(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211118672.3 (22)申请日 2022.09.15 (65)同一申请的已公布的文献号 申请公布号 CN 115187610 A (43)申请公布日 2022.10.14 (66)本国优先权数据 202211094130.7 2022.09.08 CN (73)专利权人 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) 审查员 杨静 (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 B 2022.12.30 CN 115187610 B 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； 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将神经元形 态数据生成为神经 元图数据并从所述神经 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； 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； 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； 所述几何图神经子网络与拓扑图神经子网络并列设置， 几何子图神经网络和拓扑图神 经网络的输入端均与所述输入层连接， 几何子图神经网络和拓扑图神经网络的输出端 经所 述加权求和拼接层与所述输出层连接； 所述几何图神经子网络与拓扑图神经子网络均采用GIN图神经网络结构， 均由k个图神 经网络层组成， 几何图神经子网络或拓扑图神经子网络的第k个网络层上， 节点 vn的图聚合 特征 为： 权　利　要　求　书 1/4 页 2 CN 115187610 B 2上式中， θ是一个能在线学习或者固定的参数， 使近邻聚合操作成为一个单射函数； s=1 时计算的是几何图神经子网络的特征； s=2时计算的是拓扑图神经子网络的特征； MLP()表 示通过多层感知机进 行非线性变换； βn,i为所有一阶邻居节 点的形态注 意力系数， 该形态注 意力系数通过以下 方式计算得 出， 包括： 上式中， 表示节点vn所有一阶邻居节点vi的集合； ci表示邻居节点vi在节点vn 的信息聚合过程中的重要度系数， 该ci通过以下公式计算得 出， 为： 其中， di表示节点vi与神经元胞体vsoma在神经元 图数据上的最短路径距离； ϵ是保证数 值稳定的常量， 默认值 为1.0； 将来自所有图神经网络层的k个图聚合特征进行拼接生成第s个子网络最终的图特征 ： 上式中， READOU T采用最大池化 函数； CONCAT()为组合 函数； 加权求和拼接层通过以下方式将几何图神经子网络与拓扑图神经子网络分别获得的 图特征h(G,top)和h(G,geo)进行加权求和方式组合， 生成整个网络 输出的最终图特 征hG： 其中， γtop和γgeo分别是在线学习的参数， 用来分别控制拓扑图神经子网络和几何图神 经子网络 输出特征融合时的重要程度； 输出层通过一个多层感知机对加权求和拼接层输出的F维的特征向量 进行非 线性变换 得到的M维特征向量 ， 即为神经 元形态特征； 所述深度哈希编码网络层 在训练阶段的输出 特征向量为： 其中， ei为形态感知图神经网络输出的M维特征向量； α 为一个不参与训练的参数， 在训 练过程中从0.0逐渐增加到1.0； bi为浮点数型的M维特征向量zi直接转换为M比特的哈希编 码， ； 所述对比学习层是以最大化正样本对之间的相似性的归一化的温度缩放交叉熵损失 函数作为对比学习损失函数， 该温度缩放交叉熵损失函数为：权　利　要　求　书 2/4 页 3 CN 115187610 B 3