用于精神分裂症识别的多核胶囊网络

目的：精神分裂症严重影响生活质量。迄今，简单（线性判别分析）与复杂（深度神经网络）机器学习方法均已被用于基于功能连接特征识别精神分裂症。现有简单方法需两个独立步骤（即特征提取与分类）完成识别，无法对最优特征提取与分类器训练进行同步调优。复杂方法整合两步并可同步调优以达到最优性能，但这类方法需要更大量的数据用于模型训练。方法：为克服上述缺陷，我们提出多核胶囊网络（MKCapsnet），其通过考虑脑解剖结构而构建。核被设定为与脑解剖结构的分区大小相匹配，以在不同尺度上捕获区域间连接性。受深度学习中广泛使用的 dropout 策略启发，我们在胶囊层开发了向量 dropout 以防止模型过拟合。结果：对比结果表明所提方法优于当前最优（SOTA）方法。此外，我们比较了使用不同参数的性能并展示了路由过程以揭示所提方法的特征。结论：MKCapsnet 在精神分裂症识别方面具有前景。意义：我们的研究不仅提出了多核胶囊网络，还提供了参数设置中的有用信息，对后续使用胶囊网络进行神经生理信号分类的研究具有参考价值。