CN106503799B - 基于多尺度网络的深度学习模型及在脑状态监测中的应用 - Google Patents

基于多尺度网络的深度学习模型及在脑状态监测中的应用 Download PDF

Info

Publication number
CN106503799B
CN106503799B CN201610887683.6A CN201610887683A CN106503799B CN 106503799 B CN106503799 B CN 106503799B CN 201610887683 A CN201610887683 A CN 201610887683A CN 106503799 B CN106503799 B CN 106503799B
Authority
CN
China
Prior art keywords
network
node
multiple dimensioned
recurrence
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610887683.6A
Other languages
English (en)
Other versions
CN106503799A (zh
Inventor
高忠科
杨宇轩
蔡清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Junsheng (Tianjin) Technology Development Co.,Ltd.
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201610887683.6A priority Critical patent/CN106503799B/zh
Publication of CN106503799A publication Critical patent/CN106503799A/zh
Application granted granted Critical
Publication of CN106503799B publication Critical patent/CN106503799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于多尺度网络的深度学习模型及在脑状态监测中的应用：对测得的多通道信号进行预处理和多尺度变换；对所有尺度下的多通道信号得到多尺度加权递归网络和多尺度加权递归网络对应的交叉递归率矩阵；提取多尺度加权递归网络在不同的尺度下的网络指标；在每个尺度下，保留交叉递归率矩阵中相对大的元素，得到无权的邻接矩阵及其所对应的多尺度无权递归网络；对在设定变量的变化范围内的每一个值，得到多尺度无权递归网络和多尺度无权递归网络对应的邻接矩阵，提取多尺度无权递归网络在不同尺度下的网络指标，计算变量在设定范围内变化时网络指标的积分，将积分作为每个尺度下多尺度无权递归网络的最终的网络指标；深度学习模型训练和进行脑状态监测。

Description

基于多尺度网络的深度学习模型及在脑状态监测中的应用
技术领域
本发明涉及一种脑状态监测方法。特别是涉及一种针对多通道脑电信号的基于多尺度网络的深度学习模型及在脑状态监测中的应用。
背景技术
脑电信号是脑神经细胞生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息，在临床医学方面，对脑状态的准确辨识不仅可为某些脑疾病提供诊断依据，同时也能够为某些脑疾病提供有效的治疗手段。在工程应用方面，人们也尝试利用脑电信号实现脑-计算机接口，利用人对不同的感觉、运动或认知活动的脑电的不同，通过对脑电信号特征的有效的提取和分类实现意念控制等。但由于脑电信号是不具备各态历经性的非平稳随机信号，而且其背景噪声也很强，因此脑电信号的分析和处理具有十分重要的意义，但同时也具备相当大的难度。众多的智能穿戴设备在市场上涌现，它们可以对用户的脑电信号进行实时监测，实现某些脑状态的辨识与分类。但是，目前大多数时间序列分析方法只能实现对一元数据的分析，如何融合多通道的传感器得到的多通道信息实现更加准确的辨别并为疾病的诊断提供重要依据依然存在较大局限性，同时对于实现更为复杂的意念控制依然是个值得探索的问题。随着人们的健康意识日益增强，使用智能穿戴系统随时随地了解自己的身体状况并自动处理紧急状况已经成为越来越多人的追求。将脑电检测分析系统与智能穿戴结合正是满足这种需求的理想产品。将脑电检测设备移植到可穿戴智能产品上，一方面应用本发明的一种基于多尺度递归网络的深度学习模型监测脑状态；另一方面使用智能穿戴设备实时输出大脑状态，可以监测使用者的身体状况，方便使用者进行自我健康状况评估，降低疾病的危害。
复杂网络理论自创立以来，如今已在多领域得到了蓬勃发展，是研究复杂系统的一个重要工具，尤其是近年来其在时间序列分析中领域作出了重大贡献。实践表明，复杂网络对于挖掘包含在非线性时间序列中和非线性动力学系统中的重要信息具有明显的优势，效果显著。其在单通道时间序列上的得到成功应用的同时，也使得科研人员开始关注如何将其应用到多通道数据的融合分析中。递归网络作为复杂网络研究中的一个重要分支，在多领域得到广泛应用，尤其是对于不稳定的、短的时间序列，其分析效果十分显著。它可以用于探究复杂系统和时间序列中的动力学特性。
发明内容
本发明所要解决的技术问题是，提供一种可应用于脑状态监测的基于多尺度网络的深度学习模型及在脑状态监测中的应用。
本发明所采用的技术方案是：一种基于多尺度网络的深度学习模型，模型的建立包括如下步骤：
1)对从智能穿戴设备测得的多通道信号进行预处理，预处理中的带通滤波范围是据设定的任务选取对应的脑电节律波确定；对预处理后的脑电信号进行多尺度变换；
2)在每一个固定尺度因子β下构建多尺度加权递归网络和多尺度加权递归网络对应的交叉递归率矩阵；
3)通过对所有尺度下的多通道信号进行步骤2)的处理，得到多尺度加权递归网络和多尺度加权递归网络对应的交叉递归率矩阵；提取步骤2)中的多尺度加权递归网络在不同的尺度下的网络指标；
4)在每个尺度下，设置一个变量q，保留所述的交叉递归率矩阵中相对大的元素，使保留下来的元素数目和原始的元素数目的比值为q；将保留下来的所有元素的值都设置为1，未保留的元素值都设为0，从而得到一个无权的邻接矩阵A以及无权的邻接矩阵A对应的多尺度无权递归网络；
5)设定变量q的变化范围为0.1～0.3，变化步长为0.01，对于变量q的每一个值，得到多尺度无权递归网络和多尺度无权递归网络对应的邻接矩阵A，提取多尺度无权递归网络在不同尺度下的网络指标，计算q在0.1～0.3范围内变化时所述的网络指标的积分，将所述的积分作为每个尺度下多尺度无权递归网络的最终的网络指标；
6)深度学习模型训练和进行脑状态监测。
步骤1)中所述的带通滤波范围是据设定的任务选取对应的脑电节律波确定，具体是：深度睡眠、缺氧以及大脑出现器质性病变时出现的δ波，频率范围为1-4Hz；在意愿受到挫折和抑郁时出现的θ波，频率范围为4-8Hz；人在清醒、安静或闭眼时最为明显的是α波，频率范围为8-13Hz；人精神紧张和情绪激动或兴奋时出现的β波，频率范围为13-30Hz；若无特定的节律波要求，则去除高低频干扰即可。
步骤1)中所述的对预处理后的脑电信号进行多尺度变换，包括：
(1)对于长度均为C具有p通道的信号中的每一通道的信号分别进行粗粒化得到：
其中，μxk,i (β)是粗粒化后得到的信号的任意一点，yk,b是信号Y中的任意一点，β是尺度因子，μ表示数据是求均值得到的，表示对进行取整，其中粗粒化后的单通道的数据长度为L,
(2)对每一通道的原始信号计算粗粒化方差，得到每一通道的多尺度信号：
由此，得到多尺度多通道信号
步骤2)包括：
(1)对于一个固定尺度因子β下得到的多通道信号进行相空间重构：
其中，N是进行相空间重构后相空间轨迹上向量点的数目，m为嵌入维数，采用错误最近邻法确定，τ为延迟时间，采用互信息法确定，为通道k经过相空间重构后得到的相空间轨迹；
(2)对于任意两通道m和n的信号xm,i (β)和xn,i (β)(m≠n)，在进行第(1)步后得到相空间轨迹其中u＝1,....,N和其中v＝1,....,N；通过对相空间轨迹和进行交叉递归，得到一个大小为N×N的交叉递归图：
其中，ε为阈值，采用15％的两通道信号标准偏差和选取，表示两相空间轨迹中任意两向量点之间的距离；表示如果则其值为1，如果则其值为0；这样一来，若的值为1，则在递归图中为黑色，若的值为0，则在递归图中为白色；
(3)为了量化每一个交叉递归图中递归点的密度，计算交叉递归率：
(4)对于固定尺度因子β下得到的多通道信号中的每两通道信号进行第(1)步～第(3)步的处理，得到一个大小为p×p的交叉递归率矩阵；
(5)将每一通道信号视作节点，将两通道间形成的交叉递归图的交叉递归率作为节点间连边的权重，得到在一固定尺度下的加权递归网络。
步骤3)中所述的多尺度加权递归网络在不同的尺度下的网络指标，包括：
(1)节点加权聚集系数Cw(i)：
其中，Wij、Wjk、Wki分别表示节点i和j，j和k，k和i之间的权值，Cw(i)表示节点i的加权聚集系数；
(2)节点加权度：任意节点i加权度表示该节点与其它节点之间连边的权值和。
步骤5)中所述的提取多尺度无权递归网络在不同尺度下的网络指标，包括：
(1)节点聚集系数Ci：
其中，ki表示无权相关系数复杂网络中与节点i有连边的节点数目，Ei表示ki个节点之间有连边的数目；
(2)节点度：任意节点i的度表示与该节点有连边的节点的数目；
(3)节点介数L(i)：
其中，σmn为连接节点m和节点n的最短路径数目，σmn(i)为经过节点i的连接节点m和节点n的最短路径数目；
(4)节点接近中心性CCi：
其中，Dij表示节点i到无权相关系数复杂网络中任意其它节点j的最短距离，该网络中共有节点数目为S；
(5)节点特征向量中心性：任意节点i的特征向量中心性表示网络邻接矩阵A的主特征值对应的特征向量的第i个元素的值。
步骤6)所述的深度学习模型训练和进行脑状态监测，包括：
(1)对于智能穿戴设备得到的多通道脑电信号分别进行步骤1)～步骤4)的处理，建立多尺度加权递归网络和多尺度无权递归网络，得到大量网络指标，即节点加权聚集系数、节点加权度、节点聚集系数、节点度、节点介数、节点接近中心性和节点特征向量中心性；将所述的网络指标组成的特征向量归一化后作为深度学习模型即卷积神经网络的一个样本输入，将脑状态作为卷积神经网络的输出；
(2)卷积神经网络由6到20层的不同形式和作用的神经层堆叠在一起，具体的网络构成包括卷积层、池化层、全连接层和损失层；其中卷积层是卷积神经网络的核心，每一个卷积层由若干的卷积核组成，所述的卷积核只对自己感受野内的一小块区域进行卷积运算，是按照规定的步长在整个输入数据上进行平移，对整个数据进行卷积运算，并输出一个特征图；池化层是对数据维度进行压缩的操作，即降采样，同时具有防止过拟合的作用；在卷积层的最后会连接一层或几层全连接的神经网络，所述神经网络的输入为前面卷积层或池化层输出的多维特征图；损失层将前馈神经网络的输出与数据的标签进行比较，计算两者的误差，然后通过反向传播算法进行网络的参数调节和优化；
(3)通过对大量的样本进行多层次的卷积和池化过程进行训练，采用误差反向传播算法调节、更新、优化网络中的各项参数以得到一个能够实现脑状态监测的深度学习模型，实现对脑状态的辨识与分类。
一种基于多尺度网络的深度学习模型在脑状态监测中的应用，对智能穿戴设备测得的多通道信号进行带通滤波，使用独立成分分析的方法去除眼电干扰信号并对伪迹明显的数据进行手动剔除；其中带通滤波范围是根据设定的任务选取对应的脑电节律波确定；对于滤波和去伪迹后的脑电信号在多尺度上计算每一对信号之间的交叉递归率，以递归率确定递归网络的连边权重，以每一通道的信号作为网络的节点，建立多尺度加权递归网络；通过选取阈值将多尺度加权递归网络转换为多尺度无权递归网络；提取网络的大量指标组成特征向量，将所述的特征向量作为样本输入深度学习模型即卷积神经网络，将当前任务中需要监测的脑状态作为卷积神经网络的输出，通过对大量的样本进行多层次的卷积和池化过程进行训练，采用误差反向传播算法调节、更新、优化网络的中各项参数以得到一个能够实现脑状态辨识的深度学习模型，实现对脑状态的监测。
本发明的基于多尺度网络的深度学习模型及在脑状态监测中的应用，具有如下有益效果：
(1)提出了一种针对智能穿戴设备测得的脑电信号进行脑状态监测的方法；
(2)提出了一种基于多尺度递归网络的深度学习模型构建方法。
附图说明
图1是本发明的基于多尺度网络的深度学习模型构建和实现脑状态监测的示意图。
具体实施方式
下面结合实施例和附图对本发明的基于多尺度网络的深度学习模型及在脑状态监测中的应用做出详细说明。
本发明的基于多尺度网络的深度学习模型及在脑状态监测中的应用，通过对智能穿戴设备测得的多通道脑电信号在多尺度上计算每一对信号之间的交叉递归率，以交叉递归率确定递归网络的连边权重，以每一通道的信号作为网络的节点，建立多尺度加权递归网络。通过选取阈值将多尺度加权递归网络转换为无权递归网络。提取网络的大量指标，将其作为深度学习模型的输入，经由对大量样本的学习和训练，构建基于多尺度递归网络的深度学习模型。该模型可应用于脑状态的监测，即实现对脑状态的监测。
本发明的基于多尺度网络的深度学习模型的建立包括如下步骤：
1)对从智能穿戴设备测得的多通道信号进行预处理，预处理中的带通滤波范围是据设定的任务选取对应的脑电节律波确定；对预处理后的脑电信号进行多尺度变换；
所述的带通滤波范围是据设定的任务选取对应的脑电节律波确定，具体是：深度睡眠、缺氧以及大脑出现器质性病变时出现的δ波，频率范围为1-4Hz；在意愿受到挫折和抑郁时出现的θ波，频率范围为4-8Hz；人在清醒、安静或闭眼时最为明显的是α波，频率范围为8-13Hz；人精神紧张和情绪激动或兴奋时出现的β波，频率范围为13-30Hz；若无特定的节律波要求，则去除高低频干扰即可。
所述的对预处理后的脑电信号进行多尺度变换，包括：
(1)对于长度均为C具有p通道的信号中的每一通道的信号分别进行粗粒化得到：
其中，μxk,i (β)是粗粒化后得到的信号的任意一点，yk,b是信号Y中的任意一点，β是尺度因子，μ表示数据是求均值得到的，表示对进行取整，其中粗粒化后的单通道的数据长度为L,
(2)对每一通道的原始信号计算粗粒化方差，得到每一通道的多尺度信号：
由此，得到多尺度多通道信号
2)在每一个固定尺度因子β下构建多尺度加权递归网络和多尺度加权递归网络对应的交叉递归率矩阵；包括：
(1)对于一个固定尺度因子β下得到的多通道信号进行相空间重构：
其中，N是进行相空间重构后相空间轨迹上向量点的数目，m为嵌入维数，采用错误最近邻法确定，τ为延迟时间，采用互信息法确定，为通道k经过相空间重构后得到的相空间轨迹；
(2)对于任意两通道m和n的信号xm,i (β)和xn,i (β)(m≠n)，在进行第(1)步后得到相空间轨迹其中u＝1,....,N和其中v＝1,....,N；通过对相空间轨迹和进行交叉递归，得到一个大小为N×N的交叉递归图：
其中，ε为阈值，采用15％的两通道信号标准偏差和选取，表示两相空间轨迹中任意两向量点之间的距离；表示如果则其值为1，如果则其值为0；这样一来，若的值为1，则在递归图中为黑色，若的值为0，则在递归图中为白色；
(3)为了量化每一个交叉递归图中递归点的密度，计算交叉递归率：
(4)对于固定尺度因子β下得到的多通道信号中的每两通道信号进行第(1)步～第(3)步的处理，得到一个大小为p×p的交叉递归率矩阵；
(5)将每一通道信号视作节点，将两通道间形成的交叉递归图的交叉递归率作为节点间连边的权重，得到在一固定尺度下的加权递归网络。
3)通过对所有尺度下的多通道信号进行步骤2)的处理，得到多尺度加权递归网络和多尺度加权递归网络对应的交叉递归率矩阵；提取步骤2)中的多尺度加权递归网络在不同的尺度下的网络指标；其中，所述的多尺度加权递归网络在不同的尺度下的网络指标，包括：
(1)节点加权聚集系数Cw(i)：
其中，Wij、Wjk、Wki分别表示节点i和j，j和k，k和i之间的权值，Cw(i)表示节点i的加权聚集系数；
(2)节点加权度：任意节点i加权度表示该节点与其它节点之间连边的权值和。
4)在每个尺度下，设置一个变量q，保留所述的交叉递归率矩阵中相对大的元素，使保留下来的元素数目和原始的元素数目的比值为q；将保留下来的所有元素的值都设置为1，未保留的元素值都设为0，从而得到一个无权的邻接矩阵A以及无权的邻接矩阵A对应的多尺度无权递归网络。
5)设定变量q的变化范围为0.1～0.3，变化步长为0.01，对于变量q的每一个值，得到多尺度无权递归网络和多尺度无权递归网络对应的邻接矩阵A，提取多尺度无权递归网络在不同尺度下的网络指标，计算q在0.1～0.3范围内变化时所述的网络指标的积分，将所述的积分作为每个尺度下多尺度无权递归网络的最终的网络指标；其中，所述的提取多尺度无权递归网络在不同尺度下的网络指标，包括：
(1)节点聚集系数Ci：
其中，ki表示无权相关系数复杂网络中与节点i有连边的节点数目，Ei表示ki个节点之间有连边的数目；
(2)节点度：任意节点i的度表示与该节点有连边的节点的数目；
(3)节点介数L(i)：
其中，σmn为连接节点m和节点n的最短路径数目，σmn(i)为经过节点i的连接节点m和节点n的最短路径数目；
(4)节点接近中心性(closeness centrality)CCi：
其中，Dij表示节点i到无权相关系数复杂网络中任意其它节点j的最短距离，该网络中共有节点数目为S；
(5)节点特征向量中心性：任意节点i的特征向量中心性表示网络邻接矩阵A的主特征值对应的特征向量的第i个元素的值。
6)深度学习模型训练和进行脑状态监测；包括：
(1)对于智能穿戴设备得到的多通道脑电信号分别进行步骤1)～步骤4)的处理，建立多尺度加权递归网络和多尺度无权递归网络，得到大量网络指标，即节点加权聚集系数、节点加权度、节点聚集系数、节点度、节点介数、节点接近中心性和节点特征向量中心性；将所述的网络指标组成的特征向量归一化后作为深度学习模型即卷积神经网络的一个样本输入，将脑状态作为卷积神经网络的输出；
(2)卷积神经网络由6到20层的不同形式和作用的神经层堆叠在一起，具体的网络构成包括卷积层、池化层、全连接层和损失层；其中卷积层是卷积神经网络的核心，每一个卷积层由若干的卷积核组成，所述的卷积核只对自己感受野内的一小块区域进行卷积运算，是按照规定的步长在整个输入数据上进行平移，对整个数据进行卷积运算，并输出一个特征图；池化层是对数据维度进行压缩的操作，即降采样，同时具有防止过拟合的作用；所述的池化层在两个卷积层之间，但由于池化是对输入数据大幅度的维度压缩，所以一般并不大量使用，而且通常在池化层只选择小的过滤器；在卷积层的最后会连接一层或几层全连接的神经网络，所述神经网络的输入为前面卷积层或池化层输出的多维特征图，具体操作时会把多个特征图拉成一条一维数据输入到全连接的神经网络中；损失层将前馈神经网络的输出与数据的标签进行比较，计算两者的误差，然后通过反向传播算法进行网络的参数调节和优化；
(3)通过对大量的样本进行多层次的卷积和池化过程进行训练，采用误差反向传播算法调节、更新、优化网络中的各项参数以得到一个能够实现脑状态监测的深度学习模型，实现对脑状态的辨识与分类。
本发明的基于多尺度网络的深度学习模型在脑状态监测中的应用，是对智能穿戴设备测得的多通道信号进行带通滤波，使用独立成分分析的方法去除眼电干扰信号并对伪迹明显的数据进行手动剔除；其中带通滤波范围是根据设定的任务选取对应的脑电节律波确定；对于滤波和去伪迹后的脑电信号在多尺度上计算每一对信号之间的交叉递归率，以递归率确定递归网络的连边权重，以每一通道的信号作为网络的节点，建立多尺度加权递归网络；通过选取阈值将多尺度加权递归网络转换为多尺度无权递归网络；提取网络的大量指标组成特征向量，将所述的特征向量作为样本输入深度学习模型即卷积神经网络，将当前任务中需要监测的脑状态作为卷积神经网络的输出，通过对大量的样本进行多层次的卷积和池化过程进行训练，采用误差反向传播算法调节、更新、优化网络的中各项参数以得到一个能够实现脑状态辨识的深度学习模型，实现对脑状态的监测。
以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。

Claims (8)

1.一种基于多尺度网络的深度学习模型，其特征在于，模型的建立包括如下步骤：
1)对从智能穿戴设备测得的多通道信号进行预处理，预处理中的带通滤波范围是据设定的任务选取对应的脑电节律波确定；对预处理后的脑电信号进行多尺度变换；
2)在每一个固定尺度因子β下构建多尺度加权递归网络和多尺度加权递归网络对应的交叉递归率矩阵；
3)通过对所有尺度下的多通道信号进行步骤2)的处理，得到多尺度加权递归网络和多尺度加权递归网络对应的交叉递归率矩阵；提取步骤2)中的多尺度加权递归网络在不同的尺度下的网络指标；
4)在每个尺度下，设置一个变量q，保留所述的交叉递归率矩阵中相对大的元素，使保留下来的元素数目和原始的元素数目的比值为q；将保留下来的所有元素的值都设置为1，未保留的元素值都设为0，从而得到一个无权的邻接矩阵A以及无权的邻接矩阵A对应的多尺度无权递归网络；
5)设定变量q的变化范围为0.1～0.3，变化步长为0.01，对于变量q的每一个值，得到多尺度无权递归网络和多尺度无权递归网络对应的邻接矩阵A，提取多尺度无权递归网络在不同尺度下的网络指标，计算q在0.1～0.3范围内变化时所述的网络指标的积分，将所述的积分作为每个尺度下多尺度无权递归网络的最终的网络指标；
6)深度学习模型训练和进行脑状态监测。
2.根据权利要求1所述的基于多尺度网络的深度学习模型，其特征在于，步骤1)中所述的带通滤波范围是据设定的任务选取对应的脑电节律波确定，具体是：深度睡眠、缺氧以及大脑出现器质性病变时出现的δ波，频率范围为1-4Hz；在意愿受到挫折和抑郁时出现的θ波，频率范围为4-8Hz；人在清醒、安静或闭眼时最为明显的是α波，频率范围为8-13Hz；人精神紧张和情绪激动或兴奋时出现的β波，频率范围为13-30Hz；若对节律波无要求，则去除高低频干扰即可。
3.根据权利要求1所述的基于多尺度网络的深度学习模型，其特征在于，步骤1)中所述的对预处理后的脑电信号进行多尺度变换，包括：
(1)对于长度均为C具有p通道的信号中的每一通道的信号分别进行粗粒化得到：
其中，μxk,i (β)是粗粒化后得到的信号的任意一点，yk,b是信号Y中的任意一点，β是尺度因子，μ表示数据是求均值得到的，表示对进行取整，其中粗粒化后的单通道的数据长度为L,
(2)对每一通道的原始信号计算粗粒化方差，得到每一通道的多尺度信号：
由此，得到多尺度多通道信号
4.根据权利要求1所述的基于多尺度网络的深度学习模型，其特征在于，步骤2)包括：
(1)对于一个固定尺度因子β下得到的多通道信号进行相空间重构：
其中，N是进行相空间重构后相空间轨迹上向量点的数目，m为嵌入维数，采用错误最近邻法确定，τ为延迟时间，采用互信息法确定，为通道k经过相空间重构后得到的相空间轨迹；
(2)对于任意两通道m和n的信号xm,i (β)和xn,i (β)(m≠n)，在进行第(1)步后得到相空间轨迹其中u＝1,....,N和其中v＝1,....,N；通过对相空间轨迹和进行交叉递归，得到一个大小为N×N的交叉递归图：
其中，ε为阈值，采用15％的两通道信号标准偏差和选取，表示两相空间轨迹中任意两向量点之间的距离；表示如果则其值为1，如果则其值为0；这样一来，若的值为1，则在递归图中为黑色，若的值为0，则在递归图中为白色；
(3)为了量化每一个交叉递归图中递归点的密度，计算交叉递归率：
(4)对于固定尺度因子β下得到的多通道信号中的每两通道信号进行第(1)步～第(3)步的处理，得到一个大小为p×p的交叉递归率矩阵；
(5)将每一通道信号视作节点，将两通道间形成的交叉递归图的交叉递归率作为节点间连边的权重，得到在一固定尺度下的加权递归网络。
5.根据权利要求1所述的基于多尺度网络的深度学习模型，其特征在于，步骤3)中所述的多尺度加权递归网络在不同的尺度下的网络指标，包括：
(1)节点加权聚集系数Cw(i)：
其中，Wij、Wjk、Wki分别表示节点i和j，j和k，k和i之间的权值，Cw(i)表示节点i的加权聚集系数；
(2)节点加权度：任意节点i加权度表示该节点与其它节点之间连边的权值和。
6.根据权利要求1所述的基于多尺度网络的深度学习模型，其特征在于，步骤5)中所述的提取多尺度无权递归网络在不同尺度下的网络指标，包括：
(1)节点聚集系数Ci：
其中，ki表示无权相关系数复杂网络中与节点i有连边的节点数目，Ei表示ki个节点之间有连边的数目；
(2)节点度：任意节点i的度表示与该节点有连边的节点的数目；
(3)节点介数L(i)：
其中，σmn为连接节点m和节点n的最短路径数目，σmn(i)为经过节点i的连接节点m和节点n的最短路径数目；
(4)节点接近中心性CCi：
其中，Dij表示节点i到无权相关系数复杂网络中任意其它节点j的最短距离，该网络中共有节点数目为S；
(5)节点特征向量中心性：任意节点i的特征向量中心性表示网络邻接矩阵A的主特征值对应的特征向量的第i个元素的值。
7.根据权利要求1所述的基于多尺度网络的深度学习模型，其特征在于，步骤6)所述的深度学习模型训练和进行脑状态监测，包括：
(1)对于智能穿戴设备得到的多通道脑电信号分别进行步骤1)～步骤4)的处理，建立多尺度加权递归网络和多尺度无权递归网络，得到大量网络指标，即节点加权聚集系数、节点加权度、节点聚集系数、节点度、节点介数、节点接近中心性和节点特征向量中心性；将所述的网络指标组成的特征向量归一化后作为深度学习模型即卷积神经网络的一个样本输入，将脑状态作为卷积神经网络的输出；
(2)卷积神经网络由6到20层的不同形式和作用的神经层堆叠在一起，具体的网络构成包括卷积层、池化层、全连接层和损失层；其中卷积层是卷积神经网络的核心，每一个卷积层由若干的卷积核组成，所述的卷积核只对自己感受野内的一小块区域进行卷积运算，是按照规定的步长在整个输入数据上进行平移，对整个数据进行卷积运算，并输出一个特征图；池化层是对数据维度进行压缩的操作，即降采样，同时具有防止过拟合的作用；在卷积层的最后会连接一层或几层全连接的神经网络，所述神经网络的输入为前面卷积层或池化层输出的多维特征图；损失层将前馈神经网络的输出与数据的标签进行比较，计算两者的误差，然后通过反向传播算法进行网络的参数调节和优化；
(3)通过对大量的样本进行多层次的卷积和池化过程进行训练，采用误差反向传播算法调节、更新、优化网络中的各项参数以得到一个能够实现脑状态监测的深度学习模型，实现对脑状态的辨识与分类。
8.一种权利要求1所述的基于多尺度网络的深度学习模型在脑状态监测中的应用，其特征在于，对智能穿戴设备测得的多通道信号进行带通滤波，使用独立成分分析的方法去除眼电干扰信号并对伪迹明显的数据进行手动剔除；其中带通滤波范围是根据设定的任务选取对应的脑电节律波确定；对于滤波和去伪迹后的脑电信号在多尺度上计算每一对信号之间的交叉递归率，以递归率确定递归网络的连边权重，以每一通道的信号作为网络的节点，建立多尺度加权递归网络；通过选取阈值将多尺度加权递归网络转换为多尺度无权递归网络；提取网络的大量指标组成特征向量，将所述的特征向量作为样本输入深度学习模型即卷积神经网络，将当前任务中需要监测的脑状态作为卷积神经网络的输出，通过对大量的样本进行多层次的卷积和池化过程进行训练，采用反向传播算法调节、更新、优化网络的中各项参数以得到一个能够实现脑状态辨识的深度学习模型，实现对脑状态的监测。
CN201610887683.6A 2016-10-11 2016-10-11 基于多尺度网络的深度学习模型及在脑状态监测中的应用 Active CN106503799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610887683.6A CN106503799B (zh) 2016-10-11 2016-10-11 基于多尺度网络的深度学习模型及在脑状态监测中的应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610887683.6A CN106503799B (zh) 2016-10-11 2016-10-11 基于多尺度网络的深度学习模型及在脑状态监测中的应用

Publications (2)

Publication Number Publication Date
CN106503799A CN106503799A (zh) 2017-03-15
CN106503799B true CN106503799B (zh) 2018-11-30

Family

ID=58295099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610887683.6A Active CN106503799B (zh) 2016-10-11 2016-10-11 基于多尺度网络的深度学习模型及在脑状态监测中的应用

Country Status (1)

Country Link
CN (1) CN106503799B (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220669A (zh) * 2017-05-27 2017-09-29 西南交通大学 一种调度员的行为监控能力的测试方法和系统
CN107616880B (zh) * 2017-08-01 2020-10-09 南京邮电大学 一种基于脑电意念和深度学习的智能电动轮椅实现方法
CN107616793A (zh) * 2017-09-18 2018-01-23 电子科技大学 一种具有癫痫发作预测功能的脑电监测装置及方法
CN107714057A (zh) * 2017-10-01 2018-02-23 南京邮电大学盐城大数据研究院有限公司 一种基于卷积神经网络的三分类情绪识别模型方法
CN107679619B (zh) * 2017-10-13 2020-04-24 中国人民解放军信息工程大学 一种类卷积人工神经网络的构造方法及装置
CN108122249A (zh) * 2017-12-20 2018-06-05 长沙全度影像科技有限公司 一种基于gan网络深度学习模型的光流估计方法
CN108426349B (zh) * 2018-02-28 2020-04-17 天津大学 基于复杂网络与图像识别的空调个性化健康管理方法
CN108427929B (zh) * 2018-03-19 2021-09-10 兰州大学 一种基于静息态脑网络的抑郁识别分析系统
CN108742517B (zh) * 2018-03-27 2023-12-29 重庆邮电大学 一种基于Stacking单导联脑电睡眠自动分期方法
CN108510083B (zh) * 2018-03-29 2021-05-14 国信优易数据股份有限公司 一种神经网络模型压缩方法以及装置
CN108846820A (zh) * 2018-07-10 2018-11-20 深圳市唯特视科技有限公司 一种基于尺度递归网络的深度图像去模糊方法
CN109124595A (zh) * 2018-07-20 2019-01-04 南开大学 基于动态三维脉搏波图像的智能脉搏诊断方法
CN109316166A (zh) * 2018-10-10 2019-02-12 大连理工大学 一种基于深度学习网络的人体睡眠阶段估计方法
CN109634405A (zh) * 2018-11-07 2019-04-16 湖北汽车工业学院 一种基于脑电信号的情绪分类方法、装置和存储介质
CN110522412B (zh) * 2019-03-20 2021-11-23 天津大学 基于多尺度脑功能网络分类脑电信号的方法
CN110147403A (zh) * 2019-05-23 2019-08-20 中国农业科学院农业信息研究所 农业大数据融合方法、装置、设备及存储介质
CN110353666A (zh) * 2019-06-13 2019-10-22 浙江师范大学 一种基于脑电波的构建动态脑功能网络方法
CN110584597A (zh) * 2019-07-15 2019-12-20 天津大学 基于时空卷积神经网络的多通道脑电信号监测方法及应用
CN111297380A (zh) * 2020-02-12 2020-06-19 电子科技大学 一种基于时空卷积核心块的情绪识别方法
CN111227830B (zh) * 2020-02-14 2021-06-29 燕山大学 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法
CN111616721B (zh) * 2020-05-31 2022-05-27 天津大学 基于深度学习和脑机接口的情绪识别系统及应用
CN111631908B (zh) * 2020-05-31 2022-05-27 天津大学 基于脑机交互与深度学习的脑卒中主动式手部康复系统
CN111493836B (zh) * 2020-05-31 2022-06-03 天津大学 基于脑机接口和深度学习的术后急性疼痛预测系统及应用
CN111616681B (zh) * 2020-05-31 2022-06-03 天津大学 基于便携式脑电采集设备和深度学习的麻醉状态监测系统
CN111513735B (zh) * 2020-05-31 2022-05-27 天津大学 基于脑机接口和深度学习的重度抑郁症辨识系统及应用
CN111616682B (zh) * 2020-05-31 2022-05-27 天津大学 基于便携式脑电采集设备的癫痫发作预警系统及应用
CN112641451B (zh) * 2020-12-18 2023-03-21 北方工业大学 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统
CN113011330B (zh) * 2021-03-19 2022-09-02 中国科学技术大学 一种基于多尺度神经网络和空洞卷积的脑电信号分类方法
CN113876337B (zh) * 2021-09-16 2023-09-22 中国矿业大学 一种基于多元递归网络的心脏疾病识别方法
CN113607325B (zh) * 2021-10-09 2021-12-14 武汉地震工程研究院有限公司 一种钢结构螺栓群松动定位智能监测方法及系统
CN114082169B (zh) * 2021-11-22 2023-03-28 江苏科技大学 基于脑电信号的伤残手软体康复机器人运动想象识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104048997A (zh) * 2014-05-27 2014-09-17 天津大学 基于多元相空间复杂网络的油水相含率测量及验证方法
CN104049001A (zh) * 2014-05-27 2014-09-17 天津大学 基于频率复杂网络的垂直油水相含率测量及验证方法
CN104049000A (zh) * 2014-05-27 2014-09-17 天津大学 基于模态迁移复杂网络的气液相含率测量及验证方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104048997A (zh) * 2014-05-27 2014-09-17 天津大学 基于多元相空间复杂网络的油水相含率测量及验证方法
CN104049001A (zh) * 2014-05-27 2014-09-17 天津大学 基于频率复杂网络的垂直油水相含率测量及验证方法
CN104049000A (zh) * 2014-05-27 2014-09-17 天津大学 基于模态迁移复杂网络的气液相含率测量及验证方法

Also Published As

Publication number Publication date
CN106503799A (zh) 2017-03-15

Similar Documents

Publication Publication Date Title
CN106503799B (zh) 基于多尺度网络的深度学习模型及在脑状态监测中的应用
CN106491083B (zh) 用于脑状态监测的头戴式智能穿戴电极数量优化法及应用
CN105877766B (zh) 一种基于多生理信号融合的精神状态检测系统及方法
CN104771163B (zh) 基于csp和r‑csp算法的脑电信号特征提取方法
US6745156B2 (en) Petroleum exploration and prediction apparatus and method
Ghosh et al. A novel Neuro-fuzzy classification technique for data mining
CN106473736B (zh) 基于复杂网络的脑电信号分析方法及应用
CN108446020A (zh) 融合可视图与深度学习的运动想象意念控制方法及应用
CN106934199A (zh) 一种心理压力评估方法及装置
CN108847279B (zh) 一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统
CN113012815B (zh) 一种基于多模态数据的帕金森健康风险评估方法
CN113558603B (zh) 一种基于深度学习的多模态认知障碍识别方法
CN110584596B (zh) 基于双输入卷积神经网络的睡眠阶段分类方法及应用
CN108921286A (zh) 一种免阈值设定的静息态功能脑网络构建方法
CN110367933A (zh) 基于复杂网络和深度学习的睡眠阶段分类方法及应用
CN110175510A (zh) 基于脑功能网络特征的多模式运动想象识别方法
De Falco et al. Deep neural network hyper-parameter setting for classification of obstructive sleep apnea episodes
Shu et al. Sparse autoencoders for word decoding from magnetoencephalography
CN106510736A (zh) 基于多维心理状态指标的心理状态判定方法与系统
Irmak A novel implementation of deep-learning approach on malaria parasite detection from thin blood cell images
Nandini et al. Design of subject independent 3D VAD emotion detection system using EEG signals and machine learning algorithms
Hasan et al. Breast cancer diagnosis models using PCA and different neural network architectures
CN108021873B (zh) 一种聚类非对称互信息的脑电信号癫痫分类方法及系统
Wang et al. A shallow convolutional neural network for classifying MI-EEG
CN108378845A (zh) 一种多功能麻醉科用麻醉深度监测装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20201228

Address after: No.4, Keji Avenue, Daqiuzhuang Industrial Park, Jinghai District, Tianjin

Patentee after: TIANJIN FURUILONG METAL PRODUCTS Co.,Ltd.

Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92

Patentee before: Tianjin University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210407

Address after: No.2301, building 1, Vanke times center, building 1, Huike building, intersection of Anshan West Road and Baidi Road, Nankai District, Tianjin

Patentee after: Junsheng (Tianjin) Technology Development Co.,Ltd.

Address before: No.4, Keji Avenue, Daqiuzhuang Industrial Park, Jinghai District, Tianjin

Patentee before: TIANJIN FURUILONG METAL PRODUCTS Co.,Ltd.

TR01 Transfer of patent right