CN110647849B - 一种神经调控结果预测方法、装置及终端设备 - Google Patents

一种神经调控结果预测方法、装置及终端设备 Download PDF

Info

Publication number
CN110647849B
CN110647849B CN201910919589.8A CN201910919589A CN110647849B CN 110647849 B CN110647849 B CN 110647849B CN 201910919589 A CN201910919589 A CN 201910919589A CN 110647849 B CN110647849 B CN 110647849B
Authority
CN
China
Prior art keywords
parameter
ultrasonic
prediction model
sample
neural regulation
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
CN201910919589.8A
Other languages
English (en)
Other versions
CN110647849A (zh
Inventor
郑海荣
牛丽丽
王壹博
孟龙
肖杨
边天元
林争荣
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910919589.8A priority Critical patent/CN110647849B/zh
Publication of CN110647849A publication Critical patent/CN110647849A/zh
Application granted granted Critical
Publication of CN110647849B publication Critical patent/CN110647849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61NELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N7/00Ultrasound therapy
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61NELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N7/00Ultrasound therapy
    • A61N2007/0004Applications of ultrasound therapy
    • A61N2007/0021Neural system treatment
    • A61N2007/0026Stimulation of nerve tissue
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请适用于计算机技术领域,尤其涉及一种神经调控结果预测方法、装置及终端设备。所述神经调控结果预测方法包括:获取待预测的超声信息,其中,所述超声信息包括超声参数以及所述超声参数对应的刺激类型和刺激靶点的信息;根据所述刺激类型和所述刺激靶点的信息确定所述超声参数对应的神经调控结果预测模型;对所述超声参数进行特征提取,得到所述超声参数对应的参数特征信息;将所述参数特征信息输入至所述神经调控结果预测模型进行处理,得到所述神经调控结果预测模型输出的神经调控结果,以通过预先训练得到的神经调控结果预测模型来进行神经调控结果的预测,减少神经调控结果预测的时间和人力成本,提高神经调控结果预测的准确性和效率。

Description

一种神经调控结果预测方法、装置及终端设备
技术领域
本申请属于计算机技术领域,尤其涉及一种神经调控结果预测方法、装置、计算机可读存储介质及终端设备。
背景技术
经颅超声刺激作为一种新型的非侵入型神经调控技术,具有巨大的潜力应用于神经系统的调控。其中,经颅超声刺激主要是通过超声波改变神经元的活性来得到神经调控结果。当使用不同超声参数的超声波时,所得到的神经调控结果也将不相同。目前往往是通过对预设动物进行实验测试来确定各超声参数所对应的神经调控结果,神经调控结果的确定效率较低。因此,如何准确、高效地确定不同超声参数所对应的神经调控结果成为本领域技术人员亟待解决的技术问题。
发明内容
本申请实施例提供了一种神经调控结果预测方法、装置、计算机可读存储介质及终端设备,可以解决现有技术中不能准确、高效地确定不同超声参数所对应的神经调控结果的问题。
第一方面,本申请实施例提供了一种神经调控结果预测方法,包括:
获取待预测的超声信息,其中,所述超声信息包括超声参数以及所述超声参数对应的刺激类型和刺激靶点的信息;
根据所述刺激类型和所述刺激靶点的信息确定所述超声参数对应的神经调控结果预测模型;
对所述超声参数进行特征提取,得到所述超声参数对应的参数特征信息;
将所述参数特征信息输入至所述神经调控结果预测模型进行处理,得到所述神经调控结果预测模型输出的神经调控结果。
在第一方面的一种可能的实现方式中,所述神经调控结果预测模型通过下述步骤训练得到:
根据所述神经调控结果预测模型对应的刺激类型和刺激靶点的信息获取第一训练数据,其中,所述第一训练数据包括超声参数样本以及与所述超声参数样本对应的第一目标调控结果;
对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息;
将所述样本参数特征信息输入至所述神经调控结果预测模型进行处理,得到所述神经调控结果预测模型输出的训练神经调控结果;
根据所述训练神经调控结果和所述第一目标调控结果,调整所述神经调控结果预测模型的模型参数,并继续执行所述将所述样本参数特征信息输入至所述神经调控结果预测模型进行处理的步骤以及后续步骤,直至所述神经调控结果预测模型满足预设训练条件,并将满足所述预设训练条件的神经调控结果预测模型确定为已训练的神经调控结果预测模型。
可选地,所述根据所述神经调控结果预测模型对应的刺激类型和刺激靶点的信息获取第一训练数据,包括:
根据所述神经调控结果预测模型对应的刺激类型和刺激靶点的信息获取初始训练数据;
对所述初始训练数据进行预处理,得到第二训练数据;
对所述第二训练数据进行标准化处理,并将标准化处理后的第二训练数据确定为所述第一训练数据。
在第一方面的一种可能的实现方式中,所述对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息,包括:
利用主成分分析法对所述超声参数样本进行分析,得到所述超声参数样本对应的特征向量;
根据所述特征向量对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息。
可选地,所述对所述超声参数进行特征提取,得到所述超声参数对应的参数特征信息,包括:
根据所述特征向量对所述超声参数进行特征提取,得到所述超声参数对应的参数特征信息。
在第一方面的一种可能的实现方式中,所述对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息,包括:
利用独立成分分析法对所述超声参数样本进行分析,得到所述超声参数样本对应的混合矩阵;
根据所述混合矩阵对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息。
在第一方面的一种可能的实现方式中,所述对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息,包括:
对所述超声参数样本进行分析,确定所述超声参数样本中各预设参数特征对应的发散度和/或确定所述超声参数样本中各预设参数特征与所述第一目标调控结果之间的相关性;
根据所述发散度和/或所述相关性对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息。
可选地,所述确定所述超声参数样本中各预设参数特征对应的发散度,包括:
计算所述超声参数样本中各预设参数特征对应的方差,并根据各所述预设参数特征对应的方差确定各所述预设参数特征对应的发散度。
可选地,所述确定所述超声参数样本中各预设参数特征与所述第一目标调控结果之间的相关性,包括:
计算所述超声参数样本中各预设参数特征与所述第一目标调控结果之间的互信息,并根据所述互信息确定各所述预设参数特征与所述第一目标调控结果之间的相关性。
在第一方面的一种可能的实现方式中,在将满足所述预设训练条件的神经调控结果预测模型确定为已训练的神经调控结果预测模型之后,包括:
使用预设的测试数据对所述神经调控结果预测模型进行测试,得到所述神经调控结果预测模型输出的与各所述测试数据对应的测试神经调控结果;
根据各所述测试数据对应的第二目标调控结果和所述测试神经调控结果,确定所述神经调控结果预测模型的预测准确性;
若所述预测准确性小于预设的准确性阈值,则调整所述神经调控结果预测模型的模型参数,并继续利用所述第一训练数据对所述神经调控结果预测模型进行训练;
若所述预测准确性大于或等于所述准确性阈值,则结束对所述神经调控结果预测模型的训练。
第二方面,本申请实施例提供了一种神经调控结果预测装置,包括:
超声信息获取模块,用于获取待预测的超声信息,其中,所述超声信息包括超声参数以及所述超声参数对应的刺激类型和刺激靶点的信息;
预测模型确定模块,用于根据所述刺激类型和所述刺激靶点的信息确定所述超声参数对应的神经调控结果预测模型;
特征提取模块,用于对所述超声参数进行特征提取,得到所述超声参数对应的参数特征信息;
调控结果预测模块,用于将所述参数特征信息输入至所述神经调控结果预测模型进行处理,得到所述神经调控结果预测模型输出的神经调控结果。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的神经调控结果预测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一项所述的神经调控结果预测方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的神经调控结果预测方法。
本申请实施例中,可预先根据刺激类型与刺激靶点构建多个神经调控结果预测模型,在需要预测某一超声信息对应的神经调控结果时,可首先提取该超声信息对应的超声参数的参数特征信息,并可通过该超声信息对应的刺激类型和刺激靶点的信息确定该超声参数所对应的神经调控结果预测模型,从而可通过将该超声参数的参数特征信息输入至所确定的神经调控结果预测模型来预测该超声信息所对应的神经调控结果,以减少神经调控结果预测的时间和人力成本,提高神经调控结果预测的准确性和效率。
附图说明
图1是本申请一实施例提供的神经调控结果预测方法的流程示意图;
图2是本申请一实施例提供的神经调控结果预测方法在一个应用场景下训练神经调控结果预测模型的流程示意图;
图3是本申请一实施例提供的神经调控结果预测方法在一个应用场景下获取第一训练数据的流程示意图;
图4是本申请一实施例提供的神经调控结果预测方法在一个应用场景下测试神经调控结果预测模型的流程示意图;
图5是本申请实施例提供的神经调控结果预测装置的结构示意图;
图6是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
现有的超声刺激中,往往是根据已有文献或者实验经验来进行超声参数的选择,所述超声参数可以包括声强(Acoustic intensity,AI)、基频(Fundamental frequency,FF)、占空比(duty cycle,DC)以及脉冲重复频率(pulse repetition frequency,PRF)等等,并通过对预设动物进行实验测试来确定所选择的超声参数所对应的神经调控结果,需耗费大量的时间和人力成本,而且易降低神经调控结果确定的效率和准确性。
为了解决上述问题,本申请实施例提供了一种神经调控结果预测方法、装置、计算机可读存储介质及终端设备,可预先根据刺激类型与刺激靶点的信息获取对应的训练数据,并可通过对应的训练数据来进行各神经调控结果预测模型的训练,得到已训练的多个神经调控结果预测模型,因此,当需要预测某一超声信息对应的神经调控结果时,可通过该超声信息对应的刺激类型和刺激靶点的信息确定所对应的神经调控结果预测模型,从而可通过所确定的神经调控结果预测模型来预测该超声信息所对应的神经调控结果,以减少神经调控结果预测的时间和人力成本,提高神经调控结果预测的准确性和效率。
如图1所示,本申请实施例提供了一种神经调控结果预测方法。本申请实施例的执行主体为终端设备,所述终端设备包括但不限于:桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。其中,所述神经调控结果预测方法可以包括:
S101、获取待预测的超声信息,其中,所述超声信息包括超声参数以及所述超声参数对应的刺激类型和刺激靶点的信息;
本申请实施例中,当用户想要预测某一超声刺激所对应的神经调控结果时,所述用户可将该超声刺激所对应的待预测的超声信息发送至所述终端设备,其中,所发送的超声信息可包括该超声刺激所对应的具体超声参数以及该超声刺激所实施的刺激类型和刺激靶点的信息,所述刺激类型是指超声刺激所实施的对象,所述刺激靶点是指超声刺激在各对象中实施的具体位置,所述刺激靶点的信息则可以为具体位置所对应的标识或者类型等。例如,所述刺激类型可以为啮齿类、灵长类和人类等,所述刺激靶点可以为中枢神经和外周神经等,所述刺激靶点的信息则可以为中枢神经或者外周神经所对应的标识或者类型等。
S102、根据所述刺激类型和所述刺激靶点的信息确定所述超声参数对应的神经调控结果预测模型;
应理解,利用相同超声参数的超声波对不同的刺激类型或者对不同的刺激靶点进行超声刺激时,所得到的神经调控结果可能不同,例如利用相同超声参数的超声波同时对啮齿类的中枢神经和外周神经进行超声刺激时,可能中枢神经得到的神经调控结果为有效及抑制,而外周神经得到的神经调控结果为有效及兴奋;又如利用相同超声参数的超声波同时对啮齿类的中枢神经和灵长类的中枢神经进行超声刺激时,可能啮齿类的中枢神经中得到的神经调控结果为有效及抑制,而灵长类的中枢神经中得到的神经调控结果为无效。因此,所述终端设备中设置有针对不同的刺激类型和刺激靶点的多个神经调控结果预测模型,各所述神经调控结果预测模型均可以根据所输入的超声参数的参数特征信息预测出该超声参数所对应的神经调控结果。在此,各所述神经调控结果预测模型均可通过所对应的训练数据训练得到,其中,对神经调控结果预测模型的训练过程将在后续内容进行详细说明。
在此,所述终端设备在获取该超声刺激所对应的刺激类型和刺激靶点的信息之后,即可根据所述刺激类型和刺激靶点的信息确定该超声刺激所对应的神经调控结果预测模型,例如,可通过将该超声刺激对应的刺激类型和刺激靶点的信息与所述终端设备中设置的各神经调控结果预测模型对应的刺激类型和刺激靶点的信息进行匹配来确定该超声刺激对应的神经调控结果预测模型。
S103、对所述超声参数进行特征提取,得到所述超声参数对应的参数特征信息;
需要说明的是,由于神经调控结果预测模型与特征提取方式一一对应,所述终端设备在确定该超声刺激对应的神经调控结果预测模型后,即可根据该神经调控结果预测模型对应的特征提取方式对该超声刺激所对应的超声参数进行特征提取。
例如,当该神经调控结果预测模型对应的特征提取方式为主成分分析法时,所述终端设备则可获取训练过程中利用主成分分析法所确定的特征向量,并可利用所述特征向量来对所述超声参数进行特征提取,以得到所述超声参数对应的参数特征信息。
又如,当该神经调控结果预测模型对应的特征提取方式为独立成分分析法时,所述终端设备则可获取训练过程中利用独立成分分析法所确定的混合矩阵,并利用所述混合矩阵来对所述超声参数进行特征提取,以得到所述超声参数对应的参数特征信息。
再如,当该神经调控结果预测模型对应的特征提取方式为根据发散度和/或相关性进行特征的提取时,所述终端设备则可根据训练过程中所确定的发散度和/或相关性来对所述超声参数进行特征提取,以得到所述超声参数对应的参数特征信息。
应理解,为提高神经调控结果预测模型的预测准确性,本申请实施例在对所述超声参数进行特征提取之前,可先对所述超声参数进行标准化处理,即可先对所述超声参数做z-score标准化处理后,再对标准化处理后的超声参数进行特征提取。
步骤S104、将所述参数特征信息输入至所述神经调控结果预测模型进行处理,得到所述神经调控结果预测模型输出的神经调控结果。
所述终端设备在提取出所述超声参数对应的参数特征信息后,即可将所述参数特征信息输入至前述所确定的神经调控结果预测模型进行处理,得到该神经调控结果预测模型输出的所述超声参数所对应的神经调控结果,以使得用户可根据所预测的神经调控结果进行超声刺激参数的优化调整,并使得用户可准确预知超声刺激的治疗效果。
图2示出了本申请实施例提供的一种神经调控结果预测方法在一个应用场景下进行神经调控结果预测模型训练的示意性流程图。所述神经调控结果预测模型训练的执行主体可以与上述S101至S104中的执行主体相同,即可以为执行S101至S104的终端设备,当然,所述神经调控结果预测模型训练的执行主体可以与上述S101至S104中的执行主体不同。所述神经调控结果预测模型的训练过程具体可以包括:
S201、根据所述神经调控结果预测模型对应的刺激类型和刺激靶点的信息获取第一训练数据,其中,所述第一训练数据包括超声参数样本以及与所述超声参数样本对应的第一目标调控结果;
本申请实施例中,可预先根据刺激类型和刺激靶点的信息构建多个神经调控结果预测模型,其中,所述刺激类型是指超声刺激所实施的对象,所述刺激靶点是指超声刺激在各对象中实施的具体位置,所述刺激靶点的信息则可以为具体位置所对应的标识或者类型等。例如所述刺激类型可以为啮齿类、灵长类和人类等,所述刺激靶点可以为中枢神经和外周神经等,所述刺激靶点的信息则可以为中枢神经或者外周神经所对应的标识或者类型等,此时即可构建与啮齿类和中枢神经对应的神经调控结果预测模型A、构建与啮齿类和外周神经对应的神经调控结果预测模型B、构建与灵长类和中枢神经对应的神经调控结果预测模型C、构建与灵长类和外周神经对应的神经调控结果预测模型D、构建与人类和中枢神经对应的神经调控结果预测模型E以及与人类和外周神经对应的神经调控结果预测模型F,等等。
在确定各神经调控结果预测模型对应的刺激类型和刺激靶点的信息后,可以根据刺激类型和刺激靶点的信息获取各神经调控结果预测模型对应的第一训练数据,例如,可以首先获取与超声参数相关的历史实验数据,然后可以根据刺激类型和刺激靶点的信息对历史实验数据进行分类,以此得到各神经调控结果预测模型对应的第一训练数据。在此,所述第一训练数据可以包括超声参数样本以及与所述超声参数样本对应的第一目标调控结果,所述第一目标调控结果可以为各历史实验数据中的实验结果,所述实验结果可以包括有效及抑制、有效及兴奋和无效等,其中,所述有效及抑制是指可以有效抑制刺激靶点中神经元的活动,所述有效及兴奋是指可有效激活刺激靶点中神经元的活动。
在此,各神经调控结果预测模型的训练方式相同,基本原理相似,为简明起见,下述将以神经调控结果预测模型A为例进行说明,其他神经调控结果预测模型的训练则可参照神经调控结果预测模型A的训练。
可选地,为确保训练数据的有效性,以提高神经调控结果预测模型的训练效率和预测准确性,如图3所示,所述根据神经调控结果预测模型对应的刺激类型和刺激靶点的信息获取第一训练数据,可以包括:
S301、根据所述神经调控结果预测模型对应的刺激类型和刺激靶点的信息获取初始训练数据;
S302、对所述初始训练数据进行预处理,得到第二训练数据;
S303、对所述第二训练数据进行标准化处理,并将标准化处理后的第二训练数据确定为所述第一训练数据。
对于上述S301至S303,所述第一训练数据可以为经过预处理及标准化处理后的数据,即可以首先根据神经调控结果预测模型A对应的刺激类型和刺激靶点的信息获取神经调控结果预测模型A对应的初始训练数据,然后可分别对各所述初始训练数据进行预处理,得到预处理后的第二训练数据,例如可通过一致性检查以及无效值和缺失值的检查来对各所述初始训练数据进行数据清洗,以去除所述初始训练数据中的重复数据和无效数据等,以提高训练数据的有效性,提高神经调控结果预测模型的训练效率和预测准确性。最后可对清洗后的各所述第二训练数据进行标准化处理,并可将标准化处理后的第二训练数据确定为所述第一训练数据,例如可对清洗后的各所述第二训练数据做z-score标准化处理,以减少单位对神经调控结果预测模型训练的影响,提高神经调控结果预测模型的预测准确性。
S202、对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息;
本申请实施例中,在得到神经调控结果预测模型A对应的第一训练数据之后,例如,在得到神经调控结果预测模型A对应的第一训练数据A后,可对第一训练数据A中的各超声参数样本A进行特征提取,以得到各所述超声参数样本A对应的样本参数特征信息A,以通过参数特征的提取来降低神经调控结果预测模型的计算复杂度,从而提高神经调控结果预测模型的预测效率。
在一种可能的实现方式中,所述对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息,可以包括:
步骤a、利用主成分分析法对所述超声参数样本进行分析,得到所述超声参数样本对应的特征向量;
步骤b、根据所述特征向量对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息。
本申请实施例中,可以利用主成分分析法来对神经调控结果预测模型A的超声参数样本A进行特征提取,具体地,可以首先通过主成分分析法对所有的超声参数样本A进行主成分分析,以此得到神经调控结果预测模型A对应的特征向量,然后可通过特征向量来对神经调控结果预测模型A中的各超声参数样本A进行特征提取。在此,利用主成分分析法对超声参数样本A进行样本参数特征提取的过程可参照现有的利用主成分分析法进行数据降维的过程,本申请实施例对此不作任何限定。
在另一种可能的实现方式中,所述对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息,可以包括:
步骤c、利用独立成分分析法对所述超声参数样本进行分析,得到所述超声参数样本对应的混合矩阵;
步骤d、根据所述混合矩阵对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息。
本申请实施例中,也可以利用独立成分分析法来对神经调控结果预测模型A的超声参数样本A进行特征提取,具体地,可以首先通过独立成分分析法对所有的超声参数样本A进行独立成分分析,以此得到神经调控结果预测模型A对应的混合矩阵,然后可通过混合矩阵来对神经调控结果预测模型A中的各超声参数样本A进行特征提取。在此,利用独立成分分析法对超声参数样本A进行样本参数特征提取的过程也可参照现有的利用独立成分分析法进行数据降维的过程,本申请实施例对此不作任何限定。
在一种可能的实现方式,所述对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息,可以包括:
步骤e、对所述超声参数样本进行分析,确定所述超声参数样本中各预设参数特征对应的发散度和/或确定所述超声参数样本中各预设参数特征与所述第一目标调控结果之间的相关性;
本申请实施例中,也可以通过对神经调控结果预测模型A中的各超声参数样本A的预设参数特征进行分析,以此确定出神经调控结果预测模型A中各预设参数特征所对应的发散度以及确定出神经调控结果预测模型A中各预设参数特征与第一目标调控结果之间的相关性,例如,确定出神经调控结果预测模型A中声强所对应的发散度、基频所对应的发散度等,以及确定出神经调控结果预测模型A中占空比与第一目标调控结果之间的相关性、脉冲重复频率与第一目标调控结果之间的相关性等。
具体地,所述确定所述超声参数样本中各预设参数特征对应的发散度,可以包括:计算所述超声参数样本中各预设参数特征对应的方差,并根据各所述预设参数特征对应的方差确定各所述预设参数特征对应的发散度。
在此,可首先分别获取各预设参数特征在各所述超声参数样本中所对应的特征值,然后可分别根据各预设参数特征对应的各特征值来计算各预设参数特征对应的方差,例如,可通过预设参数特征a(如声强)对应的特征值a1、a2、a3、……、an来计算预设参数特征a对应的方差a,可通过预设参数特征b(如基频)对应的特征值b1、b2、b3、……、bn来计算预设参数特征b对应的方差b,可通过预设参数特征c(如占空比)对应的特征值c1、c2、c3、……、cn来计算预设参数特征c对应的方差c,等等。最后,可根据计算得到的各方差来确定各预设参数特征对应的发散度,如可将各预设参数特征对应的方差直接确定该预设参数特征对应的发散度,或者可根据方差与发散度之间的预设对应关系来确定各预设参数特征对应的发散度,其中,预设参数特征对应的方差越小,该预设参数特征所对应的发散度则越小,即表明各超声参数样本在该预设参数特征中基本上没有差异。
具体地,所述确定所述超声参数样本中各预设参数特征与所述第一目标调控结果之间的相关性,可以包括:
计算所述超声参数样本中各预设参数特征与所述第一目标调控结果之间的互信息,并根据所述互信息确定各所述预设参数特征与所述第一目标调控结果之间的相关性。
需要说明的是,本申请实施例中可首先计算各预设参数特征与第一目标调控结果之间的互信息,并可根据互信息来确定各预设参数特征与第一目标调控结果之间的相关性,例如可将各预设参数特征对应的互信息直接确定为该预设参数特征与第一目标调控结果之间的相关性,或者可根据互信息与相关性之间的预设对应关系来确定各预设参数特征与第一目标调控结果之间的相关性。
步骤f、根据所述发散度和/或所述相关性对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息。
应理解,在确定出各预设参数特征对应的发散度和/或相关性后,可根据发散度和/或相关性来对所述超声参数样本进行特征提取,以得到所述超声参数样本对应的样本参数特征,其中,发散度越大或者相关性越大的预测参数特征越容易被提取,被提取的预设参数特征即可构成所述超声参数样本对应的样本参数特征信息。
需要说明的是,步骤e和步骤f中所描述的特征提取方法可与前述所述的主成分分析法或者独立成分分析法同时使用,即可首先利用主成分分析法或者独立成分分析法对超声参数样本进行特征的第一次提取,然后可利用步骤e和步骤f中所描述的特征提取方法对主成分分析法或者独立成分分析法所提取的参数特征进行进一步的特征提取,以提高参数特征提取的有效性,从而提高神经调控结果预测模型的预测准确性。应理解,本申请实施例中也可以首先利用步骤e和步骤f中所描述的特征提取方法对超声参数样本进行特征的第一次提取,然后可利用主成分分析法或者独立成分分析法来第一次提取的参数特征进行进一步的特征提取。
S203、将所述样本参数特征信息输入至所述神经调控结果预测模型进行处理,得到所述神经调控结果预测模型输出的训练神经调控结果;
本申请实施例中,在提取出神经调控结果预测模型A中各超声参数样本对应的样本参数特征信息后,即可以将各样本参数特征信息输入至所述神经调控结果预测模型中进行训练,并获取所述神经调控结果预测模型输出的各样本参数特征对应的训练神经调控结果。
S204、根据所述训练神经调控结果和所述第一目标调控结果,调整所述神经调控结果预测模型的模型参数,并继续执行所述将所述样本参数特征信息输入至所述神经调控结果预测模型进行处理的步骤以及后续步骤,直至所述神经调控结果预测模型满足预设训练条件,并将满足所述预设训练条件的神经调控结果预测模型确定为已训练的神经调控结果预测模型。
在此,在得到各样本参数特征信息对应的训练神经调控结果后,则可根据各训练神经调控结果以及各样本参数特征信息对应的各第一目标调控结果来调整神经调控结果预测模型的模型参数,例如,可以根据各训练神经调控结果与各第一目标调控结果计算所述神经调控结果预测模型对应的训练损失值,并通过训练损失值的反向传播来修改神经调控结果预测模型的模型参数,并利用模型参数修改后的神经调控结果预测模型来继续执行将所述样本参数特征信息输入至所述神经调控结果预测模型进行处理的步骤以及后续步骤,直至神经调控结果预测模型满足预设训练条件,其中,所述预设训练条件可以是训练次数达到预设次数阈值;所述预设训练条件也可以是训练误差达到最优值;所述预设训练条件还可以是训练次数达到预设次数阈值或者训练误差达到最优值。当神经调控结果预测模型满足预设训练条件,即可将满足预设训练条件的神经调控结果预测模型确定为已训练的神经调控结果预测模型。
在一种可能的实现方式中,如图4所示,在将满足所述预设训练条件的神经调控结果预测模型确定为已训练的神经调控结果预测模型之后,可以包括:
S401、使用预设的测试数据对所述神经调控结果预测模型进行测试,得到所述神经调控结果预测模型输出的与各所述测试数据对应的测试神经调控结果;
应理解,所述测试数据与所述第一训练数据类似,也可以包括超声参数样本以及与超声参数样本对应的第二目标调控结果。在一具体应用场景中,在根据刺激类型和刺激靶点的信息获取各神经调控结果预测模型对应的训练数据后,可将所获取的训练数据划分为两个部分,一部分为所述第一训练数据,另一部分为所述测试数据,例如,在获取到神经调控结果预测模型A对应的10000条训练数据后,可从这10000条训练数据中随机抽取7500条训练数据作为神经调控结果预测模型A对应的第一训练数据,并可将剩下的2500条训练数据作为神经调控结果预测模型A对应的测试数据。在另一具体应用场景中,在根据刺激类型和刺激靶点的信息获取各神经调控结果预测模型对应的训练数据之后,可有放回的从所获取的训练数据中随机抽取第一数量的训练数据作为所述第一训练数据,并还可以从所获取的训练数据中随机抽取第二数量的训练数据作为所述测试数据,例如,在获取到神经调控结果预测模型A对应的10000条训练数据后,可有放回的从这10000条训练数据中随机抽取7500条训练数据作为神经调控结果预测模型A对应的第一训练数据,并还可以从这10000条训练数据中随机抽取2500条训练数据作为神经调控结果预测模型A对应的测试数据。
本申请实施例中,可使用所述测试数据对所述神经调控结果预测模型进行测试,即可对各所述测试数据对应的超声样本参数进行特征提取,并可将提取样本参数特征信息输入至已训练的神经调控结果预测模型进行处理,得到神经调控结果预测模型输出的与各所述测试数据对应的测试神经调控结果。当某一测试数据对应的样本参数特征信息经过所述神经调控结果预测模型预测所得到的测试神经调控结果与该测试数据对应的第二目标调控结果相同时,则可以认为该测试数据预测准确,反之认为该测试数据预测不准确。
S402、根据各所述测试数据对应的第二目标调控结果和所述测试神经调控结果确定所述神经调控结果预测模型的预测准确性;
在此,在得到所有测试数据对应的测试神经调控结果后,即可根据各测试数据对应的第二目标调控结果和测试神经调控结果,分别统计得到预测准确的次数和预测不准确的次数,从而可以根据预测准确的次数和预测不准确的次数计算所述神经调控结果预测模型的预测准确性。
S403、若所述预测准确性小于预设的准确性阈值,则调整所述神经调控结果预测模型的模型参数,并继续利用所述第一训练数据对所述神经调控结果预测模型进行训练;
S404、若所述预测准确性大于或等于所述准确性阈值,则结束对所述神经调控结果预测模型的训练。
对于上述S403和S404,若所述预测准确性小于预设的准确性阈值,则调整所述神经调控结果预测模型的模型参数,并继续利用所述第一训练数据对所述神经调控结果预测模型进行训练;若所述预测准确性大于或等于所述准确性阈值则结束对所述神经调控结果预测模型的训练,并将结束训练的神经调控结果预测模型确定为最终的所述神经调控结果预测模型,后续可用于进行某一超声参数对应的神经调控结果的预测。其中,所述准确性阈值可以根据实际情况进行具体设置,例如,可以将所述准确性阈值设置为90%、98%或者其它值。
本申请实施例中,可预先根据刺激类型与刺激靶点构建多个神经调控结果预测模型,在需要预测某一超声信息对应的神经调控结果时,可首先提取该超声信息对应的超声参数的参数特征信息,并可通过该超声信息对应的刺激类型和刺激靶点的信息确定该超声参数所对应的神经调控结果预测模型,从而可通过将该超声参数的参数特征信息输入至所确定的神经调控结果预测模型来预测该超声信息所对应的神经调控结果,以减少神经调控结果预测的时间和人力成本,提高神经调控结果预测的准确性和效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的神经调控结果预测方法,图5示出了本申请实施例提供的神经调控结果预测装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图5,所述神经调控结果预测装置,包括:
超声信息获取模块501,用于获取待预测的超声信息,其中,所述超声信息包括超声参数以及所述超声参数对应的刺激类型和刺激靶点的信息;
预测模型确定模块502,用于根据所述刺激类型和所述刺激靶点的信息确定所述超声参数对应的神经调控结果预测模型;
特征提取模块503,用于对所述超声参数进行特征提取,得到所述超声参数对应的参数特征信息;
调控结果预测模块504,用于将所述参数特征信息输入至所述神经调控结果预测模型进行处理,得到所述神经调控结果预测模型输出的神经调控结果。
在一种可能的实现方式中,所述神经调控结果预测装置,还可以包括:
训练数据获取模块,用于根据所述神经调控结果预测模型对应的刺激类型和刺激靶点的信息获取第一训练数据,其中,所述第一训练数据包括超声参数样本以及与所述超声参数样本对应的第一目标调控结果;
样本特征提取模块,用于对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息;
训练模块,用于将所述样本参数特征信息输入至所述神经调控结果预测模型进行处理,得到所述神经调控结果预测模型输出的训练神经调控结果;
第一参数调整模块,用于根据所述训练神经调控结果和所述第一目标调控结果,调整所述神经调控结果预测模型的模型参数,并继续执行所述将所述样本参数特征信息输入至所述神经调控结果预测模型进行处理的步骤以及后续步骤,直至所述神经调控结果预测模型满足预设训练条件,并将满足所述预设训练条件的神经调控结果预测模型确定为已训练的神经调控结果预测模型。
可选地,所述训练数据获取模块,可以包括:
初始训练数据获取单元,用于根据所述神经调控结果预测模型对应的刺激类型和刺激靶点的信息获取初始训练数据;
预处理单元,用于对所述初始训练数据进行预处理,得到第二训练数据;
标准化单元,用于对所述第二训练数据进行标准化处理,并将标准化处理后的第二训练数据确定为所述第一训练数据。
在一种可能的实现方式中,所述样本特征提取模块,可以包括:
特征向量获取单元,用于利用主成分分析法对所述超声参数样本进行分析,得到所述超声参数样本对应的特征向量;
第一样本特征提取单元,用于根据所述特征向量对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息。
可选地,所述特征提取模块503,具体用于根据所述特征向量对所述超声参数进行特征提取,得到所述超声参数对应的参数特征信息。
在另一种可能的实现方式中,所述样本特征提取模块,还可以包括:
混合矩阵获取单元,用于利用独立成分分析法对所述超声参数样本进行分析,得到所述超声参数样本对应的混合矩阵;
第二样本特征提取单元,用于根据所述混合矩阵对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息。
在另一种可能的实现方式中,所述样本特征提取模块,还可以包括:
发散度确定单元,用于对所述超声参数样本进行分析,确定所述超声参数样本中各预设参数特征对应的发散度和/或确定所述超声参数样本中各预设参数特征与所述第一目标调控结果之间的相关性;
第三样本特征提取单元,用于根据所述发散度和/或所述相关性对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息。
可选地,所述发散度确定单元,可以包括:
方差计算分单元,用于计算所述超声参数样本中各预设参数特征对应的方差,并根据各所述预设参数特征对应的方差确定各所述预设参数特征对应的发散度。
可选地,所述发散度确定单元,还可以包括:
互信息计算分单元,用于计算所述超声参数样本中各预设参数特征与所述第一目标调控结果之间的互信息,并根据所述互信息确定各所述预设参数特征与所述第一目标调控结果之间的相关性。
在一种可能的实现方式中,所述神经调控结果预测装置,还可以包括:
测试模块,用于使用预设的测试数据对所述神经调控结果预测模型进行测试,得到所述神经调控结果预测模型输出的与各所述测试数据对应的测试神经调控结果;
准确性确定模块,用于根据各所述测试数据对应的第二目标调控结果和所述测试神经调控结果确定所述神经调控结果预测模型的预测准确性;
第二参数调整模块,用于若所述预测准确性小于预设的准确性阈值,则调整所述神经调控结果预测模型的模型参数,并继续利用所述第一训练数据对所述神经调控结果预测模型进行训练;
训练结束模块,用于若所述预测准确性大于或等于所述准确性阈值,则结束对所述神经调控结果预测模型的训练。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图6为本申请一实施例提供的终端设备的结构示意图。如图6所示,该实施例的终端设备6包括:至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62,所述处理器60执行所述计算机程序62时实现上述任意各个神经调控结果预测方法实施例中的步骤。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端设备6的举例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所述处理器60可以是中央处理单元(Central Processing Unit,CPU),该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。

Claims (13)

1.一种神经调控结果预测方法,其特征在于,包括:
获取待预测的超声信息,其中,所述超声信息包括超声参数以及所述超声参数对应的刺激类型和刺激靶点的信息;
根据所述刺激类型和所述刺激靶点的信息确定所述超声参数对应的神经调控结果预测模型;所述神经调控结果预测模型用于预测超声信息所对应的神经调控结果;
根据所述神经调控结果预测模型对应的特征提取方式,对所述超声参数进行特征提取,得到所述超声参数对应的参数特征信息;
将所述参数特征信息输入至所述神经调控结果预测模型进行处理,得到所述神经调控结果预测模型输出的神经调控结果;所述神经调控结果包括有效及抑制、有效及兴奋和无效。
2.如权利要求1所述的神经调控结果预测方法,其特征在于,所述神经调控结果预测模型通过下述步骤训练得到:
根据所述神经调控结果预测模型对应的刺激类型和刺激靶点的信息获取第一训练数据,其中,所述第一训练数据包括超声参数样本以及与所述超声参数样本对应的第一目标调控结果;
对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息;
将所述样本参数特征信息输入至所述神经调控结果预测模型进行处理,得到所述神经调控结果预测模型输出的训练神经调控结果;
根据所述训练神经调控结果和所述第一目标调控结果,调整所述神经调控结果预测模型的模型参数,并继续执行所述将所述样本参数特征信息输入至所述神经调控结果预测模型进行处理的步骤以及后续步骤,直至所述神经调控结果预测模型满足预设训练条件,并将满足所述预设训练条件的神经调控结果预测模型确定为已训练的神经调控结果预测模型。
3.如权利要求2所述的神经调控结果预测方法,其特征在于,所述根据所述神经调控结果预测模型对应的刺激类型和刺激靶点的信息获取第一训练数据,包括:
根据所述神经调控结果预测模型对应的刺激类型和刺激靶点的信息获取初始训练数据;
对所述初始训练数据进行预处理,得到第二训练数据;
对所述第二训练数据进行标准化处理,并将标准化处理后的第二训练数据确定为所述第一训练数据。
4.如权利要求2所述的神经调控结果预测方法,其特征在于,所述对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息,包括:
利用主成分分析法对所述超声参数样本进行分析,得到所述超声参数样本对应的特征向量;
根据所述特征向量对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息。
5.如权利要求4所述的神经调控结果预测方法,其特征在于,所述对所述超声参数进行特征提取,得到所述超声参数对应的参数特征信息,包括:
根据所述特征向量对所述超声参数进行特征提取,得到所述超声参数对应的参数特征信息。
6.如权利要求2所述的神经调控结果预测方法,其特征在于,所述对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息,包括:
利用独立成分分析法对所述超声参数样本进行分析,得到所述超声参数样本对应的混合矩阵;
根据所述混合矩阵对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息。
7.如权利要求2所述的神经调控结果预测方法,其特征在于,所述对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息,包括:
对所述超声参数样本进行分析,确定所述超声参数样本中各预设参数特征对应的发散度和/或确定所述超声参数样本中各预设参数特征与所述第一目标调控结果之间的相关性;
根据所述发散度和/或所述相关性对所述超声参数样本进行特征提取,得到所述超声参数样本对应的样本参数特征信息。
8.如权利要求7所述的神经调控结果预测方法,其特征在于,所述确定所述超声参数样本中各预设参数特征对应的发散度,包括:
计算所述超声参数样本中各预设参数特征对应的方差,并根据各所述预设参数特征对应的方差确定各所述预设参数特征对应的发散度。
9.如权利要求7所述的神经调控结果预测方法,其特征在于,所述确定所述超声参数样本中各预设参数特征与所述第一目标调控结果之间的相关性,包括:
计算所述超声参数样本中各预设参数特征与所述第一目标调控结果之间的互信息,并根据所述互信息确定各所述预设参数特征与所述第一目标调控结果之间的相关性。
10.如权利要求2至9中任一项所述的神经调控结果预测方法,其特征在于,在将满足所述预设训练条件的神经调控结果预测模型确定为已训练的神经调控结果预测模型之后,包括:
使用预设的测试数据对所述神经调控结果预测模型进行测试,得到所述神经调控结果预测模型输出的与各所述测试数据对应的测试神经调控结果;
根据各所述测试数据对应的第二目标调控结果和所述测试神经调控结果,确定所述神经调控结果预测模型的预测准确性;
若所述预测准确性小于预设的准确性阈值,则调整所述神经调控结果预测模型的模型参数,并继续利用所述第一训练数据对所述神经调控结果预测模型进行训练;
若所述预测准确性大于或等于所述准确性阈值,则结束对所述神经调控结果预测模型的训练。
11.一种神经调控结果预测装置,其特征在于,包括:
超声信息获取模块,用于获取待预测的超声信息,其中,所述超声信息包括超声参数以及所述超声参数对应的刺激类型和刺激靶点的信息;
预测模型确定模块,用于根据所述刺激类型和所述刺激靶点的信息确定所述超声参数对应的神经调控结果预测模型;所述神经调控结果预测模型用于预测超声信息所对应的神经调控结果;
特征提取模块,用于根据所述神经调控结果预测模型对应的特征提取方式,对所述超声参数进行特征提取,得到所述超声参数对应的参数特征信息;
调控结果预测模块,用于将所述参数特征信息输入至所述神经调控结果预测模型进行处理,得到所述神经调控结果预测模型输出的神经调控结果;所述神经调控结果包括有效及抑制、有效及兴奋和无效。
12.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至10任一项所述的神经调控结果预测方法。
13.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至10任一项所述的神经调控结果预测方法。
CN201910919589.8A 2019-09-26 2019-09-26 一种神经调控结果预测方法、装置及终端设备 Active CN110647849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910919589.8A CN110647849B (zh) 2019-09-26 2019-09-26 一种神经调控结果预测方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910919589.8A CN110647849B (zh) 2019-09-26 2019-09-26 一种神经调控结果预测方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN110647849A CN110647849A (zh) 2020-01-03
CN110647849B true CN110647849B (zh) 2022-02-08

Family

ID=69011419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910919589.8A Active CN110647849B (zh) 2019-09-26 2019-09-26 一种神经调控结果预测方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN110647849B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111444830B (zh) * 2020-03-25 2023-10-31 腾讯科技(深圳)有限公司 基于超声回波信号的成像的方法、装置、存储介质及电子装置
CN111948286A (zh) * 2020-08-10 2020-11-17 湖南大学 一种基于超声波和深度学习的应力检测方法、装置及设备
CN116492597B (zh) * 2023-06-28 2023-11-24 南昌大学第一附属医院 一种外周-中枢神经调控装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102056547A (zh) * 2008-06-03 2011-05-11 株式会社日立医疗器械 医用图像处理装置及医用图像处理方法
CN106823137A (zh) * 2016-12-30 2017-06-13 王征 一种优化神经调控的方法和装置
CN109589493A (zh) * 2018-09-30 2019-04-09 天津大学 一种基于经颅直流电刺激的注意力调控方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011025865A1 (en) * 2009-08-27 2011-03-03 The Cleveland Clinic Foundation System and method to estimate region of tissue activation
US10293171B2 (en) * 2016-03-18 2019-05-21 Boston Scientific Neuromodulation Corporation Method and apparatus for interlocking stimulation parameters for neuromodulation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102056547A (zh) * 2008-06-03 2011-05-11 株式会社日立医疗器械 医用图像处理装置及医用图像处理方法
CN106823137A (zh) * 2016-12-30 2017-06-13 王征 一种优化神经调控的方法和装置
CN109589493A (zh) * 2018-09-30 2019-04-09 天津大学 一种基于经颅直流电刺激的注意力调控方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ULTRASOUND NEUROMODULATION: A REVIEW OF RESULTS,MECHANISMS AND SAFETY;TAGEDPJOSEPH BLACKMORE等;《Ultrasound in Med. & Biol》;20190730;全文 *
超声刺激参数在超声神经调控中的作用;王君等;《中国医学物理学杂志》;20180228;全文 *

Also Published As

Publication number Publication date
CN110647849A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
CN110647849B (zh) 一种神经调控结果预测方法、装置及终端设备
CN109376381B (zh) 医保报销异常检测方法、装置、计算机设备和存储介质
US9659216B2 (en) Method, computer program, and system for automated real-time signal analysis for detection, quanitification, and prediction of signal changes
Frydman et al. Extrapolative beliefs in perceptual and economic decisions: Evidence of a common mechanism
US11983620B2 (en) Simplification of spiking neural network models
CN110474871B (zh) 一种异常账号检测方法、装置、计算机设备及存储介质
Giesecke et al. Exact simulation of point processes with stochastic intensities
Vikram et al. Emergence of universal scaling in financial markets from mean-field dynamics
Storchi et al. Comparison of latency and rate coding for the direction of whisker deflection in the subcortical somatosensory pathway
CN111768287A (zh) 周期识别方法、装置、服务器及可读存储介质
CN111709828A (zh) 一种资源处理方法、装置、设备及系统
CN110675250A (zh) 一种基于用户营销评分的信贷额度管理的方法、装置和电子设备
CN109559821B (zh) 基于数据处理的风湿性心脏瓣膜病认证方法及相关设备
CN114780358A (zh) 异常操作行为的检测方法和检测装置
Łysiak et al. Empirical comparison of the feature evaluation methods based on statistical measures
CN118244105A (zh) 发电机的健康状态评估方法、装置、电子设备及存储介质
CN114758223A (zh) 农药使用的监测预警方法、装置、终端设备及存储介质
CN113971495A (zh) 日间批量处理方法及装置
Jia et al. Application and Evolution for Neural Network and Signal Processing in Large‐Scale Systems
CN115048487B (zh) 基于人工智能的舆情分析方法、装置、计算机设备及介质
CN111147441A (zh) 网络购票的舞弊行为自动检测方法、设备及可读存储介质
WO2021056342A1 (zh) 一种神经调控结果预测方法、装置及终端设备
CN111241571A (zh) 一种数据共享方法及模型、存储介质
Nguyen et al. Detecting differentially expressed genes with RNA-seq data using backward selection to account for the effects of relevant covariates
CN114677363A (zh) 脑激活区关联性判断方法、系统、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 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