的训练方法及装置。

背景技术

[0002] 目前，对数据样本进行处理构建特征提取模型时，通常会使用传统的图结构揭示多个样本之间的相关性，但在传统的图结构中，每条边仅能表示样本之间的成对关系，无法揭示样本之间更多的关系，从而使构建的特征提取模型的通用性较差。此外，对于数据往往采用简单平均等方法进行处理，不考虑数据自身所含有的特定的信息，从而在有限的数据集中往往无法获得好的效果。

发明内容

[0003] 本申请实施例的目的在于提供一种脑电影像特征提取模型的训练方法及装置，以改善“现有的特征提取模型的通用性差以及输出结果准确率低”的问题。

[0004] 本发明是这样实现的：

[0005] 第一方面，本申请实施例提供一种脑电影像特征提取模型的训练方法，所述方法包括：获取样本数据，所述样本数据包括与多个被试对应的脑区信号及其分类标签；所述脑区信号中携带有时序信息，不同的所述被试对应的脑区信号的类型和个数均相同，且所述个数大于1；所述分类标签表征所述样本数据为正样本或负样本；根据所述脑区信号构建超图，所述超图表征了各个所述被试之间脑区信号的高阶相关性；将所述脑区信号按所述时序信息进行划分，获得每个时间区域对应的区域数据；根据所述超图、所述区域数据、所述分类标签和划分的时间区域个数获取脑电影像特征提取模型的目标函数；对目标函数进行最小化求解，获得所述目标函数取最小值时，所述目标函数中的权重参数值，所述权重参数值用于表征每个所述区域数据对应的权重的权重值。

[0006] 在本申请实施例中，样本数据包括与多个被试对应的脑区信号及其分类标签，通过使用该脑区信号构建超图，能更准确的表达多个被试之间脑区信号的高阶相关性，系统地表达多个被试之间脑区信号的复杂关联信息；又因脑区信号中携带有时序信息，所以可将脑区信号按照该时序信息划分为多个时间区域对应的区域时间，以此充分利用该脑区信号之间的动态时序信息。接着，根据构建好的超图、上述区域数据、样本数据的分类标签和划分的时间区域个数获取脑电影像特征提取模型的目标函数，对目标函数进行最小化求解，获得该目标函数取最小值时，目标函数中的权重参数值，即每个区域数据对应的权重的权重值。通过上述方式，能提高构建的脑电影像特征提取模型的通用性，并使该模型的效果更好。

[0007] 结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述根据所述脑区信号构建超图，包括：获取每个所述被试的脑区信号与其他所述被试的脑区信号之间的相关性；根据所述相关性选择每个所述被试距离其自身最近的k个所述被试，将每个所述被试与距离其最近的k个所述被试之间使用超边连接，构建所述超图，k为正整数。

[0008] 在本申请实施例中，获取每个被试的脑区信号之间的相关性，将被试间的脑区信号的相关性作为被试彼此之间的距离；根据上述相关性选择每个所述被试距离其自身最近的k个所述被试，使用超边连接，构建所述超图，即在该超图中，每个被试连接k个距离最小的其他被试。通过将脑区信号之间的相关性作为被试彼此之间的距离以此来构建超图，能更准确的筛选出与每个被试最相关的k个被试。

[0009] 结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述根据所述超图、所述区域数据、所述分类标签和划分的时间区域个数获取脑电影像特征提取模型的目标函数，包括：根据所述区域数据、所述分类标签和所述时间区域个数获取所述目标函数中的损失函数项；根据所述区域数据获取所述目标函数中的组稀疏正则化项；根据所述超图和所述区域数据获取所述目标函数中的超图拉普拉斯正则化项。

[0010] 通过区域数据、样本数据的分类标签和时间区域个数获取到目标函数中的损失函数项，该损失函数项作为数据拟合项能用于衡量多个任务的平均训练损失，其中，任务为区域数据对应的权重根据分类标签进行学习；通过区域数据获取目标函数中的组稀疏正则化项，该组稀疏正则化项能对所有任务进行特征提取，且通过受时间限制的组稀疏正则化项选择所有任务之间的共同特征，能充分利用到样本数据中固有的时间相关性；通过超图和区域数据获取目标函数中的超图拉普拉斯正则化项，该超图拉普拉斯正则化项能增强不同被试之间的平滑性。

[0011] 结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述根据所述超图和所述区域数据获取所述目标函数中的超图拉普拉斯正则化项，包括：根据所述超图计算获得所述超图的拉普拉斯矩阵；根据所述拉普拉斯矩阵和所述区域数据获取所述超图拉普拉斯正则化项。

[0012] 在本申请实施例中，通过超图计算获得其拉普拉斯矩阵后，根据该拉普拉斯矩阵和区域数据获取超图的拉普拉斯正则化项，可将超图中各被试之间的高阶关系和脑区信号中携带的时序信息联系起来，从而提高特征提取的有效性。

[0013] 结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述目标函数的表达式为： 其中，M为所述划分的时间区域个数，Y为所述分类标签，Xm为每个时间区域对应的区域数据，wm为每个区域数据对应的权重，W是M个wm的总体，Δ为所述超图的拉普拉斯矩阵，λ为组稀疏正则化项的权重，μ为超图拉普拉斯正则化项的权重。

[0014] 第二方面，本申请实施例提供一种脑电影像的分类方法，所述方法包括：将输入的脑电影像进行分区处理，获得所述脑电影像中的多个脑部区域各自对应的脑区信号，所述脑区信号中携带有时序信息；将所述脑区信号按所述时序信息进行划分，获取每个时间区域对应的区域数据；将所述区域数据与每个所述区域数据对应的权重按照目标函数进行计算得到分类结果，所述权重根据上述第一方面实施例的一些可能的实现方式提供的方法得到。

[0015] 在本申请实施例中，将输入的脑电影像进行分区处理获得多个脑区信号后，再根据时序信息将多个脑区信号划分为多个区域数据，将每个区域数据和脑电影像特征提取模型训练好的每个所述区域数据对应的权重进行计算，便可得到最终的分类结果，即该脑电影像属于训练时所用到的分类标签中的哪一类别。根据上述第一方面实施例的一些可能的实现方式提供的方法构建的脑电影像特征提取模型的通用性和效果较好，使得用该分类方法的所获得的分类结果更准确。

[0016] 结合上述第二方面提供的技术方案，在一些可能的实现方式中，所述目标函数的表达式为： 其中，Y为分类结果，M为所述划分的时间区域个数，Xm为每个时间区域对应的区域数据，wm为每个区域数据对应的权重。

[0017] 第三方面，本申请实施例提供一种脑电影像特征提取模型的训练装置，所述装置包括：处理模块，用于获取样本数据，所述样本数据包括与多个被试对应的脑区信号及其分类标签；所述脑区信号中携带有时序信息，不同的所述被试对应的脑区信号的类型和个数均相同，且所述个数大于1；所述分类标签表征所述样本数据为正样本或负样本；根据所述脑区信号构建超图，所述超图表征了各个所述被试之间脑区信号的高阶相关性；将所述脑区信号按所述时序信息进行划分，获得每个时间区域对应的区域数据；根据所述超图、所述区域数据、所述分类标签和划分的时间区域个数获取脑电影像特征提取模型的目标函数；获取模块，用于对目标函数进行最小化求解，获得所述目标函数取最小值时，所述目标函数中的权重参数值，所述权重参数值用于表征每个所述区域数据对应的权重的权重值。

[0018] 第四方面，本申请实施例提供一种脑电影像的分类装置，所述装置包括：处理模块，用于将输入的脑电影像进行分区处理，获得所述脑电影像中的多个脑部区域各自对应的脑区信号，所述脑区信号中携带有时序信息；将所述脑区信号按所述时序信息进行划分，获取每个时间区域对应的区域数据；分类模块，用于将所述区域数据与每个所述区域数据对应的权重按照目标函数进行计算得到分类结果，所述权重根据上述第一方面实施例的一些可能的实现方式提供的方法得到。

[0019] 第五方面，本申请实施例提供一种电子设备，包括：处理器和存储器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器用于运行存储在所述存储器中的程序，执行如上述第一方面实施例的一些可能的实现方式提供的方法，和/或执行如上述第二方面实施例的一些可能的实现方式提供的方法。

[0020] 第六方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序在被计算机运行时执行如上述第一方面实施例的一些可能的实现方式提供的方法，和/或执行如上述第二方面实施例的一些可能的实现方式提供的方法。

附图说明

[0021] 为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

[0022] 图1为本申请实施例提供的一种脑电影像特征提取模型的训练方法的步骤流程图。

[0023] 图2为本申请实施例提供的数据预处理的过程图。

[0024] 图3为本申请实施例提供的根据血氧水平依赖信号构建的超图结构图。

[0025] 图4为本申请实施例提供的基于超图的组稀疏多任务学习的特征提取图。

[0026] 图5为本申请实施例提供的对提取出的特征进行分类测试的结果图。

[0027] 图6为本申请实施例提供的脑电影像特征提取模型相较于其他模型的特征提取有效性对比的曲线图。

[0028] 图7为本申请实施例提供的一种脑电影像的分类方法的步骤流程图。

[0029] 图8为本申请实施例提供的一种脑电影像特征提取模型的训练装置的模块框图。

[0030] 图9为本申请实施例提供的一种脑电影像的分类装置的模块框图。

[0031] 图10为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

[0032] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

[0033] 鉴于现有的特征提取模型的通用性差以及输出结果准确率低，本申请发明人经过研究探索，提出以下实施例以解决上述问题。

[0034] 以下结合图1对脑电影像特征提取模型的训练方法的具体流程及步骤进行描述。需要说明的是，本申请实施例提供的脑电影像特征提取模型的训练方法不以图1及以下所示的顺序为限制。

[0035] 步骤S101：获取样本数据。

[0036] 在步骤S101之前，可以先采集多个被试的脑电影像，并对该脑电影像进行降噪处理；接着，将该脑电影像进行对准处理，获得适用于脑电影像特征提取模型的标准图。在完成上述步骤后，需要对上述标准图进行脑部区域的划分，获得多个脑部区域和每个脑部区域对应的脑区信号。其中，每个被试根据自身情况被打上其对应的分类标签，比如将注入催产素的被试进行标记，将注入安慰剂的被试进行不同的标记，这里的标记可用1和0进行代替。

[0037] 在本申请实施例中，样本数据包括与多个被试对应的脑区信号及其分类标签；脑区信号中携带有时序信息，不同的被试对应的脑区信号的类型和个数均相同，且个数大于1；分类标签表征样本数据为正样本或负样本，其中，正样本和负样本表示分类的两种情况，两者具体表示的内容由分类的具体情况而定，比如在做催产素的分类中，将注入催产素的被试作为正样本，标记为1，将注入安慰剂的被试作为负样本，标记为0；或者在做阿尔兹海默症的分类中，将患有阿尔兹海默症的被试作为正样本，标记为1，将未患有阿尔兹海默症的被试作为负样本，标记为0。

[0038] 此外，脑区信号与具体的脑电影像有关，比如在通过静息态核磁共振成像进行分类时，脑区信号为血氧水平依赖信号。

[0039] 步骤S102：根据脑区信号构建超图。

[0040] 在本申请实施例中，根据脑区信号构建超图，包括：获取每个被试的脑区信号与其他所述被试的脑区信号之间的相关性；根据相关性选择每个被试距离其自身最近的k个被试，将每个被试与距离其最近的k个被试之间使用超边连接，构建超图，k为正整数，即每个被试都有其对应的多个脑区信号，将被试间的脑区信号的相关性看作是被试彼此之间的距离，将被试高纬度信息的皮尔逊系数作为衡量被试之间的距离尺度，依次计算所有被试之间的成对距离，再根据K最近邻算法选择距离每个被试最近的k个被试，使用超边连接，构建超图。其中，超图表征了各个被试之间脑区信号的高阶相关性。

[0041] 具体的，使用G(V,ε,A)表示一个超图，包含一组被试V和一组超边ε。与传统的图结构类似，超图的每条超边也有对应的权重。超边的权重储存在一个对角矩阵A中。信息矩阵H|V|×|ε|∈R 用来表示点与超边的关系，定义如下：

[0042]

[0043] 如公式(1)所示，如果超边e连接了点v，那么相应的信息矩阵中h(v,e)等于1。另外，d(v)＝∑e∈εa(e)h(v,e)和δ(e)＝∑v∈Vh(v,e)分别表示点的度与超边的度。其中，a(e)由表示超边权重的对角矩阵A得到；Aii＝a(ei)，其中，超边i的权重对应矩阵Aii的值。

[0044] 超图的拉普拉斯矩阵定义如下：

[0045]

[0046] 在公式(2)中，对角矩阵DV和De分别包含超图中点的度和超边的度，I为相同维度的单位矩阵，H为信息矩阵，A为对角矩阵。

[0047] 步骤S103：将脑区信号按时序信息进行划分，获得每个时间区域对应的区域数据。

[0048] 因脑区信号中携带有时序信息，所以将多个脑区信号按时间顺序划分为多个等长的时间区域对应的区域数据，以此充分利用该时序信息。

[0049] 具体的，根据获得的多个脑电信号，将上述多个脑电信号分为M个等长的时间区域对应的区域数据，对应M个学习任务，其中，任务为区域数据对应的权重根据分类标签进行学习。每个任务中的训练数据为 其中，区域数据
表示任务m的n个训练数据， 表示任务m中被试j的d维数据向量，分类标签为Y＝
1 2 N T N
[y ,y ,...,y]∈R，即每个任务的数据对应同一组标签。

[0050] 步骤S104：根据超图、区域数据、分类标签和划分的时间区域个数获取脑电影像特征提取模型的目标函数。

[0051] 在本申请实施例中，根据超图、区域数据、分类标签和划分的时间区域个数获取脑电影像特征提取模型的目标函数，包括：根据区域数据、分类标签和时间区域个数获取目标函数中的损失函数项；根据区域数据获取目标函数中的组稀疏正则化项；根据超图和区域数据获取目标函数中的超图拉普拉斯正则化项。

[0052] 具体的，含时间约束的组稀疏正则化项如下：

[0053]

[0054] 其中，wM为每个区域数据对应的权重，W＝[w1,w2,...,wM]∈Rd×M由每个区域数据对应的权重组成。

[0055] 根据超图和区域数据获取目标函数中的超图拉普拉斯正则化项，包括：根据超图计算获得超图的拉普拉斯矩阵；根据拉普拉斯矩阵和区域数据获取超图拉普拉斯正则化项。

[0056] 基于超图拉普拉斯的正则化项如下：

[0057]

[0058] 在公式(4)中，Xm为区域数据，wm为每个区域数据对应的权重，Δ为超图的拉普拉斯矩阵。

[0059] 步骤S105：对目标函数进行最小化求解，获得目标函数取最小值时，目标函数中的权重参数值。

[0060] 在本申请实施例中，目标函数的表达式为：

[0061]

[0062] 在公式(5)中，M为划分的时间区域个数，Y为上述分类标签，Xm为每个时间区域对应的区域数据，wm为每个区域数据对应的权重，W是M个wm的总体，Δ为超图的拉普拉斯矩阵，λ为组稀疏正则化项的权重，μ为超图拉普拉斯正则化项的权重。

[0063] 在对公式(5)进行最小化求解后，获得公式(5)在取最小值时，wm的值，其中，wm的值越大，则表示区域数据Xm所包含的有效特征越多。

[0064] 需要注意的是，权重参数值用于表征每个区域数据对应的权重的权重值。

[0065] 如图2～图5所示，下面用一个例子对一种脑电影像特征提取模型的训练方法进行说明。

[0066] 请参阅图2，图2为数据预处理的过程图。首先，从实验组与对照组中获取样本数据，其中，实验组为多个被试在使用催产素后采集到的静息态功能核磁共振成像(resting‑state、functional magnetic resonance imaging)，对照组为多个被试在使用安慰剂后采集到的静息态功能核磁共振成像，多个静息态功能核磁共振成像如图2中左上方的图所示。此外，因在实验前就已经将被试分为了使用催产素和使用安慰剂组，所以每个被试的分类标签便可依据其所使用的物质被划分为使用过催产素或使用过安慰剂，在这里将使用催产素和使用安慰剂组可以用1和0进行代替表示。

[0067] 接着，先对获取到的多个静息态功能核磁共振成像进行预处理，即先对该静息态功能核磁共振成像进行降噪处理；然后，将图像进行对准处理，获得适用于模型的标准图；再将上述标准图进行脑部区域划分，在进行划分时，可通过自动解剖标记地图集将标准图分为90个脑部区域，从而得到每个脑部区域对应的脑区信号，即血氧水平依赖信号，其中，自动解剖标记地图集如图2中左下方的图所示，血氧水平依赖信号如图2中最右边的图所示。

[0068] 请参阅图3，图3为根据血氧水平依赖信号构建的超图结构图，其中，图3中的每个圆圈代表不同的被试，连接圆圈的边代表超边。获取每个被试的血氧水平依赖信号之间的相关性，且将上述相关性看作是被试彼此之间的距离，将被试高纬度信息的皮尔逊系数作为衡量被试之间的距离尺度，依次计算所有被试之间的成对距离，再根据K最近邻算法选择距离每个被试最近的k个被试，将每个被试与距离其最近的k个被试之间使用超边连接，构建超图。

[0069] 请参阅图4，图4为基于超图的组稀疏多任务学习的特征提取图，其中，图4中的横坐标表示划分的90个脑部区域，纵坐标表示划分的时间区间，每个区域对应的颜色深浅表示每个区域对应的权重的权重值大小。将上述获得的多个血氧水平依赖信号按时间顺序划分为多个等长的时间区间对应的区间数据后，根据区域数据、分类标签和时间区域个数获取损失函数项，根据区域数据获取组稀疏正则化项，根据超图和区域数据获取超图拉普拉斯正则化项；根据获得的损失函数项、组稀疏正则化项和超图拉普拉斯正则化项构建目标函数。

[0070] 对目标函数进行最小化求解，获得上述目标函数取最小值时，目标函数中用于表征每个区域数据对应的权重的权重值，即完成对有信息的特征的提取。

[0071] 请参阅图5，图5为对提取出的特征进行分类测试的结果图，其中，图5上方为提取出的20个脑部区域，下方为测试分类结果的示意图。在完成特征提取后，对提取后的特征进行分类测试，即对被提取出的20个脑部区域进行分类测试，如测试分类结果示意图所示，图中的三角形和圆形为分类目标，虚线为划分线，对虚线上下两侧进行分类，得到的分类结果，并根据该分类结果得出分类的各个指标，通过各个特征提取模型的分类指标进行不同模型之间的比较，可得出各个特征提取模型提取出的特征的有效性。

[0072] 请参阅图6，图6为脑电影像特征提取模型相较于其他模型的特征提取有效性对比的曲线图。在图6中，最左上方的曲线为表征脑电影像特征提取模型特征提取有效性的曲线，由图6可知，该脑电影像特征提取模型的特征提取的有效性明显高于传统的组回归模型(Group LASSO)、多层回归模型(Multi‑level LASSO)、排他回归模型(Exclusive LASSO)以及同步回归模型(Simultaneous LASSO)的特征提取的有效性，即该脑电影像特征提取模型的特征提取的能力高。如表1所示，表1为脑电影像特征提取模型、组回归模型、多层回归模型、排他回归模型以及同步回归模型的输出的各类性质的情况。

[0073] 表1

[0074]

[0075] 请参阅图7，基于同一发明构思，本申请实施例还提供一种脑电影像的分类方法，图7为本申请实施例提供的脑电影像的分类方法的步骤流程图。

[0076] 在本申请实施例中，首先将输入的脑电影像进行分区处理，获得脑电影像中的多个脑部区域各自对应的脑区信号；再将脑区信号按时序信息进行划分，获取每个时间区域对应的区域数据；最后，将区域数据与每个区域数据对应的权重按照目标函数进行计算得到分类结果，其中，权重根据前述实施例中得到。

[0077] 以下结合图7对脑电影像的分类方法的具体流程及步骤进行描述。需要说明的是，本申请实施例提供的脑电影像的分类方法不以图7及以下所示的顺序为限制。

[0078] 步骤S201：将输入的脑电影像进行分区处理，获得脑电影像中的多个脑部区域各自对应的脑区信号。

[0079] 在步骤S201之前，需要先对输入的脑电影像进行降噪处理，并对该脑电影像进行对准处理，获得适用于脑电影像特征提取模型的标准图。

[0080] 接着对所获得的标准图进行分区处理，即将该标准图进行脑部区域的划分，获得每个脑部区域对应的脑区信号，该脑区信号中携带有时序信息。

[0081] 步骤S202：将脑区信号按时序信息进行划分，获取每个时间区域对应的区域数据。

[0082] 因脑区信号中携带有时序信息，所以可将多个脑区信号按时间顺序划分为多个等长的时间区域对应的区域数据。

[0083] 步骤S203：将区域数据与每个区域数据对应的权重按照目标函数进行计算得到分类结果。

[0084] 因脑电影像特征提取模型中有已经训练好的用于表征每个区域数据对应的权重的权重值，所以在根据输入的脑电信号获得区域数据后，可直接利用上述权重值和上述区域根据目标函数计算获得分类结果，即输入的脑电影像属于哪一类别，比如在做催产素的分类时，通过向训练好的脑电影响特征提取模型输入的脑电影像，可得出该脑电影像是否属于使用了催产素的类别，进而可以判断该脑电影像的所有者是否使用了催产素。其中，脑电影像特征提取模型用于对输入该模型的脑电影像进行特征的提取。

[0085] 在本申请实施例中，目标函数的表达式为：

[0086]

[0087] 在公式(6)中，Y为分类结果，M为划分的时间区域个数，Xm为每个时间区域对应的区域数据，wm为每个区域数据对应的权重。

[0088] 请参阅图8，基于同一发明构思，本申请实施例还提供一种脑电影像特征提取模型的训练装置100，该装置100包括：处理模块101和获取模块102。

[0089] 处理模块101，用于获取样本数据，样本数据包括与多个被试对应的脑区信号及其分类标签；脑区信号中携带有时序信息，不同的被试对应的脑区信号的类型和个数均相同，且个数大于1；分类标签表征样本数据为正样本或负样本；根据脑区信号构建超图，超图表征了各个被试之间脑区信号的高阶相关性；将脑区信号按时序信息进行划分，获得每个时间区域对应的区域数据；根据超图、区域数据、分类标签和划分的时间区域个数获取脑电影像特征提取模型的目标函数。

[0090] 获取模块102，用于对目标函数进行最小化求解，获得目标函数取最小值时，目标函数中的权重参数值，权重参数值用于表征每个区域数据对应的权重的权重值。

[0091] 可选地，处理模块101具体用于获取每个被试的脑区信号与其他被试的脑区信号之间的相关性；根据相关性选择每个被试距离其自身最近的k个被试，将每个被试与距离其最近的k个被试之间使用超边连接，构建超图，k为正整数。

[0092] 可选地，处理模块101具体用于根据区域数据、分类标签和时间区域个数获取目标函数中的损失函数项；根据区域数据获取目标函数中的组稀疏正则化项；根据超图和区域数据获取目标函数中的超图拉普拉斯正则化项。

[0093] 可选地，处理模块101具体用于根据超图计算获得超图的拉普拉斯矩阵；根据拉普拉斯矩阵和区域数据获取超图拉普拉斯正则化项。

[0094] 请参阅图9，基于同一发明构思，本申请实施例还提供一种脑电影像的分类装置200，该装置200包括：处理模块201和分类模块202。

[0095] 处理模块201，用于将输入的脑电影像进行分区处理，获得脑电影像中的多个脑部区域各自对应的脑区信号，脑区信号中携带有时序信息；将脑区信号按时序信息进行划分，获取每个时间区域对应的区域数据。

[0096] 分类模块202，用于将区域数据与每个区域数据对应的权重按照目标函数进行计算得到分类结果，该权重根据前述实施例中脑电影像特征提取模型的训练方法得到。

[0097] 请参阅图10，本申请实施例提供的一种应用脑电影像特征提取模型的训练方法及装置的电子设备300的示意性结构框图。本申请实施例中，电子设备300可以是，但不限于个人计算机(Personal Computer，PC)、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、移动上网设备(Mobile Internet Device，MID)等。在结构上，电子设备300可以包括处理器310和存储器320。

[0098] 处理器310与存储器320直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。其中，处理器310可以是一种集成电路芯片，具有信号处理能力。处理器310也可以是通用处理器，例如，可以是中央处理器(Central Processing Unit，CPU)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外，通用处理器可以是微处理器或者任何常规处理器等。

[0099] 存储器320可以是，但不限于，随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read‑Only Memory，PROM)、可擦可编程序只读存储器(Erasable Programmable Read‑Only Memory，EPROM)，以及电可擦编程只读存储器(Electric Erasable Programmable Read‑Only Memory，EEPROM)。存储器320用于存储程序，处理器310在接收到执行指令后，执行该程序。

[0100] 需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0101] 基于同一发明构思，本申请实施例还提供一种存储介质，其上存储有计算机程序，计算机程序在被运行时执行上述实施例中提供的方法。

[0102] 该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

[0103] 在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0104] 另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0105] 再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

[0106] 在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

[0107] 以上仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。