CN111951958A - 一种基于自编码的疼痛数据评估方法及相关组件 - Google Patents

一种基于自编码的疼痛数据评估方法及相关组件 Download PDF

Info

Publication number
CN111951958A
CN111951958A CN202010851575.XA CN202010851575A CN111951958A CN 111951958 A CN111951958 A CN 111951958A CN 202010851575 A CN202010851575 A CN 202010851575A CN 111951958 A CN111951958 A CN 111951958A
Authority
CN
China
Prior art keywords
self
coding
pain
signal
layer
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.)
Granted
Application number
CN202010851575.XA
Other languages
English (en)
Other versions
CN111951958B (zh
Inventor
王家豪
张治国
黄淦
李方超
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 University
Original Assignee
Shenzhen 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 Shenzhen University filed Critical Shenzhen University
Priority to CN202010851575.XA priority Critical patent/CN111951958B/zh
Publication of CN111951958A publication Critical patent/CN111951958A/zh
Application granted granted Critical
Publication of CN111951958B publication Critical patent/CN111951958B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4824—Touch or pain perception evaluation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Hospice & Palliative Care (AREA)
  • Pain & Pain Management (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于自编码的疼痛数据评估方法及相关组件，方法包括：将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量；然后使用全连接层将数据特征维度降低到预设的维度，得到编码信号；再使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建；通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛；基于编码信号，使用机器学习模型进行疼痛等级训练，再使用所述疼痛等级预测模型进行预测。本发明对输入信号进行编码和解码，将高维数据降至低维特征，可以更精准地提取到激光诱发电位信息从而实现更高的疼痛预测准确率。

Description

一种基于自编码的疼痛数据评估方法及相关组件
技术领域
本发明涉及机器学习预测技术领域，特别涉及一种基于自编码的疼痛数据评估方法及相关组件。
背景技术
疼痛是一种主观感觉，自我报告是评估疼痛的金标准。临床上，患者通常依靠疼痛量表(例如，“0”表示没有疼痛，“10”表示难以忍受的疼痛)与医生沟通他们的疼痛程度。但是，自我报告是主观的，可能会导致一些严重的临床问题。例如，某些患者(如痴呆症患者，婴儿和重度昏迷患者)无法报告其疼痛，而另一些患者则可能故意提供虚假的疼痛评分。因此，有必要开发新的客观可靠的疼痛评估工具来准确预测疼痛。
脑电图(EEG)和功能磁共振成像(fMRI)等各种功能性脑成像技术已被广泛用于研究疼痛的神经机制并开发客观的疼痛评估工具。鉴于脑电图的高时间分辨率和低成本，开发基于脑电图的疼痛预测模型更为普遍。通常，这种疼痛预测模型基于疼痛刺激引起的脑电势。例如，在激光诱发的疼痛实验中，可以从激光诱发电位(LEP)中提取一组与疼痛相关的特征，例如N2(180至300ms)，P2(250至500ms)和伽玛带事件相关的同步(180到260ms，60到85Hz)。随后，可以基于这些与疼痛相关的脑电图特征建立疼痛预测模型。
然而，疼痛诱发电位的信噪比(SNR)非常低，因此很难准确提取诱发脑电图的疼痛相关特征。而且，常规的特征提取方法在很大程度上取决于疼痛相关的脑电标志物的现有知识，准确性不足。
发明内容
本发明的目的是提供一种基于自编码的疼痛数据评估方法及相关组件，旨在解决现有疼痛数据评估方法准确性不足的问题。
第一方面，本发明实施例提供一种基于自编码的疼痛数据评估方法，其中，包括：
将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量；然后使用全连接层将数据特征维度降低到预设的维度，得到编码信号；再使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建；
通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛；
基于编码信号，使用机器学习模型进行疼痛等级训练，构建得到疼痛等级预测模型，再使用所述疼痛等级预测模型进行预测。
第二方面，本发明实施例提供一种基于自编码的疼痛数据评估装置，其中，包括：
自编码模型构建单元，用于将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量；然后使用全连接层将数据特征维度降低到预设的维度，得到编码信号；再使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建；
自编码模型优化单元，用于通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛；
预测单元，用于基于编码信号，使用机器学习模型进行疼痛等级训练，构建得到疼痛等级预测模型，再使用所述疼痛等级预测模型进行预测。
第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的基于自编码的疼痛数据评估方法。
第四方面，本发明实施例提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如上所述的基于自编码的疼痛数据评估方法。
本发明实施例提供了一种基于自编码的疼痛数据评估方法及相关组件，方法包括：将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量；然后使用全连接层将数据特征维度降低到预设的维度，得到编码信号；再使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建；通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛；基于编码信号，使用机器学习模型进行疼痛等级训练，构建得到疼痛等级预测模型，再使用所述疼痛等级预测模型进行预测。本发明实施例通过卷积和解卷积以对输入信号进行编码和解码，能够将高维数据降至低维特征。该方法可以提取与疼痛有关的脑电特征，并进一步提高机器学习预测的准确性。与传统的特征提取和降维方法(例如PCA)相比，可以实现更高的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于自编码的疼痛数据评估方法的流程示意图；
图2为本发明实施例提供的神经网络自编码模型的原理示意图；
图3为通过本发明实施例的方法编码至64维的数据的结果与传统特征提取方法得到的N2特征进行预测的结果差异图；
图4为本发明实施例中使用不同方法将数据降维至64维后进行预测的结果差异图；
图5为本发明实施例提供的一种基于自编码的疼痛数据评估装置的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”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，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明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。
请参阅图1，图1为本发明实施例提供的一种基于自编码的疼痛数据评估方法的流程示意图，其包括：
S101、将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量；然后使用全连接层将数据特征维度降低到预设的维度，得到编码信号；再使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建；
S102、通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛；
S103、基于编码信号，使用机器学习模型进行疼痛等级训练，构建得到疼痛等级预测模型，再使用所述疼痛等级预测模型进行预测。
本发明实施例通过卷积和解卷积以对输入信号进行编码和解码，能够将高维数据降至低维特征。该方法可以提取与疼痛有关的脑电特征，并进一步提高机器学习预测的准确性。与传统的特征提取和降维方法(例如PCA)相比，可以实现更高的准确性。
具体的，在所述步骤S101中，为了能够准确地提取到激光诱发电位(LEP)脑电数据的成分，本实施例是采用基于自编码的自监督方法进行特征的提取，得到的低维特征有利于信号的分类。神经网络自编码模型(AE-LEP)，包括两个过程：编码和解码。其中编码是指：输入的是一个i维的信号x经过神经网络隐藏层的处理得到中间降维后的m维数据。解码：再经过隐藏层重构回原来的i维信号y。模型通过优化重构信号(即输出信号)与原始信号(即输入信号)之间的误差从而达到收敛，最终得到想要的中间编码信号h。
编码过程的函数(编码器的函数)是将输入的i维信号x映射到m维的空间中得到编码信号h。编码过程的函数如下：
h＝σ(W*x+b)
其中sigma是激活函数，具体可以使用elu激活函数，W是编码过程中隐藏层的参数，b是一个偏置项。
解码过程的函数(解码器的函数)是将编码得到的编码信号h进行重构得到与输入信号相同维度的信号y，解码过程的函数如下：
y＝σ(W’*h+b’)
其中sigma如上所述，为激活函数，W’，b’分别是解码过程中隐藏层的参数与偏置项。
由于传统的根据先验知识去提取EEG信号特征的方法因为个体间的差异性经常会导致提取到错误的特征。这样在建立机器学习模型时就会由于特征空间的不准确导致模型不能准确使用新的数据。在本发明实施例中，编码过程中运用卷积神经网络去提取时间域的信息以及空间域的信息，同时使用深度可分离卷积层可以大大降低网络参数的数量从而加快训练速度，同时使用下采样以及全连接层使数据特征维度降低到预设的维度。解码过程中，使用上采样技术以及解卷积去重构信号。
在一实施例中，所述将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量，包括：
使用卷积核大小为1×125的第一卷积层对所述输入信号进行卷积操作；
使用卷积核大小为62×1的第二卷积层对所述第一卷积层输出的信号进行卷积操作；
使用深度可分离卷积层对所述第二卷积层输出的信号进行卷积操作，其中，所述深度可分离卷积层中包括两个依次设置的大小为1×15和大小为16×1的卷积核。
具体地，如图2所示，在编码过程中，首先使用卷积核大小是(1,125)的第一卷积层对输入信号进行卷积操作，其在EEG数据上对应的意义是在时间域上进行卷积。
然后使用一个卷积核大小为(62,1)的第二卷积层进行卷积操作，在其EEG数据上对应的意义是在空间域卷积，并且没有padding(填充)操作，所以这一步操作后得到的空间域数据维度为1。
然后使用深度可分离卷积层对所述第二卷积层输出的信号进行卷积操作。所述深度可分离卷积的效果相当于传统两个卷积层的效果，但是参数的量大大的降低，这两个卷积层的卷积核分别为(1×15)和(16×1)。
当然，在本实施例中省略了激活函数和每个卷积层后面为了防止模型的过拟合以及加速模型收敛所使用的batchnorm层(归一化层)，以及dropout层(随机失活层)。
在一实施例中，所述使用全连接层将数据特征维度降低到预设的维度，得到编码信号，包括：
将深度可分离卷积层的所有节点均连接至第一全连接层中的每一个节点，将所述深度可分离卷积层输出的信号进行综合，得到编码信号。
本实施例中，将深度可分离卷积层的所有节点均连接至第一全连接层中的每一个节点，这样可以是输出的信号进行综合，得到中间的编码信号。
在一实施例中，所述使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建，包括：
使用第二全连接层对编码信号进行处理；
使用深度可分离解卷积层对所述第二全连接层输出的信号进行解卷积操作，其中，所述深度可分离解卷积层中包括两个依次设置的大小为16×1和大小为1×15的卷积核；
使用卷积核大小为62×1的第一解卷积层对所述深度可分离解卷积层输出的信号进行解卷积操作；
使用卷积核大小为1×125的第二解卷积层对所述第一解卷积层输出的信号进行解卷积操作，得到重构信号，完成神经网络自编码模型的构建。
在本实施例中，使用第二全连接层对编码信号进行处理，以得到所需的特征维度。
在一实施例中，所述的基于自编码的疼痛数据评估方法还包括：
使用所述第一全连接层和第二全连接层调整数据特征维度。
即，本实施例可以综合所述第一全连接层和第二全连接层来设置参数，从而调整数据特征维度。例如可以通过所述第一全连接层和第二全连接层将编码信号调整至2、4、8、16、32、64、128、256这些维度，从而在后续步骤中找出最合适的维度。
然后使用深度可分离解卷积层进行解卷积操作，所述深度可分离解卷积层中同样包括两个卷积层，这两个卷积层的卷积核分别为(16×1)和(1×15)。
所述第一解卷积层和第二解卷积层实际上和第一卷积层和第二卷积层的操作相反，目的是进行解卷积操作，达到上采样效果，从而恢复数据，得到重构新型。
在所述步骤S102中，通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛。
迭代过程中使用的误差函数L如下：
L＝|x-y|
其中y是自编码模型的输出信号(即重构信号)，x是输入信号(即原始信号)。
在所述步骤S103中，需要基于编码信号，使用机器学习模型进行疼痛等级训练，构建得到疼痛等级预测模型。
在一实施例中，所述机器学习模型为k近邻学习模型、支持向量机学习模型、线性判别分析学习模型或逻辑回归学习模型。这样可以利用训练后得到的疼痛等级预测模型进行预测。
在一实施例中，所述的基于自编码的疼痛数据评估方法还包括：
对不同数据特征维度下的分类准确率进行评价，并根据评价结果确定数据特征维度。
在不同数据特征维度下，分类准确率有所不同，所以可根据评价结果确定最优的数据特征维度。
本发明实施例中，使用29个被试的数据集来验证模型，使用留一法进行预测，循环29次，计算每个被试的数据集预测的准确率，作为评价指标。分别使用k-NN(k近邻)、SVM(支持向量机)、LDA(线性判别分析)、LR(逻辑回归)四种机器学习模型对得到的不同类型的特征进行训练与预测。
性能评价标准：
使用分类准确率Acc用来衡量从LEP数据中提取特征的性能：
Figure BDA0002644902920000071
其中TP是把正(高痛)类分类为正(高痛)类的个数，TN是把负(低痛)类分类为负(低痛)类的个数，FP是把正(高痛)类分类为负(低痛)类的个数，FN是把负(低痛)类分类为正(高痛)类的个数。使用AE-LEP模型将数据编码至2、4、8、16、32、64、128、256维，再使用编码后的数据进行机器学习预测，结果如下表1所示，其表示AE-LEP编码得到不同维度数据经不同机器学习模型预测得到的准确率，综合来看，基于64维的编码信号其得到的预测准确率最佳。
表1
AE k-NN SVM LDA LR
2 63.5±11.7 71.8±20.2 71.9±20.3 72.0±20.3
4 66.7±12.7 71.8±20.2 69.7±15.7 69.6±15.7
8 67.0±11.5 71.8±20.2 70.3±14.5 70.7±14.4
16 67.0±12.5 70.3±19.6 68.2±16.5 69.5±14.9
32 65.9±11.1 68.5±16.0 71.5±12.5 72.1±12.4
64 68.4±10.3 73.4±11.3 73.9±10.4 74.6±11.2
128 68.1±10.7 71.6±13.0 72.0±11.9 71.8±13.2
256 67.9±9.9 71.9±12.0 72.4±11.6 73.4±11.5
N2 69.1±14.5 69.0±14.0 68.0±16.0 69.1±16.7
接着使用配对t检验，检查AE-LEP编码至64维的数据的结果与传统特征提取方式得到的N2特征预测的结果之间统计学上的差异性，结果如图3所示，图中AE-64代表AE-LEP编码至64维的数据，N2代表传统方法提取到的特征，N2特征指的是激光刺激受试者后，产生的事件相关电位的一个子成分。
同时使用MDS(多维缩放)与PCA(主成分分析)将数据降维至相同维度再使用逻辑回归分类器与AE-LEP框架的性能进行比较，得到的结果如下表3与图4，可以发现当数据编码至64维时，AE-LEP(即AE)提取到的特征是远远优于PCA与MDS的，并且在统计学上具有显著差异，结果如下表2和图4所示。
表2
Figure BDA0002644902920000081
Figure BDA0002644902920000091
从上可知，与传统的特征提取和降维方法(例如PCA)相比，本发明采用的方法在对高痛和低痛EEG试次进行分类时可以实现更高的准确性。结合AE-LEP模型和机器学习模型可以用于基于EEG的疼痛预测。
请参阅图5，其为本发明实施例提供的一种基于自编码的疼痛数据评估装置的示意性框图，如图所示，所述基于自编码的疼痛数据评估装置500包括：
自编码模型构建单元501，用于将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量；然后使用全连接层将数据特征维度降低到预设的维度，得到编码信号；再使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建；
自编码模型优化单元502，用于通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛；
预测单元503，用于基于编码信号，使用机器学习模型进行疼痛等级训练，构建得到疼痛等级预测模型，再使用所述疼痛等级预测模型进行预测。
上述装置实施例的内容与上述方法实施例的内容相对应，关于上述装置实施例的具体细节可参照前述方法实施例的描述，此处不再赘述。
本发明实施例的装置，通过卷积和解卷积以对输入信号进行编码和解码，能够将高维数据降至低维特征。该方法可以提取与疼痛有关的脑电特征，并进一步提高机器学习预测的准确性。与传统的特征提取和降维方法(例如PCA)相比，可以实现更高的准确性。
上述基于自编码的疼痛数据评估装置500可以实现为计算机程序的形式，该计算机程序可以在计算机设备上运行。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的基于自编码的疼痛数据评估方法。
本发明实施例还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如上所述的基于自编码的疼痛数据评估方法。
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，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，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。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
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发明实施例方案的目的。
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，也可以是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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于自编码的疼痛数据评估方法，其特征在于，包括：
将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量；然后使用全连接层将数据特征维度降低到预设的维度，得到编码信号；再使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建；
通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛；
基于编码信号，使用机器学习模型进行疼痛等级训练，构建得到疼痛等级预测模型，再使用所述疼痛等级预测模型进行预测。
2.根据权利要求1所述的基于自编码的疼痛数据评估方法，其特征在于，所述将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量，包括：
使用卷积核大小为1×125的第一卷积层对所述输入信号进行卷积操作；
使用卷积核大小为62×1的第二卷积层对所述第一卷积层输出的信号进行卷积操作；
使用深度可分离卷积层对所述第二卷积层输出的信号进行卷积操作，其中，所述深度可分离卷积层中包括两个依次设置的大小为1×15和大小为16×1的卷积核。
3.根据权利要求1所述的基于自编码的疼痛数据评估方法，其特征在于，所述使用全连接层将数据特征维度降低到预设的维度，得到编码信号，包括：
将深度可分离卷积层的所有节点均连接至第一全连接层中的每一个节点，将所述深度可分离卷积层输出的信号进行综合，得到编码信号。
4.根据权利要求3所述的基于自编码的疼痛数据评估方法，其特征在于，所述使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建，包括：
使用第二全连接层对编码信号进行处理；
使用深度可分离解卷积层对所述第二全连接层输出的信号进行解卷积操作，其中，所述深度可分离解卷积层中包括两个依次设置的大小为16×1和大小为1×15的卷积核；
使用卷积核大小为62×1的第一解卷积层对所述深度可分离解卷积层输出的信号进行解卷积操作；
使用卷积核大小为1×125的第二解卷积层对所述第一解卷积层输出的信号进行解卷积操作，得到重构信号，完成神经网络自编码模型的构建。
5.根据权利要求1所述的基于自编码的疼痛数据评估方法，其特征在于，所述机器学习模型为k近邻学习模型、支持向量机学习模型、线性判别分析学习模型或逻辑回归学习模型。
6.根据权利要求4所述的基于自编码的疼痛数据评估方法，其特征在于，还包括：
使用所述第一全连接层和第二全连接层调整数据特征维度。
7.根据权利要求6所述的基于自编码的疼痛数据评估方法，其特征在于，还包括：
对不同数据特征维度下的分类准确率进行评价，并根据评价结果确定数据特征维度。
8.一种基于自编码的疼痛数据评估装置，其特征在于，包括：
自编码模型构建单元，用于将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量；然后使用全连接层将数据特征维度降低到预设的维度，得到编码信号；再使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建；
自编码模型优化单元，用于通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛；
预测单元，用于基于编码信号，使用机器学习模型进行疼痛等级训练，构建得到疼痛等级预测模型，再使用所述疼痛等级预测模型进行预测。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上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7中任一项所述的基于自编码的疼痛数据评估方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于自编码的疼痛数据评估方法。
CN202010851575.XA 2020-08-21 2020-08-21 一种基于自编码的疼痛数据评估方法及相关组件 Active CN111951958B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010851575.XA CN111951958B (zh) 2020-08-21 2020-08-21 一种基于自编码的疼痛数据评估方法及相关组件

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010851575.XA CN111951958B (zh) 2020-08-21 2020-08-21 一种基于自编码的疼痛数据评估方法及相关组件

Publications (2)

Publication Number Publication Date
CN111951958A true CN111951958A (zh) 2020-11-17
CN111951958B CN111951958B (zh) 2024-07-12

Family

ID=73359204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010851575.XA Active CN111951958B (zh) 2020-08-21 2020-08-21 一种基于自编码的疼痛数据评估方法及相关组件

Country Status (1)

Country Link
CN (1) CN111951958B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766219A (zh) * 2021-01-31 2021-05-07 石家庄铁道大学 基于深度可分离卷积自编码器的轴承健康评估方法和装置
CN112957014A (zh) * 2021-02-07 2021-06-15 广州大学 一种基于脑电波与神经网络的疼痛检测定位方法及系统
CN113076912A (zh) * 2021-04-16 2021-07-06 金陵科技学院 基于主成分自回归的非线性抗干扰方法
CN113143208A (zh) * 2021-03-12 2021-07-23 深圳大学 基于多维度测量的疼痛敏感性评估系统和方法
CN114283935A (zh) * 2021-12-22 2022-04-05 兰州大学 一种疼痛等级评估方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101677775A (zh) * 2007-04-05 2010-03-24 纽约大学 用于疼痛检测和疼痛量化指数计算的系统和方法
CN106963369A (zh) * 2017-03-27 2017-07-21 广州视源电子科技股份有限公司 一种基于神经网络模型的脑电放松度识别方法及装置
CN108256629A (zh) * 2018-01-17 2018-07-06 厦门大学 基于卷积网络和自编码的eeg信号无监督特征学习方法
CN109164910A (zh) * 2018-07-05 2019-01-08 北京航空航天大学合肥创新研究院 针对脑电图的多路信号神经网络架构设计方法
CN109222906A (zh) * 2018-09-13 2019-01-18 复旦大学 一种基于脑部电信号构建疼痛状态预测模型的方法
CN109784211A (zh) * 2018-12-26 2019-05-21 西安交通大学 一种基于深度学习的运动想象脑电信号分类方法
US20190320974A1 (en) * 2018-04-19 2019-10-24 University Of South Florida Comprehensive and context-sensitive neonatal pain assessment system and methods using multiple modalities

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101677775A (zh) * 2007-04-05 2010-03-24 纽约大学 用于疼痛检测和疼痛量化指数计算的系统和方法
CN106963369A (zh) * 2017-03-27 2017-07-21 广州视源电子科技股份有限公司 一种基于神经网络模型的脑电放松度识别方法及装置
CN108256629A (zh) * 2018-01-17 2018-07-06 厦门大学 基于卷积网络和自编码的eeg信号无监督特征学习方法
US20190320974A1 (en) * 2018-04-19 2019-10-24 University Of South Florida Comprehensive and context-sensitive neonatal pain assessment system and methods using multiple modalities
CN109164910A (zh) * 2018-07-05 2019-01-08 北京航空航天大学合肥创新研究院 针对脑电图的多路信号神经网络架构设计方法
CN109222906A (zh) * 2018-09-13 2019-01-18 复旦大学 一种基于脑部电信号构建疼痛状态预测模型的方法
CN109784211A (zh) * 2018-12-26 2019-05-21 西安交通大学 一种基于深度学习的运动想象脑电信号分类方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766219A (zh) * 2021-01-31 2021-05-07 石家庄铁道大学 基于深度可分离卷积自编码器的轴承健康评估方法和装置
CN112957014A (zh) * 2021-02-07 2021-06-15 广州大学 一种基于脑电波与神经网络的疼痛检测定位方法及系统
CN113143208A (zh) * 2021-03-12 2021-07-23 深圳大学 基于多维度测量的疼痛敏感性评估系统和方法
CN113143208B (zh) * 2021-03-12 2023-07-25 深圳大学 基于多维度测量的疼痛敏感性评估系统和方法
CN113076912A (zh) * 2021-04-16 2021-07-06 金陵科技学院 基于主成分自回归的非线性抗干扰方法
CN114283935A (zh) * 2021-12-22 2022-04-05 兰州大学 一种疼痛等级评估方法及系统

Also Published As

Publication number Publication date
CN111951958B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
CN111951958B (zh) 一种基于自编码的疼痛数据评估方法及相关组件
Cui et al. Automatic Sleep Stage Classification Based on Convolutional Neural Network and Fine‐Grained Segments
Tawhid et al. A spectrogram image based intelligent technique for automatic detection of autism spectrum disorder from EEG
Livezey et al. Deep learning as a tool for neural data analysis: speech classification and cross-frequency coupling in human sensorimotor cortex
Xu et al. Learning EEG topographical representation for classification via convolutional neural network
Zhao et al. Deep learning in the EEG diagnosis of Alzheimer’s disease
Chaurasiya et al. Binary DE-based channel selection and weighted ensemble of SVM classification for novel brain–computer interface using Devanagari script-based P300 speller paradigm
CN112037179B (zh) 一种脑疾病诊断模型的生成方法、系统及设备
Khare et al. Adazd-Net: Automated adaptive and explainable Alzheimer’s disease detection system using EEG signals
Agarwal et al. Classification of alcoholic and non-alcoholic EEG signals based on sliding-SSA and independent component analysis
Padfield et al. Sparse learning of band power features with genetic channel selection for effective classification of EEG signals
Chintalapudi et al. Voice Biomarkers for Parkinson's Disease Prediction Using Machine Learning Models with Improved Feature Reduction Techniques
Li et al. Bayesian nonnegative matrix factorization with Dirichlet process mixtures
Movahed et al. Automatic diagnosis of mild cognitive impairment based on spectral, functional connectivity, and nonlinear EEG‐Based features
US20220130357A1 (en) Decoding chord information from brain activity
Movahed et al. A major depressive disorder diagnosis approach based on EEG signals using dictionary learning and functional connectivity features
Yuan et al. Automatic epileptic seizure detection using graph-regularized non-negative matrix factorization and kernel-based robust probabilistic collaborative representation
CN114027786A (zh) 基于自监督式记忆网络的睡眠呼吸障碍检测方法及系统
Gogna et al. Towards a versatile mental workload modeling using neurometric indices
Omar et al. Enhancing EEG signals classification using LSTM‐CNN architecture
Elakkiya Toward improving the accuracy in the diagnosis of schizophrenia using functional magnetic resonance imaging (fMRI)
Trujillo-Barreto et al. Explicit modeling of brain state duration using hidden semi Markov models in EEG data
CN117056788B (zh) 一种基于有监督对比学习的eeg信号分类方法、装置
CN114063787B (zh) 一种基于emg和imu数据的深度学习处理分析方法
US11918336B2 (en) Reduced feature generation for signal classification based on position weight matrix

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