CN111407231B - 用于检测阿兹海默症罹患风险的方法、装置及终端设备 - Google Patents

用于检测阿兹海默症罹患风险的方法、装置及终端设备 Download PDF

Info

Publication number
CN111407231B
CN111407231B CN202010235577.6A CN202010235577A CN111407231B CN 111407231 B CN111407231 B CN 111407231B CN 202010235577 A CN202010235577 A CN 202010235577A CN 111407231 B CN111407231 B CN 111407231B
Authority
CN
China
Prior art keywords
data
channel
electroencephalogram
global
alzheimer
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
CN202010235577.6A
Other languages
English (en)
Other versions
CN111407231A (zh
Inventor
史玉盼
冯春雨
黎彤亮
李晓云
王怀瑞
黄世中
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.)
Institute Of Applied Mathematics Hebei Academy Of Sciences
Original Assignee
Institute Of Applied Mathematics Hebei Academy Of Sciences
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 Institute Of Applied Mathematics Hebei Academy Of Sciences filed Critical Institute Of Applied Mathematics Hebei Academy Of Sciences
Priority to CN202010235577.6A priority Critical patent/CN111407231B/zh
Publication of CN111407231A publication Critical patent/CN111407231A/zh
Application granted granted Critical
Publication of CN111407231B publication Critical patent/CN111407231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Neurology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychiatry (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Neurosurgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明适用于计算机技术领域，提供了一种用于检测阿兹海默症罹患风险的方法、装置及终端设备，所述方法包括：获取被试者的N个通道对应的脑电数据；根据各个通道对应的脑电数据计算全局能量谱，并根据全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；根据全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；将全局特征及脑电数据输入深度卷积神经网络模型，得到被试者的阿兹海默症风险评估结果。本申请综合考虑脑电数据的电压幅值变化信息和全局特征的空间拓扑信息，能够使深度卷积神经网络模型的输出结果更加准确，既能提高阿兹海默症的风险评估效率，又能提高阿兹海默症风险评估结果的准确性。

Description

用于检测阿兹海默症罹患风险的方法、装置及终端设备
技术领域
本发明属于计算机技术领域，尤其涉及一种用于检测阿兹海默症罹患风险的方法、装置及终端设备。
背景技术
阿兹海默症(AD)是一种常见中枢神经系统变性病，起病缓慢而且隐匿，病人及病人家属说不清何时起病。其临床表现为认知能力下降，记忆力减退，注意力难以集中，严重影响其日常生活，并伴随着脑部萎缩现象。
目前，医学上通常采用脑电图作为阿兹海默症的诊断依据，脑电图具有高时间分辨率且相对廉价，医生对于获取的脑电图，多凭借经验给出风险评估结果，该方法需要医生大量的临床累积，处理效率慢且准确性低下。
发明内容
有鉴于此，本发明实施例提供了一种用于检测阿兹海默症罹患风险的方法、装置及终端设备，以解决现有技术中阿兹海默症罹患风险评估效率低下及准确性差的问题。
本发明实施例的第一方面提供了一种用于检测阿兹海默症罹患风险的方法，包括：
获取被试者的N个通道对应的脑电数据，所述N≥1；
根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；
根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；
将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。
本发明实施例的第二方面提供了一种用于检测阿兹海默症罹患风险的装置，包括：
脑电数据获取模块，用于获取被试者的N个通道对应的脑电数据，所述N≥1；
微状态特征获取模块，用于根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；
全局特征获取模块，用于根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；
风险评估结果确定模块，用于将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。
本发明实施例的第三方面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如上所述用于检测阿兹海默症罹患风险的方法的步骤。
本发明实施例的第四方面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如上所述用于检测阿兹海默症罹患风险的方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本实施例首先获取被试者的N个通道对应的脑电数据，所述N≥1；然后根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；最后将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。本实施例综合考虑脑电数据的电压幅值变化信息和全局特征的空间拓扑信息，能够使深度卷积神经网络模型的输出结果更加准确，既能提高阿兹海默症的风险评估效率，又能提高阿兹海默症风险评估结果的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种用于检测阿兹海默症罹患风险的方法的流程示意图；
图2是本发明实施例提供的图1中S101的实现流程示意图；
图3是本发明实施例提供的图1中S102的实现流程示意图；
图4是本发明实施例提供的一种用于检测阿兹海默症罹患风险的装置的结构示意图；
图5是本发明实施例提供的四种微状态特征的示意图；
图6是本发明实施例提供的终端设备的示意图。
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，以便透彻理解本发明实施例。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发明。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发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
在一个实施例中，如图1所示，图1示出了本发明实施例提供的一种用于检测阿兹海默症罹患风险的方法的流程，其过程详述如下：
S101：获取被试者的N个通道对应的脑电数据，所述N≥1；
S102：根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；
S103：根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；
S104：将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。
本实施例的执行主体为终端设备。
在本实施例中，N为大于等于1的整数，具体地，N可以为16，采用16导的电极帽对被试者的脑电原始数据进行采集。该电极帽包括电极Fp1，Fp2，F3，F4，C3，C4，P3，P4，O1，O2，F7，F8，T3，T4，T5和T6，各个电极的安放位置根据10-20国际脑电记录系统扩展而来，每个电极的阻抗值均小于5KΩ，采样率为1000HZ。
在本实施例中，终端设备对采集的脑电原始数据进行预处理，然后采用预处理后的脑电数据进行后续步骤的操作。
在本实施例中，脑电的微状态特征采用脑电压值的分布规律来表征大脑在静息状态下的状态，它可以较好的保留脑电信号的时域和空域信息，具有较好的时间分辨率和空间分辨率。微状态特征可以在一段时间内保持稳定，具有全局连续信息。且微状态特征包含了很多与疾病相关的信息，可用于了解和评估健康和患病人群在毫秒时间尺度上的脑网络动力学。
从上述实施例可知，本实施例首先获取被试者的N个通道对应的脑电数据，所述N≥1；然后根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；最后将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。本实施例综合考虑脑电数据的电压幅值变化信息和全局特征的空间拓扑信息，能够使深度卷积神经网络模型的输出结果更加准确，既能提高阿兹海默症的风险评估效率，又能提高阿兹海默症风险评估结果的准确性。
在一个实施例中，如图2所示，图2示出了图1中S101的具体实现流程，其过程详述如下：
S201：获取所述被试者在静息状态下第一通道的脑电原始数据；所述第一通道为任一通道。
在本实施例中，首先在弱光封闭且安静的空间内，采集被试者在闭眼静息状态下的数据，整个过程中要求被试者保持身体静止，尽量不眨眼，采集时长可以为2分钟，得到脑电原始数据。
S202：对所述第一通道的脑电原始数据进行带通滤波、降采样、坏道修复和重参考处理，得到所述第一通道对应的第一数据。
在本实施例中，对脑电原始数据进行带通滤波，选择的滤波范围为0.5Hz-40Hz；然后对经过滤波处理的脑电原始数据进行降采样，将脑电原始数据降采样到250Hz，接着采用插值方法对降采样后的数据进行坏道修复，最后对经过坏道修复的数据选用平均重参考方法进行重参考处理，得到第一数据。
S203：对所述第一通道对应的第一数据进行数据分段，并对经数据分段后的第一数据进行伪迹去除操作，得到所述第一通道对应的第二数据。
在本实施例中，首先对第一数据进行分段，数据分段长度可以设置为2S，然后去除任一通道和任意时间点中电压幅值大于预设电压幅值的数据分段，得到伪迹去除后的各个通道对应的数据分段。最后选取任一数据分段的数据作为脑电数据。
具体地，预设电压幅值可以为100uv。当通道总数为16，数据分段内时间点数为500时，脑电数据为16×500的二维数据。
S204：选取任一数据分段的第二数据作为所述被试者的所述第一通道对应的脑电数据。
在一个实施例中，图1中的S102具体包括：
计算
Figure BDA0002430855620000061
得到所述全局能量谱；
其中，GFP(t)表示t时间点的全局场功率，K表示通道总个数，i表示第i个通道，vi(t)表示第i个通道在t时间点的脑电压值；vmean(t)表示t时间点各通道的平均脑电压值。
在本实施例中，全局能量谱的局部峰值代表了全局神经元同步的时间点，其周围的头表地形图保持稳定并且最大限度地提高了信噪比，因此，可取峰值时间点各个通道对应的脑电数据进行微状态特征的获取。
其中，头表地形图为根据各个通道的脑电数据绘制出来的脑电分布图。
在一个实施例中，如图3所示，图3示出了图1中S102的具体实现流程，其包括：
S301：提取所述全局能量谱的峰值位置对应的时间作为峰值时间；
S302：从各个通道对应的脑电数据中提取所述峰值时间对应的脑电数据作为各个通道对应的目标脑电数据；
S303：对所有目标脑电数据进行聚类分析，得到预设类别的微状态特征。
聚类分析方法可以但不限于K-MEANS算法、K-MEDOIDS算法和CLARANS算法，本实施例采用K均值聚类方法对目标脑电数据进行聚类分析。
在本实施例中，预设类别可以为4，则微状态特征分别包括A、B、C和D状态，如图5所示，图5示出了四种微状态特征的示意图，各个微状态对应的数值依次为1、2、3和4。
在一个实施例中，图1中的S103的实现流程包括：
根据所述全局能量谱中各个时间点的全局场功率，标记每个时间点所属的微状态特征；
将各个时间点对应的微状态特征分别复制为N份，得到全局特征。
在本实施例中，在确定了四种微状态特征后，根据各个时间点的全局场功率确定全局能量谱中各个时间点对应的微状态特征的类别，并采用对应的微状态特征的数值标记各个时间点，例如，若某一时间点对应的微状态特征为B，则对其采用2标记，从而得到1×500的微状态特征。
由于脑电数据为16×500的二维数据，为了和脑电数据相对应，对1×500的微状态特征按行复制为16份，得到16×500的全局特征。
在一个实施例中，图1中S104的具体实现流程如下：
将所述全局特征和所述脑电数据堆叠为EEG三维特征；
将所述EEG三维特征输入所述深度卷积神经网络模型，输出所述被试者的阿兹海默症风险评估结果。
在本实施例中，深度卷积神经网络模型的拓扑结构包括输入层，卷积层，池化层，全连接层和Softmax层。其中，输入层数据大小为2个16×500；为了更好地提取脑电信号的局部时间和空间的相关性，在卷积层中分别在时间和空间两个维度执行卷积，时间卷积层的卷积核大小为50×1，步长为1，空间卷积层大小为1×16，步长为1；池化层采用均值池化，卷积核大小为25×1，步长为10；Softmax层激活函数为指数线性单元，激活函数为：
Figure BDA0002430855620000071
深度卷积神经网络模型的输出结果为类别标签，包括NC，MCI和AD三类标签。NC表示正常衰老，AD表示阿兹海默症，MCI表示轻度认知障碍。
在本实施例中，在进行上述被试者的风险评估过程之前，还需要采用训练样本训练深度卷积神经网络模型，训练样本为包括类别标签的脑电数据和全局特征。
在本实施例中，采用三维的全局特征和局部的脑电数据组合输入深度卷积神经网络模型，能够结合脑电数据所包含的局部离散信息和微状态特征中的全局连续信息，使局部离散信息和全局连续信息互相补充，从而提高风险评估结果的分类正确率。在获取到风险评估结果后，将风险评估结果反馈给医生，医生参考风险评估结果做出最终诊断，同时医生的诊断结果还可以对深度卷积神经网络进行参数调优，从而不断的提高深度卷积神经网络的分类准确性。
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，而不应对本发明实施例的实施过程构成任何限定。
在一个实施例中，如图4所示，图4示出了本发明实施例提供的一种用于检测阿兹海默症罹患风险的装置100的结构，其包括：
脑电数据获取模块110，用于获取被试者的N个通道对应的脑电数据，所述N≥1；
微状态特征获取模块120，用于根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；
全局特征获取模块130，用于根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；
风险评估结果确定模块140，用于将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。
在一个实施例中，图4中的脑电数据获取模块110包括：
原始数据获取单元，用于获取所述被试者在静息状态下第一通道的脑电原始数据；所述第一通道为任一通道；
第一数据处理单元，用于对所述第一通道的脑电原始数据进行带通滤波、降采样、坏道修复和重参考处理，得到所述第一通道对应的第一数据；
第二数据处理单元，用于对所述第一通道对应的第一数据进行数据分段，并对经数据分段后的第一数据进行伪迹去除操作，得到所述第一通道对应的第二数据；
脑电数据获取单元，用于选取任一数据分段的第二数据作为所述被试者的所述第一通道对应的脑电数据。
在一个实施例中，所述脑电数据包括脑电压值；图4中的微状态特征获取模块120包括：
计算
Figure BDA0002430855620000091
得到所述全局能量谱；
其中，GFP(t)表示t时间点的全局场功率，K表示通道总个数，i表示第i个通道，vi(t)表示第i个通道在t时间点的脑电压值；vmean(t)表示t时间点各通道的平均脑电压值。
在一个实施例中，图4中的微状态特征获取模块120还包括：
峰值时间提取单元，用于提取所述全局能量谱的峰值位置对应的时间作为峰值时间；
目标脑电数据获取单元，用于从各个通道对应的脑电数据中提取所述峰值时间对应的脑电数据作为各个通道对应的目标脑电数据；
微状态特征确定单元，用于对所有目标脑电数据进行聚类分析，得到预设类别的微状态特征。
在一个实施例中，所述预设类别为四类，全局特征获取模块130包括：
微状态标记单元，用于根据所述全局能量谱中各个时间点的全局场功率，标记每个时间点所属的微状态特征；
全局特征获取单元，用于将各个时间点对应的微状态特征分别复制为N份，得到全局特征。
在一个实施例中，风险评估结果确定模块140包括：
数据堆叠单元，用于将所述全局特征和所述脑电数据堆叠为EEG三维特征；
风险评估结果获取单元，用于将所述EEG三维特征输入所述深度卷积神经网络模型，输出所述被试者的阿兹海默症风险评估结果。
图6是本发明一实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备600包括：处理器601、存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序603。所述处理器601执行所述计算机程序603时实现上述各个方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器601执行所述计算机程序603时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块110至140的功能。
所述计算机程序603可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器602中，并由所述处理器601执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序603在所述终端设备600中的执行过程。
所述终端设备600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。所述终端设备可包括，但不仅限于，处理器601、存储器602。本领域技术人员可以理解，图6仅仅是终端设备600的示例，并不构成对终端设备600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，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器601可以是中央处理单元(Central Processing Unit，CPU)，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602可以是所述终端设备600的内部存储单元，例如终端设备600的硬盘或内存。所述存储器602也可以是所述终端设备600的外部存储设备，例如所述终端设备600上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器602还可以既包括所述终端设备600的内部存储单元也包括外部存储设备。所述存储器602用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
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。
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发明的范围。
在本发明所提供的实施例中，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。
另外，在本发明各个实施例中的各功能单元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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也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可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种用于检测阿兹海默症罹患风险的方法，其特征在于，包括：
获取被试者在静息状态下的N个通道对应的脑电数据，所述N≥1，所述脑电数据包括脑电压值；
根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；其中，所述全局能量谱的周围存在头表地形图，所述头表地形图为根据各个通道的脑电数据绘制出来的脑电分布图；所述微状态特征采用所述脑电压值的分布规律来表征大脑在静息状态下的状态；所述预设类别为四类；
根据所述全局能量谱中各个时间点对应的全局场功率确定对应的微状态特征的类别；标记各个时间点对应的微状态特征，将各个时间点对应的微状态特征分别复制为N份，得到全局特征；
训练样本训练深度卷积神经网络模型，所述样本为包括类别标签的所述脑电数据和所述全局特征；
将所述全局特征及所述脑电数据输入所述深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。
2.如权利要求1所述的用于检测阿兹海默症罹患风险的方法，其特征在于，所述获取被试者在静息状态下的N个通道对应的脑电原始数据，包括：
获取所述被试者在静息状态下第一通道的脑电原始数据；所述第一通道为任一通道；
对所述第一通道的脑电原始数据进行带通滤波、降采样、坏道修复和重参考处理，得到所述第一通道对应的第一数据；
对所述第一通道对应的第一数据进行数据分段，并对经数据分段后的第一数据进行伪迹去除操作，得到所述第一通道对应的第二数据；
选取任一数据分段的第二数据作为所述被试者的所述第一通道对应的脑电数据。
3.如权利要求1所述的用于检测阿兹海默症罹患风险的方法，其特征在于，所述根据各个通道对应的脑电数据计算全局能量谱，包括：
计算
Figure FDA0003943436800000021
得到所述全局能量谱；
其中，GFP(t)表示t时间点的全局场功率，K表示通道总个数，i表示第i个通道，vi(t)表示第i个通道在t时间点的脑电压值；vmean(t)表示t时间点各通道的平均脑电压值。
4.如权利要求1所述的用于检测阿兹海默症罹患风险的方法，其特征在于，所述根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征，包括：
提取所述全局能量谱的峰值位置对应的时间作为峰值时间；
从各个通道对应的脑电数据中提取所述峰值时间对应的脑电数据作为各个通道对应的目标脑电数据；
对所有目标脑电数据进行聚类分析，得到预设类别的微状态特征。
5.如权利要求1所述的用于检测阿兹海默症罹患风险的方法，其特征在于，所述全局特征和所述脑电数据均为二维数据，所述将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果，包括：
将所述全局特征和所述脑电数据堆叠为EEG三维特征；
将所述EEG三维特征输入所述深度卷积神经网络模型，输出所述被试者的阿兹海默症风险评估结果。
6.一种用于检测阿兹海默症罹患风险的装置，其特征在于，包括：
脑电数据获取模块，用于获取被试者在静息状态下的N个通道对应的脑电数据，所述N≥1，所述脑电数据包括脑电压值；
微状态特征获取模块，用于根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；其中，所述全局能量谱的周围存在头表地形图，所述头表地形图为根据各个通道的脑电数据绘制出来的脑电分布图；所述微状态特征采用所述脑电压值的分布规律来表征大脑在静息状态下的状态；所述预设类别为四类；
全局特征获取模块，用于根据所述全局能量谱中各个时间点对应的全局场功率确定对应的所述微状态特征的类别；标记各个时间点对应的所述微状态特征，将各个时间点对应的微状态特征分别复制为N份，得到全局特征；
样本训练模块，用于训练样本训练深度卷积神经网络模型，所述样本为包括类别标签的脑电数据和全局特征；
风险评估结果确定模块，用于将所述全局特征及所述脑电数据输入所述深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。
7.如权利要求6所述的用于检测阿兹海默症罹患风险的装置，其特征在于，所述脑电数据获取模块包括：
原始数据获取单元，用于获取所述被试者在静息状态下第一通道的脑电原始数据；所述第一通道为任一通道；
第一数据处理单元，用于对所述第一通道的脑电原始数据进行带通滤波、降采样、坏道修复和重参考处理，得到所述第一通道对应的第一数据；
第二数据处理单元，用于对所述第一通道对应的第一数据进行数据分段，并对经数据分段后的第一数据进行伪迹去除操作，得到所述第一通道对应的第二数据；
脑电数据获取单元，用于选取任一数据分段的第二数据作为所述被试者的所述第一通道对应的脑电数据。
8.一种终端设备，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5任一项所述方法的步骤。
9.一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5任一项所述方法的步骤。
CN202010235577.6A 2020-03-30 2020-03-30 用于检测阿兹海默症罹患风险的方法、装置及终端设备 Active CN111407231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010235577.6A CN111407231B (zh) 2020-03-30 2020-03-30 用于检测阿兹海默症罹患风险的方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010235577.6A CN111407231B (zh) 2020-03-30 2020-03-30 用于检测阿兹海默症罹患风险的方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN111407231A CN111407231A (zh) 2020-07-14
CN111407231B true CN111407231B (zh) 2023-04-07

Family

ID=71485324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010235577.6A Active CN111407231B (zh) 2020-03-30 2020-03-30 用于检测阿兹海默症罹患风险的方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN111407231B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113208629A (zh) * 2021-04-06 2021-08-06 北京脑陆科技有限公司 一种基于eeg信号的阿尔兹海默症筛查方法及系统
CN113500611A (zh) * 2021-07-22 2021-10-15 常州大学 一种基于脑电和视觉导引的喂饭机器人系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019064136A1 (en) * 2017-09-27 2019-04-04 Mor Research Applications Ltd. MICRO-STATE ANALYSIS OF EEG
CN108143411A (zh) * 2017-12-13 2018-06-12 东南大学 一种面向孤独症诊断的静息态脑电分析系统
CN108143410A (zh) * 2017-12-13 2018-06-12 东南大学 一种面向静息态脑电信号的脑功能连接分析方法
CN110811557A (zh) * 2019-11-15 2020-02-21 西安交通大学 一种基于微状态功率谱分析的麻醉深度监测系统及方法

Also Published As

Publication number Publication date
CN111407231A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
Acar et al. Multiway analysis of epilepsy tensors
CN111407231B (zh) 用于检测阿兹海默症罹患风险的方法、装置及终端设备
CN111783942A (zh) 一种基于卷积循环神经网络的脑认知过程模拟方法
CN108765447B (zh) 一种图像分割方法、图像分割装置及电子设备
CN115359066B (zh) 用于内窥镜的病灶检测方法、装置、电子设备及存储介质
CN113486752B (zh) 基于心电信号的情感识别方法及系统
CN111671420B (zh) 一种从静息态脑电数据中提取特征的方法及终端设备
CN115414041A (zh) 基于脑电数据的自闭症评估装置、方法、终端设备和介质
CN110338760B (zh) 一种基于脑电图频域数据的精神分裂症三分类方法
Tosun et al. Novel eye‐blink artefact detection algorithm from raw EEG signals using FCN‐based semantic segmentation method
CN112634231A (zh) 一种图像分类方法、装置、终端设备和存储介质
Afzali et al. Automated major depressive disorder diagnosis using a dual-input deep learning model and image generation from EEG signals
CN111772629B (zh) 一种脑认知技能移植的方法
CN116541751B (zh) 一种基于脑功能连接网络特征的脑电信号分类方法
CN116421200A (zh) 一种基于并行训练的多任务混合模型的脑电情感分析方法
Puri et al. Wavelet packet sub-band based classification of alcoholic and controlled state EEG signals
Shete et al. Comparison of sub-band decomposition and reconstruction of EEG signal by daubechies9 and symlet9 wavelet
CN115721323A (zh) 一种脑机接口信号识别方法、系统及电子设备
Mekruksavanich et al. Deep learning approaches for epileptic seizures recognition based on eeg signal
Mohedano et al. Improving object segmentation by using EEG signals and rapid serial visual presentation
CN112842368A (zh) 一种识别表面肌电信号的系统及方法
Liu et al. Facial expression awareness based on multi-scale permutation entropy of EEG
CN110889836A (zh) 一种影像数据分析方法、装置、终端设备及存储介质
CN106934335B (zh) 图像识别的方法和装置
Rosero-Rodríguez et al. Automated preprocessing pipeline in visual imagery tasks

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