基于圖編碼與小樣本學(xué)習(xí)的精神分裂癥分析方法

摘 要：在基于圖神經(jīng)網(wǎng)絡(luò)的腦功能性疾病研究中，構(gòu)建腦網(wǎng)絡(luò)之后不再變化，且一般需要大量的數(shù)據(jù)進(jìn)行建模訓(xùn)練。為了解決這兩個(gè)問(wèn)題，文章提出一種基于圖編碼與小樣本學(xué)習(xí)的分析診斷模型。該模型采用皮爾遜相關(guān)系數(shù)和自注意力機(jī)制構(gòu)建自適應(yīng)腦網(wǎng)絡(luò)，并將時(shí)域特征、頻域特征和腦網(wǎng)絡(luò)特征作為圖卷積神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行動(dòng)態(tài)學(xué)習(xí)自適應(yīng)腦網(wǎng)絡(luò)和圖編碼特征。將圖編碼特征作為圖原型網(wǎng)絡(luò)的輸入，進(jìn)行小樣本學(xué)習(xí)并實(shí)現(xiàn)分類(lèi)。將該模型應(yīng)用于精神分裂癥的分類(lèi)診斷，實(shí)驗(yàn)結(jié)果表明，精神分裂癥的識(shí)別準(zhǔn)確率達(dá)到83.4%，為腦網(wǎng)絡(luò)研究提供一種全新的思路和方法，為小樣本學(xué)習(xí)在精神分裂癥研究中的應(yīng)用開(kāi)辟了新的方向。

關(guān)鍵詞：自適應(yīng)腦網(wǎng)絡(luò)；圖編碼特征；小樣本學(xué)習(xí)；圖原型網(wǎng)絡(luò)；精神分裂癥

中圖分類(lèi)號(hào)：TP391.4；TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)： 2096-4706（2024）08-0123-05

DOI：10.19850/j.cnki.2096-4706.2024.08.027

0 引 言

精神分裂癥是一種嚴(yán)重的精神疾病，通常表現(xiàn)為人格解體、思維混亂、幻覺(jué)、妄想以及情感和行為異常。這種疾病往往對(duì)患者的社交功能等方面產(chǎn)生負(fù)面影響。許多學(xué)者和研究人員對(duì)精神分裂癥進(jìn)行了深入的分析和研究，以做好對(duì)精神分裂癥疾病的早期識(shí)別和干預(yù)，探尋有效的治療方法等。

近年來(lái)，圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network， GNN）、圖卷積神經(jīng)網(wǎng)絡(luò)（Graph Convolutional Neural Network， GCN）和圖注意力網(wǎng)絡(luò)（Graph Attention Networks， GAT）等基于圖論的網(wǎng)絡(luò)[1-3]在結(jié)合信號(hào)數(shù)據(jù)進(jìn)行疾病診斷、情緒識(shí)別等研究中取得良好成效。Chen等[4]基于腦區(qū)和連接性特征進(jìn)行分析，并運(yùn)用GCN對(duì)精神分裂癥患者進(jìn)行分類(lèi)，該方法與傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法相比，有效提高了分類(lèi)性能。Li等[5]首先將重度抑郁癥患者每個(gè)EEG數(shù)據(jù)的多通道腦電信號(hào)拼接成一個(gè)信號(hào)序列，計(jì)算拼接信號(hào)之間的皮爾遜相關(guān)系數(shù)（Pearson Correlation Coefficient， PCC）形成圖網(wǎng)絡(luò)（腦網(wǎng)絡(luò)）。其次將每個(gè)信道劃分為六個(gè)頻段，計(jì)算出每個(gè)頻段的平均功率，并將它們拼接在一起作為節(jié)點(diǎn)特征。最后預(yù)訓(xùn)練GCN模型并微調(diào)輸出層。該方法充分利用多通道EEG之間的交互，結(jié)合預(yù)訓(xùn)練提高對(duì)抑郁癥患者的病癥識(shí)別。Lei等[6]利用PCC構(gòu)建腦網(wǎng)絡(luò)，結(jié)合GCN研究精神分裂癥患者功能性腦網(wǎng)絡(luò)的拓?fù)洚惓＃⒋_定對(duì)分類(lèi)有重要作用的最顯著區(qū)域。An等[7]提出基于EEG的2-way k-shot小樣本學(xué)習(xí)網(wǎng)絡(luò)對(duì)運(yùn)動(dòng)圖像進(jìn)行分類(lèi)，該網(wǎng)絡(luò)能夠有效學(xué)習(xí)未知類(lèi)別的代表性特征并對(duì)其進(jìn)行合理的分類(lèi)。其根據(jù)卷積、池化等操作對(duì)EEG的支持集和查詢集進(jìn)行跨頻段特征提取和網(wǎng)絡(luò)編碼，再對(duì)已提取的特征進(jìn)行注意力評(píng)分，同時(shí)根據(jù)k個(gè)支持特征的加權(quán)平均計(jì)算每個(gè)類(lèi)別的代表向量，最后根據(jù)類(lèi)別代表向量和查詢特征預(yù)測(cè)關(guān)聯(lián)分?jǐn)?shù)，關(guān)聯(lián)得分最大的類(lèi)被預(yù)測(cè)為查詢的標(biāo)簽。該網(wǎng)絡(luò)結(jié)構(gòu)雖然采用了小樣本學(xué)習(xí)思想，但是其特征提取、網(wǎng)絡(luò)構(gòu)建、注意力機(jī)制評(píng)分和關(guān)聯(lián)得分4個(gè)主要模塊基本上都是采用卷積操作。該模型雖然操作單一，但卻為基于度量的小樣本學(xué)習(xí)與EEG的緊密結(jié)合開(kāi)辟了新的思路。目前，基于小樣本學(xué)習(xí)思想的研究在圖像等領(lǐng)域較為常見(jiàn)，但應(yīng)用于EEG的數(shù)據(jù)相對(duì)較少。基于度量方法[8]的小樣本學(xué)習(xí)模型應(yīng)用相對(duì)廣泛，尤其是原型網(wǎng)絡(luò)[9，10]，且有較多的相關(guān)改進(jìn)模型，然而，對(duì)于同種疾病的不同數(shù)據(jù)或不同疾病的不同數(shù)據(jù)，大部分基于圖論模型的方法（如GNN、GCN、GAT等）在構(gòu)建腦網(wǎng)絡(luò)時(shí)所采用的功能連接指標(biāo)不統(tǒng)一[11，12]，且腦網(wǎng)絡(luò)構(gòu)建之后不再變化，甚至選擇不同指標(biāo)所得到的結(jié)果差異較大。除此之外，這類(lèi)模型對(duì)數(shù)據(jù)量的依賴性較大，無(wú)法很好地區(qū)分未知疾病的數(shù)據(jù)。為此，本文提出一種基于圖編碼與小樣本學(xué)習(xí)的分析診斷模型，并將其應(yīng)用于精神分裂癥的分類(lèi)。首先利用PCC構(gòu)建原始腦網(wǎng)絡(luò)并結(jié)合自注意力機(jī)制[13]構(gòu)建自適應(yīng)腦網(wǎng)絡(luò)，提取腦節(jié)點(diǎn)局部特征；然后將自適應(yīng)腦網(wǎng)絡(luò)作為鄰接矩陣和腦節(jié)點(diǎn)局部特征輸入GCN進(jìn)行圖編碼特征的學(xué)習(xí)；最后再將圖編碼特征輸入圖原型網(wǎng)絡(luò)（Graph encoding Prototype Network， GEPN）進(jìn)行小樣本學(xué)習(xí)并完成對(duì)精神分裂癥的分類(lèi)。將本文提出的模型在無(wú)自適應(yīng)腦網(wǎng)絡(luò)和少量數(shù)據(jù)情況下進(jìn)行對(duì)比實(shí)驗(yàn)，并在精神分裂癥數(shù)據(jù)集上對(duì)模型的分類(lèi)性能進(jìn)行評(píng)估。

1 基于圖編碼與小樣本學(xué)習(xí)的模型框架

本文提出一種基于圖編碼與小樣本學(xué)習(xí)的分析診斷模型，模型總框架如圖1所示，主要包括四個(gè)部分，分別是：1）基于自注意力機(jī)制的自適應(yīng)腦網(wǎng)絡(luò)；2）基于GCN的圖編碼特征；3）劃分圖編碼特征；4）基于GEPN的小樣本學(xué)習(xí)。

1.1 基于自注意力機(jī)制的自適應(yīng)腦網(wǎng)絡(luò)

自適應(yīng)腦網(wǎng)絡(luò)構(gòu)建過(guò)程如圖2所示。

目前，一些研究采用PCC功能連接指標(biāo)構(gòu)建腦網(wǎng)絡(luò)作為圖模型的鄰接矩陣。PCC用于衡量?jī)蓚€(gè)數(shù)據(jù)集合是否位于一條線上，可衡量定距變量間的線性關(guān)系，取值范圍是[-1， 1]，其計(jì)算式為：

（1）

其中，x = （x1，x2，…，xn）、y = （y1，y2，…，yn）分別表示兩個(gè)通道的電極信號(hào)序列，COV（x，y）表示協(xié)方差，σx和σy表示兩個(gè)電極信號(hào)序列的標(biāo)準(zhǔn)差。

在此基礎(chǔ)上，本文利用PCC構(gòu)建原始腦網(wǎng)絡(luò)X，為使腦節(jié)點(diǎn)之間的關(guān)系有所變化，將原始腦網(wǎng)絡(luò)X與自注意力機(jī)制相結(jié)合，構(gòu)建自適應(yīng)腦網(wǎng)絡(luò)。自注意力機(jī)制計(jì)算式為：

（2）

其中，Q、K、V三個(gè)矩陣是由其對(duì)應(yīng)的參數(shù)矩陣WQ、WK、WV與X相乘所得，dk表示腦節(jié)點(diǎn)通道維度。

1.2 基于GCN的圖編碼特征

如圖3所示為圖編碼特征的構(gòu)建過(guò)程。

自適應(yīng)腦網(wǎng)絡(luò)的構(gòu)建過(guò)程已在圖2中有所展示，故圖3中對(duì)該步驟進(jìn)行了簡(jiǎn)化處理。

1.2.1 局部腦節(jié)點(diǎn)特征融合

首先，在處理好的EEG數(shù)據(jù)中提取腦節(jié)點(diǎn)的時(shí)域特征和頻域特征[14]。其中，時(shí)域特征包括平均絕對(duì)值、方差、最小值、均方根、最大值、標(biāo)準(zhǔn)差、絕對(duì)標(biāo)準(zhǔn)偏差值、峰值、偏斜、峰度；頻域特征包括功率譜密度，圖2中的橙色虛線框?yàn)闀r(shí)域特征與頻域特征的結(jié)合。

其次，在構(gòu)建好自適應(yīng)腦網(wǎng)絡(luò)的基礎(chǔ)上，從自適應(yīng)腦網(wǎng)絡(luò)中提取腦網(wǎng)絡(luò)特征，腦網(wǎng)絡(luò)特征隨著自適應(yīng)腦網(wǎng)絡(luò)的變化而變化。其中，腦網(wǎng)絡(luò)特征包括度中心性、節(jié)點(diǎn)介數(shù)、聚類(lèi)系數(shù)、局部效率。提取腦網(wǎng)絡(luò)特征時(shí)，選擇步長(zhǎng)2%和稀疏度范圍20%～40%，計(jì)算該范圍內(nèi)每個(gè)腦節(jié)點(diǎn)的曲線下面積值作為腦網(wǎng)絡(luò)特征，圖3中的紅色虛線框?yàn)槟X網(wǎng)絡(luò)特征。

最后，為了構(gòu)建腦節(jié)點(diǎn)特征的多樣性，將時(shí)域特征、頻域特征和腦網(wǎng)絡(luò)特征進(jìn)行拼接融合，形成局部腦節(jié)點(diǎn)特征，圖3中的綠色虛線框?yàn)槿诤咸卣鳌?/p>

1.2.2 圖編碼特征

利用GCN學(xué)習(xí)圖編碼特征，本文采用無(wú)向完全圖并且將自環(huán)關(guān)系考慮在內(nèi)。將融合后的局部腦節(jié)點(diǎn)特征作為GCN圖信息中的結(jié)點(diǎn)特征，將所構(gòu)建的自適應(yīng)腦網(wǎng)絡(luò)作為GCN圖信息中的鄰接矩陣。GCN中卷積層的運(yùn)算式為：

（3）

其中， = D + IN， = A + IN，IN表示單位矩陣。D矩陣表示節(jié)點(diǎn)的度矩陣，即每個(gè)節(jié)點(diǎn)的度；A表示鄰接矩陣（即自適應(yīng)腦網(wǎng)絡(luò)），H （l）表示第l層的特征矩陣，當(dāng)l為0時(shí)，H 0表示局部腦節(jié)點(diǎn)特征；W （l）表示學(xué)習(xí)的權(quán)重。σ（?）表示激活函數(shù)ReLUctant（ReLU）。

1.3 劃分圖編碼特征

在進(jìn)行小樣本學(xué)習(xí)訓(xùn)練之前，需要將所提取的圖編碼特征劃分為小樣本學(xué)習(xí)的訓(xùn)練集（左框）和測(cè)試集（右框），再將二者進(jìn)一步劃分為支持集（左虛框）和查詢集（右虛框），如圖4所示。

將全部數(shù)據(jù)按照一定的比例劃分為GCN的訓(xùn)練集和測(cè)試集，按照上述過(guò)程進(jìn)行GCN分類(lèi)，當(dāng)分類(lèi)準(zhǔn)確率達(dá)到70%時(shí)，保存其全連層的結(jié)果作為圖編碼特征。再根據(jù)實(shí)驗(yàn)需求劃分為小樣本學(xué)習(xí)的訓(xùn)練集和測(cè)試集圖編碼特征，作為后續(xù)小樣本學(xué)習(xí)的訓(xùn)練輸入。

1.4 基于GEPN的小樣本學(xué)習(xí)

獲取圖編碼特征后，將圖編碼特征作為GEPN的輸入，經(jīng)過(guò)全連層輸出映射特征，并根據(jù)映射特征進(jìn)行雙損失約束訓(xùn)練，GEPN的構(gòu)建過(guò)程和雙損失約束如圖5和圖6所示。其中，構(gòu)建自適應(yīng)腦網(wǎng)絡(luò)、圖編碼特征的詳細(xì)過(guò)程已在圖2和圖3中予以展示，故圖5中對(duì)該步驟進(jìn)行了簡(jiǎn)化處理。

1.4.1 構(gòu)建GEPN

在GEPN中，首先將所獲取的圖編碼特征依次經(jīng)過(guò)卷積運(yùn)算、批標(biāo)準(zhǔn)化運(yùn)算和ReLU激活函數(shù)映射并重復(fù)4次，然后運(yùn)用兩個(gè)全連層進(jìn)行映射，最后進(jìn)行分類(lèi)訓(xùn)練和預(yù)測(cè)。其中，卷積運(yùn)算的卷積核維度均為1×1。

1.4.2 雙損失約束

在普通的網(wǎng)絡(luò)中，經(jīng)過(guò)全連層之后會(huì)直接進(jìn)行概率計(jì)算進(jìn)而進(jìn)行分類(lèi)的判斷。GEPN則有所不同，GEPN是根據(jù)查詢集進(jìn)行分類(lèi)效果的判斷。GEPN通過(guò)雙損失函數(shù)對(duì)模型進(jìn)行約束，需要確保同類(lèi)別之間的映射特征空間距離其“類(lèi)心空間”較小，不同類(lèi)別之間的映射特征空間距離其“類(lèi)心空間”較大。

如圖6所示，進(jìn)行模型訓(xùn)練時(shí)，首先，將訓(xùn)練集中支持集和查詢集的每個(gè)數(shù)據(jù)輸入到網(wǎng)絡(luò)中（經(jīng)過(guò)全連層2之后，每個(gè)數(shù)據(jù)可得到最終的“映射特征”）；其次，根據(jù)加權(quán)平均計(jì)算，進(jìn)而算出同類(lèi)別支持集的“映射特征”SCi的“類(lèi)心空間”SC；再次，最大化不同“類(lèi)心空間”SC的距離作為模型訓(xùn)練的第一個(gè)損失，即Loss1；最后，計(jì)算查詢集中每個(gè)數(shù)據(jù)“查詢特征”Qj到多個(gè)“類(lèi)心空間”SC的距離，即Loss2（每個(gè)查詢數(shù)據(jù)所屬類(lèi)別為離它最近的“類(lèi)心空間”所屬的類(lèi)別，即最大概率的類(lèi)別）。測(cè)試模型時(shí)，也需要使用支持集和查詢集，除了參數(shù)不更新外，其他過(guò)程一樣。

Loss1表示均方誤差損失函數(shù)，Loss2表示交叉熵?fù)p失函數(shù)。yjc表示當(dāng)前觀察樣本數(shù)據(jù)是否為其真實(shí)類(lèi)別，當(dāng)“查詢特征”Qj屬于其真實(shí)類(lèi)別C時(shí)，yjc為1，否則為0；Pjc表示當(dāng)前觀察樣本數(shù)據(jù)j屬于類(lèi)別C的預(yù)測(cè)概率，即“查詢特征”Qj預(yù)測(cè)為真實(shí)類(lèi)別的概率；k表示每個(gè)類(lèi)別的樣本數(shù)量。因此，模型訓(xùn)練的總損失可表示為：

（4）

2 實(shí)驗(yàn)與分析

2.1 數(shù)據(jù)說(shuō)明

本文實(shí)驗(yàn)選用的數(shù)據(jù)為UMN數(shù)據(jù)庫(kù)[15-17]的靜息態(tài)EEG公共數(shù)據(jù)集，分別為強(qiáng)迫癥數(shù)據(jù)集、抑郁癥數(shù)據(jù)集、帕金森數(shù)據(jù)集，三個(gè)數(shù)據(jù)集的電極都超過(guò)64個(gè)；還有從北京回龍觀醫(yī)院采集的精神分裂癥患者及其健康被試的靜息態(tài)EEG數(shù)據(jù)集，數(shù)據(jù)均有59個(gè)電極。

2.2 數(shù)據(jù)預(yù)處理

不同的數(shù)據(jù)之間可能存在噪聲和量綱上的差異，因此，先對(duì)每個(gè)數(shù)據(jù)進(jìn)行500 Hz頻率的采樣，接著用EEGLAB剔除眼電等異常數(shù)據(jù)并刪除壞段，然后將數(shù)據(jù)按照每個(gè)通道（電極）進(jìn)行標(biāo)準(zhǔn)化，最后選擇40秒到200秒之間的數(shù)據(jù)段。為了使不同數(shù)據(jù)的通道相同，本文采用56個(gè)相同的通道進(jìn)行實(shí)驗(yàn)。

2.3 實(shí)驗(yàn)設(shè)計(jì)

本文中的EEG數(shù)據(jù)有56個(gè)腦節(jié)點(diǎn)（即56個(gè)通道），故最終構(gòu)建的自適應(yīng)腦網(wǎng)絡(luò)維度為56×56，每個(gè)通道數(shù)據(jù)的長(zhǎng)度均為160 s，采樣頻率為500 Hz，每個(gè)腦節(jié)點(diǎn)有15個(gè)特征。

在進(jìn)行小樣本學(xué)習(xí)之前，將預(yù)處理后數(shù)據(jù)的70%作為訓(xùn)練集，30%作為測(cè)試集，再通過(guò)GCN進(jìn)行分類(lèi)，當(dāng)測(cè)試集的分類(lèi)準(zhǔn)確率達(dá)到70%時(shí)，提取出全連層所得結(jié)果作為圖編碼特征。將圖編碼特征分為訓(xùn)練集圖編碼特征和測(cè)試集圖編碼特征，訓(xùn)練集和測(cè)試集中都包含支持集圖編碼特征和查詢集圖編碼特征。

采用3-way k-shot進(jìn)行小樣本學(xué)習(xí)訓(xùn)練，其中，3表示訓(xùn)練集圖編碼特征類(lèi)別數(shù)量，即強(qiáng)迫癥、抑郁癥和帕金森，k表示小樣本學(xué)習(xí)中每個(gè)類(lèi)別的數(shù)量，可取3、5、10，即支持集在3個(gè)類(lèi)別中隨機(jī)選擇k個(gè)數(shù)據(jù)進(jìn)行學(xué)習(xí)，將其余的同類(lèi)數(shù)據(jù)作為查詢集進(jìn)行驗(yàn)證。采用2-way k-shot進(jìn)行測(cè)試，2表示測(cè)試集包括精神分裂癥患者及其健康被試兩個(gè)類(lèi)別數(shù)據(jù)圖編碼特征，k表示這兩個(gè)類(lèi)別的支持集圖編碼特征的數(shù)量，與訓(xùn)練時(shí)保持一致，即訓(xùn)練和測(cè)試的k值一樣。

2.4 實(shí)驗(yàn)評(píng)估指標(biāo)

本文提出的模型采用不同的評(píng)估指標(biāo)，分別有：正確率（Accuracy），表示正確分類(lèi)的樣本數(shù)占總樣本數(shù)的比例；精確率（Precision），表示正確預(yù)測(cè)為正例的樣本數(shù)占預(yù)測(cè)為正例樣本數(shù)的比例；召回率（Recall），表示正確預(yù)測(cè)為正例的樣本數(shù)占實(shí)際為正例樣本數(shù)的比例；F1分?jǐn)?shù)（F1-Score），表示綜合考慮精確率和召回率的平衡性，是精確率和召回率的調(diào)和平均值。計(jì)算式分別如（5）至（8）所示：

（5）

（6）

（7）

（8）

其中，TP表示真正例（True Positive），即預(yù)測(cè)和真實(shí)均為精神分裂癥患者；TN表示真負(fù)例（True Negative），即預(yù)測(cè)為精神分裂癥患者，真實(shí)為健康被試；FP表示假正例（False Positive），即預(yù)測(cè)和真實(shí)均為健康被試；FN表示假負(fù)例（False Negative），即預(yù)測(cè)為健康被試，真實(shí)為精神分裂癥患者。

2.5 實(shí)驗(yàn)結(jié)果分析與結(jié)論

k分別取3、5、10進(jìn)行訓(xùn)練和測(cè)試，其評(píng)估指標(biāo)如表1所示。

由表1可知，隨著k值的增加（即每個(gè)類(lèi)別訓(xùn)練樣本和測(cè)試樣本的增加），4個(gè)指標(biāo)都有所提高。當(dāng)k為10即每個(gè)類(lèi)別的支持集為10個(gè)樣本時(shí)，其正確率、精確率、召回率、F1分?jǐn)?shù)都為最高，分別為0.834 3、0.932 4、0.741 9、0.826 3。實(shí)驗(yàn)結(jié)果表明，本文提出的基于圖編碼與小樣本學(xué)習(xí)的分析診斷模型在樣本數(shù)據(jù)很少的情況下仍可以很好地完成精神分裂癥患者的判別，為那些想要在樣本數(shù)據(jù)缺失情況下獲得較高精神分裂癥分類(lèi)準(zhǔn)確率的研究人員提供參考。

3 結(jié) 論

本文針對(duì)圖論神經(jīng)網(wǎng)絡(luò)構(gòu)建腦網(wǎng)絡(luò)后不再變化以及對(duì)數(shù)據(jù)量的依賴問(wèn)題，提出一種基于圖編碼與小樣本學(xué)習(xí)的分析診斷模型。通過(guò)自注意力機(jī)制構(gòu)建自適應(yīng)腦網(wǎng)絡(luò)來(lái)解決腦網(wǎng)絡(luò)不變的問(wèn)題，構(gòu)建GCN提取圖編碼特征和對(duì)GEPN進(jìn)行分類(lèi)，緩解了深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的依賴，解決了未見(jiàn)過(guò)數(shù)據(jù)的分類(lèi)問(wèn)題，泛化能力較強(qiáng)。實(shí)驗(yàn)結(jié)果證明了本文所提模型的有效性，在未來(lái)的工作中將繼續(xù)利用其他圖論網(wǎng)絡(luò)和其他基于度量的小樣本學(xué)習(xí)方式進(jìn)行實(shí)驗(yàn)。

參考文獻(xiàn)：

[1] LI Z J，ZHANG G Y，WANG L B，et al. Emotion Recognition Using Spatial-temporal EEG Features through Convolutional Graph Attention Network [J/OL].https：//iopscience.iop.org/article/10.1088/1741-2552/acb79e.

[2] ZHU C，TAN Y，YANG S Q，et al. Temporal Dynamic Synchronous Functional Brain Network for Schizophrenia Diagnosis and Lateralization Analysis [J/OL]. arXiv：2304.01347v4 [q-bio.NC].[2023-07-23].https：//arxiv.org/abs/2304.01347.

[3] ZHU Y Q，CUI H J，HE L F，et al. Joint Embedding of Structural and Functional Brain Networks with Graph Neural Networks for Mental Illness Diagnosis [J/OL].Annual International Conference of the IEEE Engineering in Medicine and Biology Society，2022[2023-08-05].https：//pubmed.ncbi.nlm.nih.gov/36085703/.

[4] CHEN X Y，ZHOU J，KE P F，et al. Classification of Schizophrenia Patients Using a Graph Convolutional Network： A Combined Functional MRI and Connectomics Analysis [J/OL].https：//doi.org/10.1016/j.bspc.2022.104293.

[5] LI W，WANG H，ZHUANG L H，et al. GCNS-MI： EEG Recognition of Depression Based on Graph Mutual Information Maximization [EB/OL].[2023-07-09].https：//papers.ssrn.com/sol3/papers.cfm？abstract_id=4000327Available at SSRN 4000327.

[6] LEI D，QIN K，PINAYA W H L，et al. Graph Convolutional Networks Reveal Network-level Functional Dysconnectivity in Schizophrenia [J].Schizophrenia Bulletin，2022，48（4）：881-892.

[7] AN S，KIM S，CHIKONTWE P，et al. Few-shot Relation Learning with Attention for EEG-based Motor Imagery Classification [C]//2020 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Las Vegas：IEEE，2020：10933-10938.

[8] CRISOSTOMI D，ANTONELLI S，MAIORCA V，et al. Metric Based Few-Shot Graph Classification [EB/OL].[2023-07-06].https：//proceedings.mlr.press/v198/crisostomi22a.

[9] SNELL J，SWERSKY K，ZEMEL R. Prototypical Networks for Few-shot Learning [C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. [S.l.]：Curran Associates Inc.，2017：4080-4090.

[10] GAO Y K，LIU A P，WANG L L，et al. A Self-Interpretable Deep Learning Model for Seizure Prediction Using a Multi-Scale Prototypical Part Network [J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2023，31：1847-1856.

[11] HU J L，CAO L J，LI T H，et al. GAT-LI： a Graph Attention Network Based Learning and Interpreting Method for Functional Brain Network Classification [J].BMC Bioinformatics，2021，22（1）：1-20.

[12] POLAT H. Brain Functional Connectivity Based on Phase Lag Index of Electroencephalography for Automated Diagnosis of Schizophrenia Using Residual Neural Networks [J/OL].Journal of Applied Clinical Medical Physics，2023，24（7）[2023-07-20].https：//doi.org/10.1002/acm2.14039.

[13] SHEN L，SUN M，LI Q，et al. Multiscale Temporal Self-attention and Dynamical Graph Convolution Hybrid Network for EEG-based Stereogram Recognition [J/OL].arXiv：2302.10428v1 [cs.LG].[2023-07-20].https：//arxiv.org/pdf/2302.10428.pdf.

[14] 張格，林嵐，吳水才.基于腦網(wǎng)絡(luò)的圖卷積神經(jīng)網(wǎng)絡(luò)在腦疾病中的研究進(jìn)展 [J].醫(yī)療衛(wèi)生裝備，2021，42（8）：85-92.

[15] ALBRECHT M A，WALTZ J A，CAVANAGH J F，et al. Increased Conflict-induced Slowing， But No Differences in Conflict-induced Positive or Negative Prediction Error Learning in Patients with schizophrenia [J].Neuropsychologia，2018，123：131-140.

[16] CAVANAGH J F，BISMARK A W，F(xiàn)RANK M J，et al. Multiple Dissociations between Comorbid Depression and Anxiety on Reward and Punishment Processing： Evidence from Computationally Informed EEG [J].Computational Psychiatry，2019，3：1-17.

[17] GRüNDLER T O J，CAVANAGH J F，F(xiàn)IGUEROA C M，et al. Task-related Dissociation in ERN Amplitude as a Function of Obsessive–compulsive Symptoms [J].Neuropsychologia，2009，47（8-9）：1978-1987.

作者簡(jiǎn)介：符永燦（1997—），男，漢族，廣東廣州人，碩士研究生在讀，研究方向：智能數(shù)據(jù)分析與應(yīng)用。

收稿日期：2023-09-20

A Method for Analyzing Schizophrenia Based on Graph Encoding and Few-Shot Learning

FU Yongchan， YIN Guimei， SHENG Zhilin

（College of Computer Science and Technology， Taiyuan Normal University， Jinzhong 030619， China）

Abstract： In research on functional brain diseases based on graph neural networks， the constructed brain networks remain static and typically require a large amount of data for modeling and training. To address these two problems， this paper proposes an analysis and diagnostic model based on graph encoding and Few-shot learning. The model utilizes Pearson correlation coefficient and Self-Attention mechanism to construct an adaptive brain network， and takes temporal features， frequency domain features， and brain network features as inputs to a graph convolutional neural network， thereby dynamically learning the adaptive brain network and graph encoding features. The graph encoding features are used as inputs to a graph prototype network for Few-shot learning and classification. Applying this model to the classification and diagnosis of schizophrenia， experimental results demonstrate an accuracy rate of 83.4% in schizophrenia identification. This provides a novel perspective and approach for brain network research， and opens up new directions for the application of Few-shot learning in schizophrenia studies.

Keywords： adaptive brain network; graph encoding feature; Few-Shot Learning; graph prototype network; schizophrenia