1.一种基于序贯三支的置信图卷积神经网络的自闭症分类方法，其特征在于，包括以下步骤：步骤1、收集自闭症受试者的信息，构建自闭症数据集；

步骤2、应用拓扑图整合自闭症数据集的图像数据和非图像数据；

步骤3、提出置信图卷积神经网络GCN；应用图卷积神经网络GCN对自闭症节点进行分类；在图卷积神经网络GCN中引入置信度模块，定义置信度作为评估自闭症受试者分类不确定性的标准；定义自闭症类别标签输出概率与真实标签的相关程度作为置信度，应用损失conf函数L 训练置信图卷积神经网络GCN，并获得自闭症节点的标签与置信度；

所述步骤3具体过程如下：

步骤3.1、给定自闭症拓扑图G＝{V,E}和节点特征 输入图卷积神经网络GCN；

其中，V代表拓扑图中自闭症受试者节点，E代表自闭症拓扑图的边；其中，E＝{E1,E2,…,Et}为自闭症拓扑图的边集，V＝{v1,v2,…,vn}为自闭症受试者拓扑图的节点集，t为拓扑图边的数量，n为自闭症受试者拓扑图节点个数；

步骤3.2、计算所有样本的最大类别概率：对于任一自闭症样本xi，图卷积神经网络GCN通过计算每个自闭症类别标签的输出概率，对概率预测分布P(D|w,xi)进行分配；最大类别概率MCP为自闭症类别标签的概率最大值：其中，自闭症样本集X＝{x1,x2,…xn}，自闭症样本对应的类别标签集合Y＝{y1,y2,…,yn}，自闭症的标签集合为D＝{d1,d2,…dm}，其中n为自闭症样本个数，m为类别标签个数，w是图卷积神经网络GCN参数；

步骤3.3、计算图卷积神经网络GCN的交叉熵损失函数：为了获得模型的分类置信度，分类器f:xi→yi被构造；分类器f可视为一种概率模型；对于样本xi,其对应的MCP值为pi；分类cls器f通过交叉熵损失函数L 完成训练：

步骤3.4、将节点特征 输入图卷积神经网络GCN的置信度模块；

步骤3.5、计算真实类别概率TCP，即置信度，应用真实类别概率的思想，定义新的置信标准；采用真实类别概率TCP，获得较为可靠的分类置信度,即自闭症样本xi的真实标签yi被分配于自闭症样本xi的概率；总的来说，根据预测分布P(yi|xi)＝pi和对应自闭症标签yi，真实类别概率TCP被定义为：conf

步骤3.6、计算置信度损失函数L ：引入置信神经网络g:x→TCP来近似处理真实类别conf概率TCP，获得结果为TCP，其中TCP∈(0,1)；置信神经网络的损失函数L ：conf cls

L ＝(TCP‑TCP)+L        (4)

conf

步骤3.7、利用置信度损失函数L 反向训练图卷积神经网络GCN，得到自闭症受试者节点的标签和置信度；

其中，label＝{l1,l2,…ln}为自闭症受试者节点的标签集，confidence＝{c1,c2,...,cn}为节点的置信度，li被设置为0或1；

步骤4中，划分自闭症节点置信度和标签；如果自闭症节点置信度较高且标签为1，则自闭症受试者节点的标签是健康的；自闭症节点置信度较高且标签为0，则自闭症受试者节点的标签是患者；若自闭症节点的置信度较低，则被认为是不确定性的；

所述步骤4中还包括对于高置信度节点，自闭症节点标签被应用于更新拓扑图；对于低置信度节点，重复步骤3,完成序贯三支分类，直至所有节点的置信度为高置信度；

所述步骤4具体过程如下：

步骤4.1、根据步骤3得到的节点置信度和标签，利用序贯三支决策模块，根据自闭症拓扑图节点的置信度划分节点：主要分为以下三个区域，正域，边界域，负域：POS(vi)＝{labeli＝1|confidence＝high and labeli＝1}    (5.1)BND(vi)＝{labeli is uncertain|confidence＝low}    (5.2)NEG(vi)＝{labeli＝0|confidence＝high and labeli＝0}    (5.3)；

步骤4.2、在经历步骤4.1后，应用高置信度自闭症节点的标签更新拓扑图G＝{V,E}为G1＝{V1,E1}；而不确定性的自闭症节点依旧被视为未知节点，即无法确定此自闭症受试者是否健康；此时需要对低置信度自闭症节点进一步处理；

步骤4.3、将更新后的自闭症拓扑图G1＝{V1,E1}和对应的节点特征输入置信图卷积神经网络GCN，同时得到节点标签和对应的置信度；

步骤4.4、重复步骤3，直至不存在低置信度的节点，即不存在具有不确定性的节点；此时所有节点的置信度较高，获得所有自闭症受试者诊断结果。

2.根据权利要求1所述的基于序贯三支的置信图卷积神经网络的自闭症分类方法，其特征在于，所述步骤1中，收集自闭症受试者的信息，构建自闭症数据集；其中自闭症数据集来自于不同影像数据采集站点中的不同受试者；这些受试者组成自闭症的受试者群体，其中，每个受试者具有个体的相关数据，包括功能磁共振成像数据和其他表型数据；表型数据包括受试者自身的采集站点、年龄、性别基本信息。

3.根据权利要求2所述的基于序贯三支的置信图卷积神经网络的自闭症分类方法，其特征在于，所述步骤2中，应用拓扑图整合自闭症数据集的图像数据和非图像数据，应用拓扑图刻画自闭症受试者之间的内部相关性；从自闭症数据集的成像数据中提取节点特征，应用自闭症数据集中的表型数据构造节点之间的边，进而将自闭症数据集建模成拓扑图。

4.根据权利要求3所述的基于序贯三支的置信图卷积神经网络的自闭症分类方法，其特征在于，所述步骤4.1，对于节点，自闭症节点分为以下三种情况：(1)如果自闭症节点具有高置信度且标签为1，则节点的标签具有确定性，即为健康；

(2)如果自闭症节点具有高置信度且标签值为0，则节点的标签具有确定性，即为患者；

(3)如果自闭症节点具有低置信度，则节点的标签具有不确定性，无法判断受试者；

如果节点具有低置信度，则节点的标签具有不确定性，即不能判断受试者是否健康；无论节点的标签是1或者0，自闭症节点的分类结果都是不确定的。