(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 202211118672.3 (22)申请日 2022.09.15 (66)本国优先权数据 202211094130.7 2022.09.08 CN (71)申请人 中国科学技术大学 地址 230026 安徽省合肥市包河区金寨路 96号 (72)发明人 陈雪锦　吴枫　赵杰　 (74)专利代理 机构 北京凯特来知识产权代理有 限公司 1 1260 专利代理师 郑立明　付久春 (51)Int.Cl. G06T 7/00(2017.01) G06V 20/69(2022.01) G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/583(2019.01) G06F 16/51(2019.01) (54)发明名称 基于图神经网络的神经元形态分析方法、 设 备及存储介质 (57)摘要 本发明公开了一种基于图神经网络的神经 元形态分析方法、 设备及存储介质， 方法包括： 步 骤1， 接收待分析的神经元形态数据， 将神经元形 态数据生成为神经元图数据； 步骤2， 通过预先以 对比学习方式训练好的形态感知深度哈希 图神 经网络从所述神经元图数据提取神经元形态特 征； 步骤3， 将所述形态感知深度哈希图神经网络 所提取的神经元形态特征通过二值化获得对应 的神经元形态哈希编码， 所述神经元形态哈希编 码用于神经元形态分类或者神经元检索。 该方法 使得图神经网络模型可以在没有人工标注数据 的情况下， 学习神经元形态数据的哈希编码特 征。 权利要求书4页 说明书17页 附图4页 CN 115187610 A 2022.10.14 CN 115187610 A 1.一种基于图神经网络的神经 元形态分析 方法， 其特 征在于， 包括： 步骤1， 接收待分析的神经 元形态数据， 将神经 元形态数据生成为神经 元图数据； 步骤2， 通过预先以对比学习方式训练好的形态感知深度哈希图神经网络从所述神经 元图数据提取神经 元形态特征； 步骤3， 将所述形态感知深度哈希图神经网络所提取的神经元形态特征通过二值化获 得对应的神经元形态哈希编 码， 所述神经元形态哈希编 码用于神经元形态分类或者神经元 检索。 2.根据权利要求1所述的基于图神经网络的神经元形态分析方法， 其特征在于， 所述步 骤1中， 按以下 方式将神经 元形态数据生成为神经 元图数据， 包括： 从保存所述神经元形态数据的SWC文件中提取所有神经元节点的三维坐标， 并确定神 经元胞体的位置； 将所有神经元节点移动到一个以神经元胞体的位置作为坐标原点的统一的笛卡尔三 维坐标空间中； 在保留所有分叉点和端点的同时， 对每一个神经元分支按照预设微米的间隔进行重采 样得到初始神经元形态数据， 所述预设微米的间隔是指神经元骨架上相 邻两个神经元节点 的距离为预 先设定的长度； 对初始神经 元图数据进行重采样去除冗余的神经 元节点得到最终的神经 元形态数据； 根据最终的神经元形态数据构造图数据作为生成的神经元图数据， 所构造的图数据 中， 神经元形态数据的所有神经元节点集合用作图数据的图节点集合， 图数据中所有边的 集合由神经元节点之间的连接 关系确定， 图数据的边对应神经元分支上每一对相 邻的神经 元节点， 神经元节点的三 维空间坐标和神经元节 点半径被用来初始 化图数据的节点的特征 向量， 将神经元节点到胞体的路径距离和该神经元节点处神经元分叉角的统计信息添加到 初始化特 征中。 3.根据权利要求1所述的基于图神经网络的神经元形态分析方法， 其特征在于， 所述方 法中， 按以下 方式以对比学习方式训练形态感知深度哈希图神经网络， 包括： 步骤S1， 在网络训练每一次迭代中， 从训练数据集按预定数量随机抽取N个神经元形态 数据， 并通过神经元形态数据增广处理和神经元图数据生 成处理来生成2N个增广神经元图 数据； 步骤S2， 从抽取的N个神经元形态数据中第n个神经元形态数据对应的两个增广神经元 图数据获得对 应的正样本对为zi与zj， 从同一份抽取的N个神经元形态数据中的其他2(N ‑1) 个增广神经 元图数据获得负 样本对zi与zK， i≠k； 步骤S3， 计算归一化的温度缩放交叉熵损失函数来计算梯度训练形态感知深度哈希图 神经网络， 该温度缩放交叉熵损失函数为： ； 其中， τ表示温度参数； 为正样本对zi与zj的相似度， 是归一化样本对zi与zj 之间的余弦相似度， 计算公式为： 权　利　要　求　书 1/4 页 2 CN 115187610 A 2步骤S4， 判断是否满足设定的训练结束条件， 若否， 则按步骤S1～S3进行下一次迭代训 练， 若是， 则完成形态感知深度哈希图神经网络的训练， 得到训练好的形态感知深度哈希图 神经网络 。 4.根据权利要求3所述的基于图神经网络的神经元形态分析方法， 其特征在于， 所述步 骤S1中， 神经 元形态数据增广处 理为以下三种方式 中的至少两种， 包括： 方式一， 通过神经 元节点扰动的数据增广方式： 对神经元形态数据的预定比例的神经元节点， 在预定的三维移动范围内随机移动神经 元节点坐标对神经元形态进行扰动得出的新神经元节点形态数据作为增广神经元形态数 据； 方式二， 通过神经 元分支裁 剪的数据增广方式： 从神经元形态数据按照预定的概率选取除神经元胞体外的一部分神经元节点， 将这些 神经元节点的子分支进行裁 剪得出的新神经 元节点形态数据作为增广神经 元形态数据； 方式三， 通过神经 元随机旋转的数据增广方式： 在预定的角度 范围内随机选择一个角度θ， 按照角度θ沿着三个坐标轴方向中的任意一 个对神经 元形态数据进行旋转得 出的新神经 元节点形态数据作为增广神经 元形态数据。 5.根据权利要求1 ‑4任一项所述的基于 图神经网络的神经元形态分析方法， 其特征在 于， 所述形态感知深度哈希图神经网络包括： 输入层、 数据增广模块、 图数据生成模块、 形态感知图神经网络、 深度哈希编码网络层 和对比学习层； 其中、 所述输入层能接收神经 元形态数据； 所述数据增广模块， 与所述输入层连接， 能对所述输入层接收的神经元形态数据以选 定的两种数据增广方式进行 数据增广得到增广神经 元形态数据； 所述图数据生成模块， 与所述数据增广模块连接， 能将所述数据增广模块输出的增广 神经元形态数据生成为神经 元图数据； 所述形态感知图神经网络， 与所述图数据生成模块连接， 能从所述图数据生成模块生 成的神经 元图数据提取神经 元形态特征； 所述深度哈希编码网络层， 与所述形态感知图神经网络连接， 能以渐进式学习离散优 化方式从所述形态感知图神经网络提取的神经 元形态特征提取对应的哈希编码； 所述对比学习层， 与所述深度哈希编码网络层连接， 基于对比学习损 失函数以无监督 方式训练共享的形态感知图神经网络和共享的深度哈希编码网络层来最大化正样本对的 两个输出 特征的一致性。 6.根据权利要求5所述的基于图神经网络的神经元形态分析方法， 其特征在于， 所述形 态感知图神经网络包括： 输入层、 双支路图特 征提取层、 加权求和拼接层和输出层； 所述输入层采用卷积神经网络， 所述输入层与所述双支路图特征提取层连接， 能接收 输入的神经 元图数据； 所述双支路图特 征提取层包括： 能从神经元图数据提取几何特征的几何图神经子网络和能从神经元图数据提取拓扑 特征的拓扑图神经子网络；权　利　要　求　书 2/4 页 3 CN 115187610 A 3