CN112155549A - 基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统 - Google Patents

基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统 Download PDF

Info

Publication number
CN112155549A
CN112155549A CN202010922095.8A CN202010922095A CN112155549A CN 112155549 A CN112155549 A CN 112155549A CN 202010922095 A CN202010922095 A CN 202010922095A CN 112155549 A CN112155549 A CN 112155549A
Authority
CN
China
Prior art keywords
pulse
neural network
magnetic resonance
imaging data
system based
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
CN202010922095.8A
Other languages
English (en)
Other versions
CN112155549B (zh
Inventor
蔺想红
张梦炜
王向文
吴豆豆
耿嘉威
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.)
Northwest Normal University
Original Assignee
Northwest Normal 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 Northwest Normal University filed Critical Northwest Normal University
Priority to CN202010922095.8A priority Critical patent/CN112155549B/zh
Publication of CN112155549A publication Critical patent/CN112155549A/zh
Application granted granted Critical
Publication of CN112155549B publication Critical patent/CN112155549B/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
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • 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
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
    • A61B5/7292—Prospective gating, i.e. predicting the occurrence of a physiological event for use as a synchronisation signal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Neurology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Neurosurgery (AREA)
  • Psychiatry (AREA)
  • Developmental Disabilities (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明实施例公开了基于深度卷积脉冲神经网络的注意缺陷多动障碍(ADHD)疾病诊断辅助决策系统，包括：预处理装置，用于使用信噪比特征选择方法对功能性磁共振成像数据进行预处理；编码装置，用于采用前向算法对预处理后的功能性磁共振成像数据进行编码，生成脉冲序列；诊断预测输出装置，用于使用深度卷积脉冲神经网络根据所述脉冲序列进行诊断预测，并输出诊断预测结果。本发明不需人工标注特征；对医案分配不同调节权重，优化预测模型；提高了诊断预测结果的可靠性。

Description

基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统
技术领域
本发明实施例涉及诊断设备技术领域，具体涉及基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统。
背景技术
近年来，随着社会经济的超高速发展，人们各方面压力逐渐增大，神经疾病的患者数量日益增加。据世界卫生组织的统计，包括各种神经类和精神类疾病在内的脑相关疾病，是所有疾病里社会负担最大的，占比超过百分之二十，超过了心血管疾病，也超过了癌症。因此，幼年期的自闭症或者多动症与智障，中年期的抑郁症和成瘾，阿尔茨海默症与帕金森症等老年期的退行性脑疾病等等重大脑疾病的诊断和干预，是未来脑科技领域一项非常重要的研究内容。近年来，诺贝尔奖涉及的神经科学中的重要发现都跟大脑的信息编码、储存相关。但是，只知晓对神经细胞如何处理，但对整个大脑复杂的网络结构了解不多。到底是什么原理使得神经细胞在某种情况下发生某些反应，并不是很清楚；只有充分了解它们的机理，才能够找到最有效的解决方法。而在致病机理完全清楚之前，必须研发出各种脑疾病的早期诊断指标。一旦有了诊断指标，就可以进行早期干预,降低脑疾病发病率。所以，构建基于脉冲神经网络的生物医学信号检测与处理的有效分类计算模型，对临床诊断具有重要价值。
近几年，基于脉冲神经网络的时空模式数据分类问题研究逐渐增多，并取得了不错的成果。Kasabov等人提出了一种被称为NeuCube的结构模型来映射、学习和理解脑时空数据。该结构是基于三维进化神经网络对大脑结构和功能性区域进行建模，从而对脑时空数据进行分析。Djemili等人采用用于经验模态分解法(Empirical Mode Decomposition，EMD)的新型特征提取方法，将脑时空信号分解为本征模态函数(Intrinsic ModeFunctions，IMF)，并在IMF中计算出四种统计参数值，作为多层感知网络(MultilayerPerceptron Neural，MPN)的输入向量进行分类实验。Sharma等人提出了基于相位空间表示(Phase Space Representation，PSR)的新特征，使用最小方支持向量机(Least SquaresSupport Vector Machine，LSSVM)对癫痫和非癫痫两类数据集进行分类，并取得了不错的成果。Kumar等人采用基于特征的一维局部二进制模型(One Dimensional Local BinaryPattern，ODLBP)，通过使用Gabor滤波器将脑时空数据分解为小段并计算出一维局部二进制模型的直方图的值，通过比对直方图数据来决定类别。
随着科技的发展通过一些新型途径使神经疾病的分析成为可能。目前，研究脑部活动的主要医学途径有：脑电图(Electroenc Ephalo Gram，EEM)、脑磁图(MagnetoencEphalo Gram，MEG)和功能性磁共振成像(functional Magnetic Resonance Imaging，fMRI)等。其中fMRI相对其他医学成像技术可以提供良好的成像对比效果，具有更高的空间分辨率，更适用于大脑、心脏和脊髓的成像。fMRI的技术原理是与神经元有关的功能活动对局部耗氧量和大脑血流的影响程度有所不同，从而导致局部磁场发生变化。fMRI数据是一组具有时间维度的四维成像数据，每一个断面成像都是一个三维长方体，长方体的长和宽表示断面的长和宽，高度表示时间。
fMRI数据是复杂的脑时空数据，具有图像特性，很适合采用卷积神经网络进行处理。同时在处理这种数据时，还需要同时分析时间和空间两部分信息，而脉冲神经网络的内在特性刚好符合这一要求。而且随着深度学习的迅速发展，将深度学习运用到神经疾病的fMRI分类问题中逐渐成为一种趋势，所以深度卷积脉冲神经网络便闪亮登场。现有的分类器进行特征提取时会丢失一定的数据信息，从而降低分类准确率，进而影响诊断结果的准确性。
发明内容
本发明实施例的目的在于提供基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，用以解决现有的分类器进行特征提取时会丢失一定的数据信息，从而降低分类准确率，进而影响诊断结果的准确性的问题。
为实现上述目的，本发明实施例主要提供如下技术方案：
本发明实施例提供了一种基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，包括：预处理装置，用于使用信噪比特征选择方法对功能性磁共振成像数据进行预处理；编码装置，用于采用前向算法对预处理后的功能性磁共振成像数据进行编码，生成脉冲序列；诊断预测输出装置，用于使用深度卷积脉冲神经网络根据所述脉冲序列进行诊断预测，并输出诊断预测结果。
根据本发明的一个实施例，所述预处理装置用于对功能性磁共振成像数据进行预处理，得到所述功能性磁共振成像数据中不同类别信号的变化差异信息；所述编码装置用于将所述功能性磁共振成像数据中变化差异超过预设变化差异阈值的体素信号作为编码信号进行编码。
根据本发明的一个实施例，所述编码装置具体用于在对所述预处理后的功能性磁共振成像数据进行编码时对成像数据采用基于感受野的权值非线性加和计算方法，以增加数据间的联系，且减少输入层脉冲神经元数量。
根据本发明的一个实施例，所述编码装置具体用于：对所述预处理后的功能性磁共振成像数据在空间上进行脑区区域划分；将每个脑区内的节点设为脑区区域的中心点；为脑区内所有体素单元设置权值，以设为中心点的体素为基准，所有与中心点体素相距等间隔的所有体素的权值之和为1，设具有i-1个体素间隔距离的同层中体素个数为n，这一层上的每个体素的权值为1/n；将同层中每个体素的数据乘以权值后求和，然后将i+1层的所有和值加和后求取平均值；将处理后的时间数据采用前向算法进行脉冲时间序列转化，对于给定的信号S(t)，定义基准变量B(t)，B(1)＝S(1)，进行如下计算：如果输入信号S(t1)大于B(t1-1)+Threshold，则在t1时刻发放一个正脉冲，并且B(t1)＝B(t1-1)+Threshold；如果S(t1)小于等于B(t1-1)-Threshold，则在t1时刻发放一个负脉冲，并且令B(t1)＝B(t1-1)-Threshold；如果S(t1)小于等于B(t1-1)+Threshold，且S(t1)大于B(t1-1)-Threshold，则不发放脉冲。
根据本发明的一个实施例，所述深度卷积脉冲神经网络包括多个卷积层和多个池化层，所述脉冲序列一一交错地进入所述多个卷积层和多个池化层。
根据本发明的一个实施例，所述诊断预测输出装置具体用于采用所述深度卷积脉冲神经网络和学习算法进行数据分类和诊断预测，所述学习算法为：
Figure BDA0002667074430000041
其中，Δw表示权值更新量，si(t)表示输入脉冲序列，
Figure BDA0002667074430000042
表示突触前神经元i的脉冲发放时间。
本发明实施例提供的技术方案至少具有如下优点：
本发明实施例提供的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，使用SNR特征选择方法对fMRI数据进行预处理，不需人工标注特征；同时通过SF算法将fMRI数据编码为脉冲序列；本发明引入基于局部变量STDP的学习算法对医案分配不同调节权重，优化预测模型；本发明从相关疾病的症状、病因、病机等多个方面出发进行诊断规律挖掘，提高了诊断预测结果的可靠性；同时，本发明适用于大多数疾病的辨证规律发现，其具有很高的可扩展性。
附图说明
图1为本发明实施例的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统的结构框图。
图2为本发明实施例所使用的深度卷积脉冲神经网络的结构示意图。
图3为本发明实施例中所使用的PSTDP学习规则实现过程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
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、接口、技术之类的具体细节，以便透彻理解本发明。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、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。
在本发明的描述中，需要理解的是，术语“第一”和“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”和“连接”应做广义理解，例如可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1为本发明实施例的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统的结构框图。如图1所示，本发明实施例的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统包括：预处理装置100、编码装置200和诊断预测输出装置300。
其中，预处理装置100用于使用信噪比(Signal-Noise Ratio，SNR)特征选择方法对功能性磁共振成像(functional Magnetic Resonance Imaging，fMRI)数据进行预处理。编码装置200采用前向(Step-Forward，SF)算法对预处理后的fMRI数据进行编码生成脉冲序列。诊断预测输出装置300用于使用深度卷积脉冲神经网络根据脉冲序列进行诊断预测，并输出诊断预测结果。
在本发明的一个实施例中，预处理装置100用于对fMRI数据进行预处理，得到fMRI数据中不同类别信号的变化差异信息。编码装置200用于将功能性磁共振成像数据中变化差异超过预设变化差异阈值的体素信号作为编码信号进行编码，摒弃其他信号达到降维目的。
在本发明的一个实施例中，编码装置200具体用于对fMRI的脉冲序列编码时对成像数据使用基于感受野的权值非线性加和计算方法，增加数据间的联系，同时减少输入层脉冲神经元数量，降低了网络的复杂度。
进一步地，编码装置200具体用于：对预处理后的功能性磁共振成像数据在空间上进行脑区区域划分，采用一种基于距离的凝聚型层次聚类方法——BIRCH，该算法的核心是构建聚类特征树(CF-Tree)；BIRCH算法CF-Tree的构建由分支因子B和阈值T两个重要参数决定，其中B决定树的高度和大小，T控制聚类簇的边界；通过BIRCH算法可以得到聚类效果较好的CF-Tree和较为合理的脑功能分区。
将每个脑区内的节点设为脑区区域的中心点。
为脑区内所有体素单元设置权值，以设为中心点的体素为基准，所有与中心点体素相距等间隔的所有体素的权值之和为1，设具有i-1个体素间隔距离的同层中体素个数为n，这一层上的每个体素的权值为1/n。
将同层中每个体素的数据乘以权值后求和，然后将i+1层的所有和值加和后求取平均值。
将处理后的时间数据采用前向算法进行脉冲时间序列转化，对于给定的信号S(t)，定义基准变量B(t)，B(1)＝S(1)，进行如下计算：如果输入信号S(t1)大于B(t1-1)+Threshold，则在t1时刻发放一个正脉冲，并且B(t1)＝B(t1-1)+Threshold；如果S(t1)小于等于B(t1-1)-Threshold，则在t1时刻发放一个负脉冲，并且令B(t1)＝B(t1-1)-Threshold；如果S(t1)小于等于B(t1-1)+Threshold，且S(t1)大于B(t1-1)-Threshold，则不发放脉冲。
图2为本发明实施例所使用的深度卷积脉冲神经网络的结构示意图。如图2所示，深度卷积脉冲神经网络包括多个卷积层和多个池化层，脉冲序列一一交错地进入多个卷积层和多个池化层，以卷积层S1→池化层C1→卷积层S2→池化层C2→卷积层S3→池化层C3的形式排列。其中在卷积层S1——卷积层S3之间采用基于局部变量STDP的无监督学习算法，在最后反向调节时采用基于局部变量STDP的监督学习算法。
图3为本发明实施例中所使用的PSTDP学习规则实现过程图。如图3所示，诊断预测输出装置300具体用于采用深度卷积脉冲神经网络、无监督学习和监督学习算法进行数据分类和诊断预测。其中，无监督学习算法为：基于局部变量STDP的无监督学习算法规则；监督学习算法为：基于局部变量STDP的监督学习算法规则；都忽略了脉冲时间序列上已发放脉冲对后序脉冲发放的影响。本发明结合STDP算法与PSTDP算法，构造一种更高效的基于局部变量STDP的学习算法，PSTDP学习规则实现过程如图3所示。
大多数STDP规则解释为基于脉冲对的更新规则，即突触权值的改变依赖于突触前和突触后脉冲对的时间差。PSTDP规则在数学上表示为:
Figure BDA0002667074430000071
其中，
Figure BDA0002667074430000072
表示突触后脉冲和突触前脉冲的时间差；F±(w)表示突出更新对当前权值的依赖性，F±(w)的形式限定了突触更新的范围。
突触前脉冲到达引起的突触权值减小与突触后模拟量yj成比例，同样，突触后脉冲发放引起的权值增加与突触前模拟量xi成比例，根据式(1)，突触权值wij的变化表示为:
Figure BDA0002667074430000073
或者表示为：
Figure BDA0002667074430000074
其中，
Figure BDA0002667074430000075
表示突触前神经元i的脉冲发放时间，
Figure BDA0002667074430000076
表示突触后神经元j的脉冲发放时间；突触前神经元i的脉冲序列对应的模拟量为xi(t)，突触后神经元j的脉冲序列对应的模拟量为yj(t)。
根据Widrow-Hoff规则，可得权值更新规则为：
Δw(t)＝[sd(t)-so(t)]si(t)＝sd(t)si(t)-so(t)si(t) (4)
其中，
Figure BDA0002667074430000081
表示期望脉冲序列，
Figure BDA0002667074430000082
表示实际脉冲序列，
Figure BDA0002667074430000083
表示输入脉冲序列。
根据PSTDP规则可得：
Figure BDA0002667074430000084
Figure BDA0002667074430000085
结合式(4)、(5)、(6)可得改进的基于局部变量STDP的学习算法为：
Figure BDA0002667074430000086
其中，Δw表示权值更新量，si(t)表示输入脉冲序列，
Figure BDA0002667074430000087
表示突触前神经元i的脉冲发放时间。
本发明实施例提供的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，使用SNR特征选择方法对fMRI数据进行预处理，不需人工标注特征；同时通过SF算法将fMRI数据编码为脉冲序列；本发明引入基于局部变量STDP的学习算法对医案分配不同调节权重，优化预测模型；本发明从相关疾病的症状、病因、病机等多个方面出发进行诊断规律挖掘，提高了诊断预测结果的可靠性；同时，本发明适用于大多数疾病的辨证规律发现，其具有很高的可扩展性。
本发明实施例的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (6)

1.一种基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，其特征在于，包括：
预处理装置，用于使用信噪比特征选择方法对功能性磁共振成像数据进行预处理；
编码装置，用于采用前向算法对预处理后的功能性磁共振成像数据进行编码，生成脉冲序列；
诊断预测输出装置，用于使用深度卷积脉冲神经网络根据所述脉冲序列进行诊断预测，并输出诊断预测结果。
2.根据权利要求1所述的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，其特征在于，所述预处理装置用于对功能性磁共振成像数据进行预处理，得到所述功能性磁共振成像数据中不同类别信号的变化差异信息；所述编码装置用于将所述功能性磁共振成像数据中变化差异超过预设变化差异阈值的体素信号作为编码信号进行编码。
3.根据权利要求1所述的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，其特征在于，所述编码装置具体用于在对所述预处理后的功能性磁共振成像数据进行编码时对成像数据采用基于感受野的权值非线性加和计算方法，以增加数据间的联系，且减少输入层脉冲神经元数量。
4.根据权利要求3所述的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，其特征在于，所述编码装置具体用于：
对所述预处理后的功能性磁共振成像数据在空间上进行脑区区域划分；
将每个脑区内的节点设为脑区区域的中心点；
为脑区内所有体素单元设置权值，以设为中心点的体素为基准，所有与中心点体素相距等间隔的所有体素的权值之和为1，设具有i-1个体素间隔距离的同层中体素个数为n，这一层上的每个体素的权值为1/n；
将同层中每个体素的数据乘以权值后求和，然后将i+1层的所有和值加和后求取平均值；
将处理后的时间数据采用前向算法进行脉冲时间序列转化，对于给定的信号S(t)，定义基准变量B(t)，B(1)＝S(1)，进行如下计算：如果输入信号S(t1)大于B(t1-1)+Threshold，则在t1时刻发放一个正脉冲，并且B(t1)＝B(t1-1)+Threshold；如果S(t1)小于等于B(t1-1)-Threshold，则在t1时刻发放一个负脉冲，并且令B(t1)＝B(t1-1)-Threshold；如果S(t1)小于等于B(t1-1)+Threshold，且S(t1)大于B(t1-1)-Threshold，则不发放脉冲。
5.根据权利要求4所述的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，其特征在于，所述深度卷积脉冲神经网络包括多个卷积层和多个池化层，所述脉冲序列一一交错地进入所述多个卷积层和多个池化层。
6.根据权利要求5所述的基于深度卷积脉冲神经网络的ADHD疾病诊断辅助决策系统，其特征在于，所述诊断预测输出装置具体用于采用所述深度卷积脉冲神经网络和学习算法进行数据分类和诊断预测，所述学习算法为：
Figure FDA0002667074420000021
其中，Δw表示权值更新量，si(t)表示输入脉冲序列，ti f表示突触前神经元i的脉冲发放时间。
CN202010922095.8A 2020-09-04 2020-09-04 基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统 Active CN112155549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010922095.8A CN112155549B (zh) 2020-09-04 2020-09-04 基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010922095.8A CN112155549B (zh) 2020-09-04 2020-09-04 基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统

Publications (2)

Publication Number Publication Date
CN112155549A true CN112155549A (zh) 2021-01-01
CN112155549B CN112155549B (zh) 2023-11-14

Family

ID=73857735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010922095.8A Active CN112155549B (zh) 2020-09-04 2020-09-04 基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统

Country Status (1)

Country Link
CN (1) CN112155549B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113485261A (zh) * 2021-06-29 2021-10-08 西北师范大学 一种基于CAEs-ACNN的软测量建模方法
CN115429293A (zh) * 2022-11-04 2022-12-06 之江实验室 一种基于脉冲神经网络的睡眠类型分类方法和装置
CN117311516A (zh) * 2023-11-28 2023-12-29 北京师范大学 一种运动想象脑电通道选择方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090076993A1 (en) * 2007-09-18 2009-03-19 International Business Machines Corporation System and method for cortical simulation
CN104933722A (zh) * 2015-06-29 2015-09-23 电子科技大学 一种基于Spiking-卷积网络模型的图像边缘检测方法
CN110119785A (zh) * 2019-05-17 2019-08-13 电子科技大学 一种基于多层spiking卷积神经网络的图像分类方法
CN110210563A (zh) * 2019-06-04 2019-09-06 北京大学 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法
CN111340181A (zh) * 2020-02-11 2020-06-26 天津大学 基于增强脉冲的深层双阈值脉冲神经网络转换训练方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090076993A1 (en) * 2007-09-18 2009-03-19 International Business Machines Corporation System and method for cortical simulation
CN104933722A (zh) * 2015-06-29 2015-09-23 电子科技大学 一种基于Spiking-卷积网络模型的图像边缘检测方法
CN110119785A (zh) * 2019-05-17 2019-08-13 电子科技大学 一种基于多层spiking卷积神经网络的图像分类方法
CN110210563A (zh) * 2019-06-04 2019-09-06 北京大学 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法
CN111340181A (zh) * 2020-02-11 2020-06-26 天津大学 基于增强脉冲的深层双阈值脉冲神经网络转换训练方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHANKYU LEE: "Deep Spiking Convolutional Neural Network Trained With Unsupervised Spike-Timing-Dependent Plasticity", 《IEEE TRANSACTIONS ON COGNITIVE AND DEVELOPMENTAL SYSTEMS》, vol. 11, no. 6, pages 384 - 394, XP011744842, DOI: 10.1109/TCDS.2018.2833071 *
王立鹏: "基于递归脉冲神经网络的脑时空数据分类研究", 《中国优秀硕士学位论文全文数据库（电子期刊） 医药卫生科技辑》, pages 080 - 5 *
陈国军: "基于脉冲深度信念网络的 fMRI分类研究", 《中国优秀硕士学位论文全文数据库（电子期刊） 医药卫生科技辑》, pages 059 - 14 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113485261A (zh) * 2021-06-29 2021-10-08 西北师范大学 一种基于CAEs-ACNN的软测量建模方法
CN113485261B (zh) * 2021-06-29 2022-06-28 西北师范大学 一种基于CAEs-ACNN的软测量建模方法
CN115429293A (zh) * 2022-11-04 2022-12-06 之江实验室 一种基于脉冲神经网络的睡眠类型分类方法和装置
CN115429293B (zh) * 2022-11-04 2023-04-07 之江实验室 一种基于脉冲神经网络的睡眠类型分类方法和装置
CN117311516A (zh) * 2023-11-28 2023-12-29 北京师范大学 一种运动想象脑电通道选择方法和系统
CN117311516B (zh) * 2023-11-28 2024-02-20 北京师范大学 一种运动想象脑电通道选择方法和系统

Also Published As

Publication number Publication date
CN112155549B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN113627518B (zh) 利用迁移学习实现神经网络脑电情感识别模型的方法
CN112155549B (zh) 基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统
Fu’adah et al. Automated classification of Alzheimer’s disease based on MRI image processing using convolutional neural network (CNN) with AlexNet architecture
Hazarika et al. An experimental analysis of different deep learning based models for Alzheimer’s disease classification using brain magnetic resonance images
CN112990008B (zh) 基于三维特征图和卷积神经网络的情绪识别方法及系统
Kumar et al. OPTICAL+: a frequency-based deep learning scheme for recognizing brain wave signals
Zaabi et al. Alzheimer's disease detection using convolutional neural networks and transfer learning based methods
CN109730678A (zh) 一种多层大脑功能网络模块划分方法
Hou et al. Deep feature pyramid network for EEG emotion recognition
Deepthi et al. An intelligent Alzheimer’s disease prediction using convolutional neural network (CNN)
CN114595715B (zh) 一种基于多时间尺度的孤独症功能磁共振信号分类方法
Nie et al. Recsleepnet: An automatic sleep staging model based on feature reconstruction
CN114431878A (zh) 一种基于多尺度注意力残差网络的脑电睡眠分期方法
CN116522106A (zh) 一种基于迁移学习并行多尺度滤波器组时域卷积的运动想象脑电信号分类方法
Esfahani et al. Application of NSGA-II in channel selection of motor imagery EEG signals with common spatio-spectral patterns in BCI systems
Guntari et al. Classification of post-stroke EEG signal using genetic algorithm and recurrent neural networks
Avşar et al. Classifying Alzheimer's disease based on a convolutional neural network with MRI images
Budhraja et al. Sleep stage classification using neucube on spinnaker: a preliminary study
CN112450885A (zh) 一种面向癫痫脑电的识别方法
CN115736840A (zh) 一种基于心电数据的睡眠质量识别分类方法
Noble-Nnakenyi et al. Predicting Epileptic Seizures using Ensemble Method
Mehmood et al. Alzr-Net: A Novel Approach to Detect Alzheimer Disease
CN116595455B (zh) 基于时空频特征提取的运动想象脑电信号分类方法及系统
Júnior et al. Classification of coma etiology using convolutional neural networks and long-short term memory networks
Donmez et al. Classification of Emotional States from Multi-channel EEG Signals by Convolutional Neural Networks

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