1.一种基于对称正定流形的解耦表征的脑网络分析方法，其特征在于，包括以下步骤：获取受试者静息状态下的功能磁共振脑影像数据，进行预处理，根据大脑结构的解剖学模板划分感兴趣区，得到每个感兴趣区的血氧水平依赖信号的时间序列；

通过计算成对感兴趣区之间皮尔逊相关系数，构建脑功能连接网络，生成位于SPD流形空间上的FC矩阵；

利用SPD流形编码器，初步提取FC矩阵中的特征信息，并使用SPD流形解码器进行重构；

将SPD流形编码器输出的特征送入解耦表征模块进行解耦，分离出站点无关和站点特定的SPD流形特征；

提取到的站点无关SPD流形特征投影回切平面空间，送入两层全连接层，并采用Softmax作为激活函数，得到分类结果。

2.根据权利要求1所述的一种基于对称正定流形的解耦表征的脑网络分析方法，其特征在于，成对感兴趣区之间皮尔逊相关系数的计算公式为：式中，ρ(X,Y)表使脑区X与脑区Y之间的线性相关程度，其值为‑1到1之间；μX与μY为脑区X与脑区Y在时间序列上血氧水平依赖信号的平均值，X与Y代表脑区X和脑区Y在各个时间点上的时间序列上血氧水平依赖信号值。

3.根据权利要求1所述的一种基于对称正定流形的解耦表征的脑网络分析方法，其特征在于，SPD流形编码器包括三层，前两层各自包含一组BiMap层和RegEig层，最后一层只包含一个BiMap层；BiMap层将每个输入SPD特征进行维度变换；RegEig层通过对SPD矩阵中的特征值进行处理。

4.根据权利要求3所述的一种基于对称正定流形的解耦表征的脑网络分析方法，其特征在于，利用测地线距离对SPD流形编码器产生的中间特征进行度量，计算公式为：DLEM(Xi,Xj)＝||log(Xj)‑log(Xi)||F式中， 为度量SPD流形编码器产生的中间特征的损失函数， 表示在编码过程中第k阶段的SPD矩阵，NB和NS分别表示批次的大小和阶段的数量，i是一个批次中数据的下标，a是选定为锚点样本的在批次数据中的下标；Npos为正类对的数量，Nneg为负类对的数量；L是病例的真实标签；DLEM为测地线距离；Xi和Xj代表需要计算测地线距离的两个SPD矩阵，下标F表示计算得到的矩阵的Frobenius范数。

5.根据权利要求3所述的一种基于对称正定流形的解耦表征的脑网络分析方法，其特征在于，使用SPD流形解码器对编码器最后一层输出进行重构，使用全局重构损失进行度量：其中， 为度量重构后的FC和原始输入的FC的损失函数，X，分别为最初通过计算皮尔逊相关系数得到的FC和最终利用SPD流形解码器重构后的FC。

6.根据权利要求5所述的一种基于对称正定流形的解耦表征的脑网络分析方法，其特征在于，通过域泛化损失和局部重构损失对解耦过程进行监督；

域泛化损失：

其中， 为监督域不变特征质量的损失函数， 为监督域特定特征质量的损失函数，co sp为监督上述两类特征质量的损失函数。X 和X 分别代表解耦出的站点无关和站点特定信息，S是站点标签；

局部重构损失：

to

其中， 为度量重构后的待解耦SPD特征和解耦前的SPD特征的损失函数，X‑disentagle

和 分别指的是解耦前的SPD特征和重构后的解耦前的SPD特征。

7.根据权利要求6所述的一种基于对称正定流形的解耦表征的脑网络分析方法，其特征在于，投影回切平面空间的公式为：T

P＝log(X)＝Φlog(Λ)Φ

式中，P为位于SPD流形空间上的矩阵特征X投影回到切平面空间上的矩阵特征，和 是通过对矩阵X进行特征值分解后得到特征值和特征向量矩阵，T

即X＝ΦΛΦ。

8.根据权利要求6所述的一种基于对称正定流形的解耦表征的脑网络分析方法，其特征在于，使用交叉熵损失函数评估分类性能：其中， 为度量分类性能的损失函数，L指的是样本关于是否患有ASD的真实标签，p指的是模型得到的预测值，Log()为传统的在欧式空间上取对数的操作。

9.根据权利要求8所述的一种基于对称正定流形的解耦表征的脑网络分析方法，其特征在于，总体的损失函数如下：其中，α，β，λ为权衡模型在各类损失的权重系数，θ1，θ2为权衡模型在全局重构和局部重构任务间的系数。

10.一种基于对称正定流形的解耦表征的脑网络分析系统，其特征在于，包括：数据采集处理模块：获取受试者静息状态下的功能磁共振脑影像数据，进行预处理，根据大脑结构的解剖学模板划分感兴趣区，得到每个感兴趣区的血氧水平依赖信号的时间序列；

FC矩阵构建模块：通过计算成对感兴趣区之间皮尔逊相关系数，构建脑功能连接网络，生成位于SPD流形空间上的FC矩阵；

特征提取模块：利用SPD流形编码器，初步提取FC矩阵中的特征信息，并使用SPD流形解码器进行重构；

特征解耦模块：将SPD流形编码器输出的特征送入解耦表征模块进行解耦，分离出站点无关和站点特定的SPD流形特征；

以及，分析模块：提取到的站点无关SPD流形特征投影回切平面空间，送入两层全连接层，并采用Softmax作为激活函数，得到分类结果。