CN113317804A - 一种康复效率预测方法、及其训练装置和计算机设备 - Google Patents
一种康复效率预测方法、及其训练装置和计算机设备 Download PDFInfo
- Publication number
- CN113317804A CN113317804A CN202110593146.1A CN202110593146A CN113317804A CN 113317804 A CN113317804 A CN 113317804A CN 202110593146 A CN202110593146 A CN 202110593146A CN 113317804 A CN113317804 A CN 113317804A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- time
- frequency domain
- matrix
- signals
- 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
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
- A61B5/24—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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- 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]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Rehabilitation Tools (AREA)
Abstract
本申请涉及一种康复效率预测方法、及其训练装置和计算机设备。该方法包括:获取脑电采集设备采集的多个训练数据集合,训练数据集合中包括多组训练数据;对从每组训练数据中提取出脑电信号进行时频域转换,得到脑电时频域信号;将所属同一检测对象的多个脑电时频域信号进行融合处理,得到脑电时频域平均信号;基于得到的各项脑电时频域平均信号,构建脑电信号矩阵;基于脑电信号矩阵进行功率谱密度的提取,得到脑功率谱密度矩阵,根据脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵;将脑功率谱密度矩阵和脑连接性相关矩阵分别输入至待训练的康复效率预测模型进行模型训练,并在停止训练时,输出训练好的康复效率预测模型。
Description
技术领域
本申请涉及康复效率预测技术领域,特别是涉及一种康复效率预测方法、及其训练装置和计算机设备。
背景技术
康复效率预测可以认为是对身患“脑卒中”等疾病患者的康复效率预测,其中,“脑卒中”又称“中风”、“脑血管意外”。是一种急性脑血管疾病,是由于脑部血管突然破裂或因血管堵塞导致血液不能流入大脑而引起脑组织损伤的疾病,包括缺血性和出血性卒中。不同类型的脑卒中,其康复治疗方式均有所不同,针对入院的检测对象,需要依据不同检测对象的个性化检查信息,才能更高效准确的选择合适的康复治疗方案。
目前已研发出相应的康复效率预测模型,该模型能够根据用户的基本数据,进行相关的病历搜寻,并在搜寻的基础上进行相关病历情况的匹配,在最为类似的情况下,进行相关的康复几率的统计。然而,现有的康复效率模型是通过人工对大量病历及检查结果进行评估,以对检测对象的康复效率进行预测,其并不能真实反映检测对象的真实患病情况,存在预测准确度低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高康复效率预测模型的训练效率的康复效率预测方法、及其训练装置和计算机设备。
一种康复效率预测方法,所述方法包括:
获取脑电采集设备采集到的多个训练数据集合,其中,每个训练数据集合对应一位检测对象,每个所述训练数据集合中包括多组训练数据,每组训练数据分别包括有检测对象在进行单次运动想像训练时产生的脑电数据;
分别从每组训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号;
将所属同一检测对象的多个脑电时频域信号进行融合处理,得到相应的脑电时频域平均信号;
基于各个检测对象分别对应的脑电时频域平均信号,构建脑电信号矩阵;
基于所述脑电信号矩阵进行功率谱密度的提取,得到相应的脑功率谱密度矩阵,以及根据所述脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵;
将所述脑功率谱密度矩阵和脑连接性相关矩阵作为样本数据,分别输入至待训练的康复效率预测模型,由所述待训练的康复效率预测模型对所述样本数据进行处理,得到相应的康复效率预测值;
根据所述康复效率预测值和所述样本数据对应的康复效率实际值之间的差异,调整待训练的康复效率预测模型的模型参数,直至达到训练停止条件时停止训练,得到训练好的康复效率预测模型;所述训练好的康复效率预测模型用于对目标检测对象的待处理训练数据集合进行处理,以对所述目标检测对象的康复效率进行预测。
一种应用与上述康复效率预测方法的训练装置,所述装置包括:
获取模块,用于获取脑电采集设备采集到的多个训练数据集合,其中,每个训练数据集合对应一位检测对象,每个所述训练数据集合中包括多组训练数据,每组训练数据分别包括有检测对象在进行单次运动想像训练时产生的脑电数据;
提取模块,用于分别从每组训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号;
融合模块,用于将所属同一检测对象的脑电时频域信号进行融合处理,得到相应的脑电时频域平均信号;
第一构建模块,用于基于各个检测对象分别对应的脑电时频域平均信号,构建脑电信号矩阵;
第二构建模块,用于基于所述脑电信号矩阵进行功率谱密度的提取,得到相应的脑功率谱密度矩阵,以及根据所述脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵;
预处理模块,用于将所述脑功率谱密度矩阵和脑连接性相关矩阵作为样本数据,分别输入至待训练的康复效率预测模型,由所述待训练的康复效率预测模型对所述样本数据进行处理,得到相应的康复效率预测值;
训练模块,用于根据所述康复效率预测值和所述样本数据对应的康复效率实际值之间的差异,调整待训练的康复效率预测模型的模型参数,直至达到训练停止条件时停止训练,得到训练好的康复效率预测模型;所述训练好的康复效率预测模型用于对目标检测对象的待处理训练数据集合进行处理,以对所述目标检测对象的康复效率进行预测。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取脑电采集设备采集到的多个训练数据集合,其中,每个训练数据集合对应一位检测对象,每个所述训练数据集合中包括多组训练数据,每组训练数据分别包括有检测对象在进行单次运动想像训练时产生的脑电数据;
分别从每组训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号;
将所属同一检测对象的多个脑电时频域信号进行融合处理,得到相应的脑电时频域平均信号;
基于各个检测对象分别对应的脑电时频域平均信号,构建脑电信号矩阵;
基于所述脑电信号矩阵进行功率谱密度的提取,得到相应的脑功率谱密度矩阵,以及根据所述脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵;
将所述脑功率谱密度矩阵和脑连接性相关矩阵作为样本数据,分别输入至待训练的康复效率预测模型,由所述待训练的康复效率预测模型对所述样本数据进行处理,得到相应的康复效率预测值;
根据所述康复效率预测值和所述样本数据对应的康复效率实际值之间的差异,调整待训练的康复效率预测模型的模型参数,直至达到训练停止条件时停止训练,得到训练好的康复效率预测模型;所述训练好的康复效率预测模型用于对目标检测对象的待处理训练数据集合进行处理,以对所述目标检测对象的康复效率进行预测。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取脑电采集设备采集到的多个训练数据集合,其中,每个训练数据集合对应一位检测对象,每个所述训练数据集合中包括多组训练数据,每组训练数据分别包括有检测对象在进行单次运动想像训练时产生的脑电数据;
分别从每组训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号;
将所属同一检测对象的多个脑电时频域信号进行融合处理,得到相应的脑电时频域平均信号;
基于各个检测对象分别对应的脑电时频域平均信号,构建脑电信号矩阵;
基于所述脑电信号矩阵进行功率谱密度的提取,得到相应的脑功率谱密度矩阵,以及根据所述脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵;
将所述脑功率谱密度矩阵和脑连接性相关矩阵作为样本数据,分别输入至待训练的康复效率预测模型,由所述待训练的康复效率预测模型对所述样本数据进行处理,得到相应的康复效率预测值;
根据所述康复效率预测值和所述样本数据对应的康复效率实际值之间的差异,调整待训练的康复效率预测模型的模型参数,直至达到训练停止条件时停止训练,得到训练好的康复效率预测模型;所述训练好的康复效率预测模型用于对目标检测对象的待处理训练数据集合进行处理,以对所述目标检测对象的康复效率进行预测。
上述康复效率预测方法、及其训练装置和计算机设备,根据检测对象自身在运动想象训练中生成的脑电数据,进行脑功率谱密度矩阵和脑连接性相关矩阵的提取,并基于提取到的脑功率谱密度矩阵和脑连接性相关矩阵进行康复效率预测模型的训练,在无需通过人工基于大量病历及检查结果进行康复效率评估的情况下,该方法能够提高康复效率预测模型的训练效率,提高数据的预测准确度。通过对所属同一检测对象的多个脑电时频域信号进行融合处理,也可以消除检测对象在每次运动想象训练时产生的误差,进一步的提高康复效率的预测准确度。
附图说明
图1为一个实施例中康复效率预测方法的应用环境图;
图2为一个实施例中康复效率预测方法的流程示意图;
图3为康复效率预测模型的内部结构图;
图4为一个实施例中康复效率预测模型的训练步骤示意图;
图5为另一个实施例中执行输入样本数据的操作命令示意图;
图6为一个实施例中应用与康复效率预测方法的训练装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的康复效率预测方法,可以应用于如图1所示的应用环境中。其中,脑电采集设备102通过网络与计算机设备104进行通信。在进行康复效率预测模型的时候,首先,由计算机设备104获取脑电采集设备采集到的多个训练数据集合。接着,再由计算机设备104分别从各训练数据集合中包括的训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号。接着,再由计算机设备104将所属同一检测对象的多个脑电时频域信号进行融合处理,得到相应的脑电时频域平均信号。接着,再由计算机设备104基于各个检测对象分别对应的脑电时频域平均信号,构建脑电信号矩阵。接着,再由计算机设备104基于脑电信号矩阵进行功率谱密度的提取,得到相应的脑功率谱密度矩阵,以及根据脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵。接着,再由计算机设备104将脑功率谱密度矩阵和脑连接性相关矩阵作为样本数据,分别输入至待训练的康复效率预测模型,由待训练的康复效率预测模型对样本数据进行处理,得到相应的康复效率预测值。最后,再由计算机设备104根据康复效率预测值和样本数据对应的康复效率实际值之间的差异,调整待训练的康复效率预测模型的模型参数,直至达到训练停止条件时停止训练,得到训练好的康复效率预测模型;训练好的康复效率预测模型用于对目标检测对象的待处理训练数据集合进行处理,以对目标检测对象的康复效率进行预测。
需要说明的是,计算机设备104可以为终端或者服务器,其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种康复效率预测方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤S202,获取脑电采集设备采集到的多个训练数据集合,其中,每个训练数据集合对应一位检测对象,每个训练数据集合中包括多组训练数据,每组训练数据分别包括有检测对象在进行单次运动想像训练时产生的脑电数据。
其中,脑电采集设备是一种应用于生物学领域的医学科研仪器,其可以为一种可穿戴设备,通常穿戴在检测对象的头部(具体可参考图1)。示例性的,在通过脑电采集设备进行脑电数据采集的时候,具体是对检测对象身处运行想像训练环境中,生成的脑电数据进行采集,另外,在脑电采集设备中设有蓝牙装置时,将通过蓝牙装置实时传输脑电数据到计算机设备。当计算机设备通过蓝牙装置接收到脑电数据之后,再对获取到的脑电数据进行解析。当然,计算机设备也可以采用其他传输设备进行脑电数据传输,比如无线传感器等,本申请实施例对此不做限定。
具体地,由计算机设备获取脑电采集设备采集各位检测对象在进行多次运行想像训练时同步产生的脑电数据。需要说明的是,脑电数据中包含了大量的生理与疾病信息,在临床医学方面,脑电数据处理不仅可为某些脑疾病提供诊断依据,而且还可以为某些脑疾病(例如脑卒中)提供有效的治疗手段。
在其中一个实施例中,针对选定的X位检测对象,将分别对每位检测对象进行x组的运动想像训练,且,在训练过程时,将由计算机设备同步对脑电采集设备采集到x组训练数据进行获取。其中,x大于0且小于等于X。
上述实施例中,基于检测对象在运动想像训练过程中同步生成的脑电数据,能够为康复效率的预测提供判断依据,提高预测准确度。
步骤S204,分别从每组训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号。
具体地,分别从每组训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号,包括:分别从每组训练数据中提取出多个导联的脑电信号,并分别对各多个导联的脑电信号进行高低通滤波处理和独立成分分析,得到相应的预处理信号;将处理得到的各个预处理信号分别从时域转换到时频域,得到相应的脑电时频域信号。
在其中一个实施例中,针对选定的X位检测对象,且对每位检测对象均进行了x组运动想像训练。当计算机设备同步获取到对应某一检测对象的x组训练数据时,将从获取到的x组训练数据中提取出N个导联、且训练时长为n的脑电信号,需要说的是,在计算机设备获取到对应其他检测对象的x组训练数据时,同样也是采用上述的提取方式,进行脑电信号的提取。另外,在一个实施例中,当利用计算机设备将提取到的脑电信号从时域转换到时频域时,可以选择采用小波运算方法进行时频域的转换。其中,小波运算是时间(空间)频率的局部化分析,它通过伸缩平移运算对信号逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节。当然,计算机设备也可以采用其他方法将提取到的脑电信号从时域转换到时频域,比如短时傅立叶变换方法等,本申请实施例对此不做限定。
步骤S206,将所属同一检测对象的多个脑电时频域信号进行融合处理,得到相应的脑电时频域平均信号。
具体地,由计算机设备将所属同一检测对象的多个脑电时频域信号进行叠加平均处理,以此得到相应的脑电时频域平均信号。需要说明的是,叠加平均处理可以理解为将待处理的多个参数进行叠加计算之后,再基于所得的叠加值进行平均值的求解。示例性的,在对一个4*4的矩阵进行叠加平均处理之后,则会将该矩阵转变为一个4*1的矩阵。当前实施例中,对所属同一检测对象的多个脑电时频域信号进行叠加平均处理,可以消除检测对象在每次运动想象训练时产生的误差。
在其中一个实施例中,还可以由计算机设备基于各检测对象分别对应的多个脑电时频域信号进行总体矩阵的构建。示例性的,假设有5位患者即X:5,每个检测对象做10次运动想像训练即x:10,然后,假定脑电采集设备是采用的是63导联即N:63,脑电采集设备采集的时间是1秒钟(1000Hz的采样频率)即n:1000,此时,第一位患者在第一次运动想像训练时产生的脑电数据维度即为63*1000,该数据在总体矩阵中的排列位置为(X:1,x:1)即该数据的排列位置在总体矩阵中的第一行第一列。第X位患者的第x次训练数据在总体矩阵中的排列位置可以按照上述的进行类推,本申请实施例对此不做过多说明。
上述实施例中,基于叠加平均处理对所属同一检测对象的多个脑电时频域信号进行融合处理,通过滤除影响后续预测准确度的目标脑电时频域信号,以此提高康复效率的预测准确度。
步骤S208,基于各个检测对象分别对应的脑电时频域平均信号,构建脑电信号矩阵。
需要说明的是,若是先前已经完成总体矩阵的构建,当前步骤中所需构建的脑电信号矩阵即为将总体矩阵中每行的元素,依照x方向进行融合处理之后,对应求得的融合后的脑电信号矩阵。
步骤S210,基于脑电信号矩阵进行功率谱密度的提取,得到相应的脑功率谱密度矩阵,以及根据脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵。
其中,脑电信号是一种非平稳的随机信号,一般而言随机信号的持续时间是无限长的,因此随机信号的总能量是无限的。不过,尽管随机信号的总能量是无限的,但其平均功率却是有限的,因此,在对随机信号的频域进行分析时,应从功率谱角度出发,以此完成对脑电信号频域特性的分析。另外,在实施该步骤的时候,可以采用随机过程的有限时间傅立叶变换来提取功率谱密度,或是采用平稳随机过程的谱分解来提取功率谱密度等,本申请对比不作限定。若需要在不同的波段上对脑电信号进行时频域转换处理,那么脑功率谱密度矩阵中各个元素也能够侧面反映对应的处理波段信息、信号导联信息和时域信息。
具体的,根据脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵,包括:将脑电信号矩阵中各项元素进行两两组合,并分别对每项元素组合进行导联相关性运算,得到相应的相关系数;基于所得的各项相关系数,进行脑连接性相关矩阵的构建。
在其中一个实施例中,由计算机设备将脑电信号矩阵中的各项元素以每两两为一对,针对每对组合元素,进行导联相关性运算,并得到相应的相关系数。需要说明的是,相关系数是研究变量之间线性相关程度的量。由于研究对象的不同,相关系数有如下几种定义方式:简单相关系数、复相关系数和典型相关系数。若需要在不同的波段上对脑电信号矩阵中的各项元素进行导联相关性运算,那么脑连接性相关矩阵的中各个元素也能够侧面反映对应的处理波段信息和导联相关性信息。
上述实施例中,从功率谱角度出发,对脑电信号频域特性进行分析,以及从导联相关性角度出发,对脑电信号矩阵中各项元素之间的导联相关性进行分析,有利于挖掘出脑功率谱密度、脑连接性与康复效率之间的关联性,在后续基于脑功率谱密度矩阵和脑连接性相关矩阵进行模型训练的时候,能够有效提高模型的训练效率,保证了康复效率的预测准确度。
步骤S212,将脑功率谱密度矩阵和脑连接性相关矩阵作为样本数据,分别输入至待训练的康复效率预测模型,由待训练的康复效率预测模型对样本数据进行处理,得到相应的康复效率预测值。
具体的,计算机设备可将脑功率谱密度矩阵和脑连接性相关矩阵,分别输入至待训练的康复效率预测模型中的两个输入通道,从而由待训练的康复效率预测模型中的两个通道各自进行处理,再基于两个通道的处理结果输出康复效率预测值。
在其中一个实施例中,对于本申请中公开的康复效率预测模型结构,请参考图3,该模型包括输入层,与该输入层连接的多层卷积池化层(卷积池化层由二维卷积层和二维最大池化层构成),以及与该多层卷积池化层连接的全连接网络、与该全连接网络连接的降维层、与该降维层连接的接合层、与该接合层连接的多层全连接层,以及与该多层全连接层连接的输出层。基于上述的模型分布结构,在将脑功率谱密度矩阵和脑连接性相关矩阵作为样本数据,分别输入到待训练的康复效率预测模型之后,将依次进行多维度维度的卷积、最大池化和全连接网络等操作,最后,通过输出层输出本次迭代训练对应产生的康复效率预测值。其中,在对康复效率预测模型进行训练的时候,计算机设备可以采用如图4所示的处理方式,在执行了如图4示意的操作命令之后,将基于步骤S210得到的脑功率谱密度矩阵和脑连接性相关矩阵,分别输入到待训练的康复效率预测模型中。
上述实施例中,基于康复效率预测模型处理得到的康复效率预测值,可给予医生技术帮助和心里预期,在一定程度上能够提高医生的治病效率,同时提升病人的康复可能性。
步骤S214,根据康复效率预测值和样本数据对应的康复效率实际值之间的差异,调整待训练的康复效率预测模型的模型参数,直至达到训练停止条件时停止训练,得到训练好的康复效率预测模型;训练好的康复效率预测模型用于对目标检测对象的待处理训练数据集合进行处理,以对目标检测对象的康复效率进行预测。
具体的,由计算机设备计算康复效率预测值和样本数据对应的康复效率实际值之间的差异,并在所得的比较差异值小于预设的差异阈值时,调整待训练的康复效率预测模型的模型参数,直至达到训练停止条件时停止训练,得到训练好的康复效率预测模型。其中,训练停止条件是停止训练的条件,具体可以是达到预设迭代次数、达到预设迭代时间或者训练得到的模型的预测性能达到预设指标等。
在其中一个实施例中,在康复效率预测值和样本数据对应的康复效率实际值之间的差异,小于预设的差异阈值时,计算机设备可以执行以下操作命令时,对待训练的康复效率预测模型进行前向和反向传递的迭代运算:
model.fit([X2[train],X1[train],Y[train]])。
上述实施例中,基于训练好的康复效率预测模型对目标检测对象的康复效率进行预测,得到的预测值能为康复医师提供康复效果判定参考,还能用于使用者康复训练的心理情感预期,提高患者的康复效率。
在一个实施例中,在将本申请中公开的技术方案应用在相应的医学场景时,检测对象具体可以是脑卒中患者,康复效率预测模型具体可以是康复预后模型,当前的应用场景下,该康复预后模型能够为康复医师提供康复效果分数判定参考,给予康复医师相应的心理预期,提高康复效率,实现精准医疗。康复效率具体可以反映患者的康复能力。
上述康复效率预测方法中,根据检测对象自身在运动想象训练中生成的脑电数据,进行脑功率谱密度矩阵和脑连接性相关矩阵的提取,并基于提取到的脑功率谱密度矩阵和脑连接性相关矩阵进行康复效率预测模型的训练,在无需通过人工基于大量病历及检查结果进行康复效率评估的情况下,该方法能够提高康复效率预测模型的训练效率,提高数据的预测准确度。通过对所属同一检测对象的多个脑电时频域信号进行融合处理,也可以消除检测对象在每次运动想象训练时产生的误差,进一步的提高康复效率的预测准确度。
在一个实施例中,将处理得到的各个预处理信号分别从时域转换到时频域,得到相应的脑电时频域信号,包括:
分别在不同的波段上对处理得到的各个预处理信号进行时频域转换处理,得到与各个波段分别对应的时频域信号;波段包括theta、alpha和beta波段中的至少一种,时频域转换处理包括小波运算;将在各波段上处理得到的时频域信号进行融合,并将融合得到的信号作为脑电时频域信号。
需要说明的是,脑电信号按照频谱的不同分为theta、alpha和beta波段。其中,alpha波段的频率分布为8-13HZ,其主要包含两个波段:一个波段为μ1(8-10HZ)和另一个波段为μ2(10-13HZ);其振幅约为20-100μV,在枕页及顶叶候补alpha波最显著。beta波段的频率分布在13-30HZ,其主要包含两个波段:一个波段为β1(13-20HZ),另一个波段为β2(20-30HZ);其振幅约为5-20μV,主要出现在额叶。theta波的频率在4-7HZ,其振幅约为100-150μV,在困倦时出现,是中枢神经系统抑制的表现。
在一个实施例中,在由待训练的康复效率预测模型对样本数据进行处理,得到相应的康复效率预测值步骤之前,该方法还包括:将脑功率谱密度矩阵和脑连接性相关矩阵,分别按照下述公式进行归一化处理,得到相应的归一化矩阵Xnew:
其中,X代入的脑功率谱密度矩阵或脑连接性相关矩阵,μ为代入的脑功率谱密度矩阵或脑连接性相关矩阵所对应的数据均值,σ为代入的脑功率谱密度矩阵或脑连接性相关矩阵所对应的数据标准差。
由待训练的康复效率预测模型对样本数据进行处理,得到相应的康复效率预测值,包括:将所得的各项归一化矩阵作为样本数据,由待训练的康复效率预测模型对当前输入的样本数据进行处理,以进行康复效率预测值的计算。
需要说明的是,一方面,上述公开的技术方案具体是通过零-均值规范化方式,对相应的脑功率谱密度矩阵和脑连接性相关矩阵进行归一化处理。其中,零-均值规范化也成为标准差标准化,经过上述方式处理的数据的均值为0,标准差为1。在机器学习领域中,由于不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,则需要进行数据的归一化处理,以解决数据指标之间的可比性。这样原始数据经过归一化处理后,各指标将处于同一数量级,为后续的综合对比评价提供了便利。当然,除了本申请中已经公开的归一化处理方式,也可以采用其他的方式进行归一化处理,例如最大最小标准化等方法,本申请实施例对比不作限定。
在一个实施例中,该方法还包括:获取目标检测对象在进行多次运动想像训练时产生的待处理训练数据集合;从待处理训练数据集合的每组训练数据中分别提取出多个导联的目标脑电信号,并将提取到的各个目标脑电信号分别从时域转换到时频域,得到相应的目标脑电时频域信号;将所属目标检测对象的多个目标脑电时频域信号进行融合处理,得到相应的目标脑电时频域平均信号,以及,基于目标脑电时频域平均信号进行目标脑电信号矩阵的构建;基于目标脑电信号矩阵进行功率谱密度的提取,得到相应的目标脑功率谱密度矩阵,以及根据目标脑电信号矩阵中各项元素之间的导联相关性,构建相应的目标脑连接性相关矩阵;将目标脑功率谱密度矩阵和目标脑连接性相关矩阵输入至训练好的康复效率预测模型中,通过训练好的康复效率预测模型对目标脑功率谱密度矩阵和目标脑连接性相关矩阵进行处理,以对目标检测对象的康复效率进行预测。
具体的,由计算机设备获取目标检测对象在进行多次运动想像训练时产生的待处理训练数据集合,并基于该待处理训练数据集合进行目标脑电信号矩阵的提取。基于功率谱密度法从目标脑电信号矩阵中提取出相应的目标脑功率谱密度矩阵,以及基于目标脑电信号矩阵中各项元素之间的导联相关性,构建目标脑连接性相关矩阵。根据脑功率谱密度、脑连接性与康复效率之间的关联性,由计算机设备将目标脑功率谱密度矩阵和目标脑连接性相关矩阵分别输入到训练好的康复效率预测模型中的两个输入通道中,由训练好的康复效率预测模型中的两个通道各自进行处理,再基于两个通道对应的处理结果,输出目标检测对象的康复效率预测值。
在其中一个实施例中,当目标脑功率谱密度矩阵和目标脑连接性相关矩阵输入至训练好的康复效率预测模型时,将通过训练好的康复效率预测模型对当前输入的样本数据进行多维度维度的卷积、最大池化和全连接网络等操作,最终再由计算机设备对得到的预测结果进行展示时,其展示方式可以为:
predict:8023.93 label 8.196721311
其中,predict为当前预测到的目标检测对象的康复效率,label为文本标签即显示在输入控件旁边的说明性文字。
上述实施例中,基于训练好的康复效率预测模型对目标检测对象的康复效率进行预测,得到的预测结果可给予医生技术帮助和心里预期,在一定程度上能够提高医生的治病效率,同时提升病人的康复可能性。
在一个实施例中,如图5所示,对康复效率预测模型的训练具体可参考以下步骤:
(1)通过脑电采集设备采集X位检测对象在运动想象训练中分别产生的x组训练数据,从所得的各项x组训练数据中提取出N个导联、且时长为n的脑电信号,将提取到的多组N个导联的脑电信号分别进行预处理,并对预处理后的数据进行小波变换,得到N×n组的时频域信号,其中,N为正整数,n为训练时长。最后,将得到的N×n组的时频域信号放入X×x的总体矩阵中。其中,X、x为正整数;
(2)对放入N×n组的时频域信号的总体矩阵依照x方向进行叠加平均处理,得到平均后的脑电信号矩阵。
(3)从步骤(2)中得到的平均后的脑电信号矩阵中提取出功率谱,取得相应的脑功率谱密度矩阵。
(4)通过相关系数运算计算步骤(2)中求得的平均后的脑电信号矩阵,并取得脑连接性矩阵。
(5)对上述脑功率谱密度矩阵和脑连接性相关矩阵进行归一化处理。
(6)将归一化处理后的两个特征矩阵分别放入待训练的康复效率预测模型中进行前向和反向传递的迭代运算,最终取得一个高效预测康复能力的康复预后模型。
上述实施例中,能够根据检测对象自身在运动想象训练过程中生成的脑电数据,进行康复能力预测,进而得知患者是否适合此康复手段,同时康复能力预测值能够给予康复医生技术帮助和心里预期,在一定程度上提高医生的治病效率,同时提升患者的康复可能性。上述实施例能够精准高效的对患者的康复能力进行预测,且易于实用。同时本申请中的预测效果对比目前的现有技术有着显著提升。从现有技术的分类问题上升至更困难的回归问题,实现精准医疗。
应该理解的是,虽然图2和图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2和图5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种应用与康复效率预测方法的训练装置,包括:获取模块601、提取模块602、融合模块603、第一构建模块604、第二构建模块605、预处理模块606和训练模块607,其中:
获取模块601,用于获取脑电采集设备采集到的多个训练数据集合,其中,每个训练数据集合对应一位检测对象,每个训练数据集合中包括多组训练数据,每组训练数据分别包括有检测对象在进行单次运动想像训练时产生的脑电数据。
提取模块602,用于分别从每组训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号。
融合模块603,用于将所属同一检测对象的脑电时频域信号进行融合处理,得到相应的脑电时频域平均信号。
第一构建模块604,用于基于各个检测对象分别对应的脑电时频域平均信号,构建脑电信号矩阵。
第二构建模块605,用于基于脑电信号矩阵进行功率谱密度的提取,得到相应的脑功率谱密度矩阵,以及根据脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵。
预处理模块606,用于将脑功率谱密度矩阵和脑连接性相关矩阵作为样本数据,分别输入至待训练的康复效率预测模型,由待训练的康复效率预测模型对样本数据进行处理,得到相应的康复效率预测值。
训练模块607,用于根据康复效率预测值和样本数据对应的康复效率实际值之间的差异,调整待训练的康复效率预测模型的模型参数,直至达到训练停止条件时停止训练,得到训练好的康复效率预测模型;训练好的康复效率预测模型用于对目标检测对象的待处理训练数据集合进行处理,以对目标检测对象的康复效率进行预测。
在一个实施例中,提取模块602还用于分别从每组训练数据中提取出多个导联的脑电信号,并分别对各多个导联的脑电信号进行高低通滤波处理和独立成分分析,得到相应的预处理信号;将处理得到的各个预处理信号分别从时域转换到时频域,得到相应的脑电时频域信号。
在一个实施例中,提取模块602还用于分别在不同的波段上对处理得到的各个预处理信号进行时频域转换处理,得到与各个波段分别对应的时频域信号;波段包括theta、alpha和beta波段中的至少一种,时频域转换处理包括小波运算;将在各波段上处理得到的时频域信号进行融合,并将融合得到的信号作为脑电时频域信号。
在一个实施例中,第二构建模块605还用于将脑电信号矩阵中各项元素进行两两组合,并分别对每项元素组合进行导联相关性运算,得到相应的相关系数;基于所得的各项相关系数,进行脑连接性相关矩阵的构建。
在一个实施例中,预处理模块606还用于将脑功率谱密度矩阵和脑连接性相关矩阵,分别按照下述公式进行归一化处理,得到相应的归一化矩阵Xnew:
其中,X代入的脑功率谱密度矩阵或脑连接性相关矩阵,μ为代入的脑功率谱密度矩阵或脑连接性相关矩阵所对应的数据均值,σ为代入的脑功率谱密度矩阵或脑连接性相关矩阵所对应的数据标准差。其中,预处理模块606还用于将所得的各项归一化矩阵作为样本数据,由待训练的康复效率预测模型对当前输入的样本数据进行处理,以进行康复效率预测值的计算。
在一个实施例中,该装置还包括预测模块,其中:
预测模块,用于获取目标检测对象在进行多次运动想像训练时产生的待处理训练数据集合;从待处理训练数据集合的每组训练数据中分别提取出多个导联的目标脑电信号,并将提取到的各个目标脑电信号分别从时域转换到时频域,得到相应的目标脑电时频域信号;将所属目标检测对象的多个目标脑电时频域信号进行融合处理,得到相应的目标脑电时频域平均信号,以及,基于目标脑电时频域平均信号进行目标脑电信号矩阵的构建;基于目标脑电信号矩阵进行功率谱密度的提取,得到相应的目标脑功率谱密度矩阵,以及根据目标脑电信号矩阵中各项元素之间的导联相关性,构建相应的目标脑连接性相关矩阵;将目标脑功率谱密度矩阵和目标脑连接性相关矩阵输入至训练好的康复效率预测模型中,通过训练好的康复效率预测模型对目标脑功率谱密度矩阵和目标脑连接性相关矩阵进行处理,以对目标检测对象的康复效率进行预测。
上述训练装置,根据检测对象自身在运动想象训练中生成的脑电数据,进行脑功率谱密度矩阵和脑连接性相关矩阵的提取,并基于提取到的脑功率谱密度矩阵和脑连接性相关矩阵进行康复效率预测模型的训练,在无需通过人工基于大量病历及检查结果进行康复效率评估的情况下,该方法能够提高康复效率预测模型的训练效率,提高数据的预测准确度。通过对所属同一检测对象的多个脑电时频域信号进行融合处理,也可以消除检测对象在每次运动想象训练时产生的误差,进一步的提高康复效率的预测准确度。
关于上述训练装置的具体限定可以参见上文中对于康复效率预测方法的限定,在此不再赘述。上述训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端或服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和通信接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种康复效率预测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取脑电采集设备采集到的多个训练数据集合,其中,每个训练数据集合对应一位检测对象,每个训练数据集合中包括多组训练数据,每组训练数据分别包括有检测对象在进行单次运动想像训练时产生的脑电数据;分别从每组训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号;将所属同一检测对象的多个脑电时频域信号进行融合处理,得到相应的脑电时频域平均信号;基于各个检测对象分别对应的脑电时频域平均信号,构建脑电信号矩阵;基于脑电信号矩阵进行功率谱密度的提取,得到相应的脑功率谱密度矩阵,以及根据脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵;将脑功率谱密度矩阵和脑连接性相关矩阵作为样本数据,分别输入至待训练的康复效率预测模型,由待训练的康复效率预测模型对样本数据进行处理,得到相应的康复效率预测值;根据康复效率预测值和样本数据对应的康复效率实际值之间的差异,调整待训练的康复效率预测模型的模型参数,直至达到训练停止条件时停止训练,得到训练好的康复效率预测模型;训练好的康复效率预测模型用于对目标检测对象的待处理训练数据集合进行处理,以对目标检测对象的康复效率进行预测。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别从每组训练数据中提取出多个导联的脑电信号,并分别对各多个导联的脑电信号进行高低通滤波处理和独立成分分析,得到相应的预处理信号;将处理得到的各个预处理信号分别从时域转换到时频域,得到相应的脑电时频域信号。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别在不同的波段上对处理得到的各个预处理信号进行时频域转换处理,得到与各个波段分别对应的时频域信号;波段包括theta、alpha和beta波段中的至少一种,时频域转换处理包括小波运算;将在各波段上处理得到的时频域信号进行融合,并将融合得到的信号作为脑电时频域信号。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将脑电信号矩阵中各项元素进行两两组合,并分别对每项元素组合进行导联相关性运算,得到相应的相关系数;基于所得的各项相关系数,进行脑连接性相关矩阵的构建。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将脑功率谱密度矩阵和脑连接性相关矩阵,分别按照下述公式进行归一化处理,得到相应的归一化矩阵Xnew:
其中,X代入的脑功率谱密度矩阵或脑连接性相关矩阵,μ为代入的脑功率谱密度矩阵或脑连接性相关矩阵所对应的数据均值,σ为代入的脑功率谱密度矩阵或脑连接性相关矩阵所对应的数据标准差。以及,将所得的各项归一化矩阵作为样本数据,由待训练的康复效率预测模型对当前输入的样本数据进行处理,以进行康复效率预测值的计算。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取目标检测对象在进行多次运动想像训练时产生的待处理训练数据集合;从待处理训练数据集合的每组训练数据中分别提取出多个导联的目标脑电信号,并将提取到的各个目标脑电信号分别从时域转换到时频域,得到相应的目标脑电时频域信号;将所属目标检测对象的多个目标脑电时频域信号进行融合处理,得到相应的目标脑电时频域平均信号,以及,基于目标脑电时频域平均信号进行目标脑电信号矩阵的构建;基于目标脑电信号矩阵进行功率谱密度的提取,得到相应的目标脑功率谱密度矩阵,以及根据目标脑电信号矩阵中各项元素之间的导联相关性,构建相应的目标脑连接性相关矩阵;将目标脑功率谱密度矩阵和目标脑连接性相关矩阵输入至训练好的康复效率预测模型中,通过训练好的康复效率预测模型对目标脑功率谱密度矩阵和目标脑连接性相关矩阵进行处理,以对目标检测对象的康复效率进行预测。
上述计算机设备,根据检测对象自身在运动想象训练中生成的脑电数据,进行脑功率谱密度矩阵和脑连接性相关矩阵的提取,并基于提取到的脑功率谱密度矩阵和脑连接性相关矩阵进行康复效率预测模型的训练,在无需通过人工基于大量病历及检查结果进行康复效率评估的情况下,该方法能够提高康复效率预测模型的训练效率,提高数据的预测准确度。通过对所属同一检测对象的多个脑电时频域信号进行融合处理,也可以消除检测对象在每次运动想象训练时产生的误差,进一步的提高康复效率的预测准确度。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取脑电采集设备采集到的多个训练数据集合,其中,每个训练数据集合对应一位检测对象,每个训练数据集合中包括多组训练数据,每组训练数据分别包括有检测对象在进行单次运动想像训练时产生的脑电数据;分别从每组训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号;将所属同一检测对象的多个脑电时频域信号进行融合处理,得到相应的脑电时频域平均信号;基于各个检测对象分别对应的脑电时频域平均信号,构建脑电信号矩阵;基于脑电信号矩阵进行功率谱密度的提取,得到相应的脑功率谱密度矩阵,以及根据脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵;将脑功率谱密度矩阵和脑连接性相关矩阵作为样本数据,分别输入至待训练的康复效率预测模型,由待训练的康复效率预测模型对样本数据进行处理,得到相应的康复效率预测值;根据康复效率预测值和样本数据对应的康复效率实际值之间的差异,调整待训练的康复效率预测模型的模型参数,直至达到训练停止条件时停止训练,得到训练好的康复效率预测模型;训练好的康复效率预测模型用于对目标检测对象的待处理训练数据集合进行处理,以对目标检测对象的康复效率进行预测。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分别从每组训练数据中提取出多个导联的脑电信号,并分别对各多个导联的脑电信号进行高低通滤波处理和独立成分分析,得到相应的预处理信号;将处理得到的各个预处理信号分别从时域转换到时频域,得到相应的脑电时频域信号。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分别在不同的波段上对处理得到的各个预处理信号进行时频域转换处理,得到与各个波段分别对应的时频域信号;波段包括theta、alpha和beta波段中的至少一种,时频域转换处理包括小波运算;将在各波段上处理得到的时频域信号进行融合,并将融合得到的信号作为脑电时频域信号。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将脑电信号矩阵中各项元素进行两两组合,并分别对每项元素组合进行导联相关性运算,得到相应的相关系数;基于所得的各项相关系数,进行脑连接性相关矩阵的构建。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将脑功率谱密度矩阵和脑连接性相关矩阵,分别按照下述公式进行归一化处理,得到相应的归一化矩阵Xnew:
其中,X代入的脑功率谱密度矩阵或脑连接性相关矩阵,μ为代入的脑功率谱密度矩阵或脑连接性相关矩阵所对应的数据均值,σ为代入的脑功率谱密度矩阵或脑连接性相关矩阵所对应的数据标准差。以及,将所得的各项归一化矩阵作为样本数据,由待训练的康复效率预测模型对当前输入的样本数据进行处理,以进行康复效率预测值的计算。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取目标检测对象在进行多次运动想像训练时产生的待处理训练数据集合;从待处理训练数据集合的每组训练数据中分别提取出多个导联的目标脑电信号,并将提取到的各个目标脑电信号分别从时域转换到时频域,得到相应的目标脑电时频域信号;将所属目标检测对象的多个目标脑电时频域信号进行融合处理,得到相应的目标脑电时频域平均信号,以及,基于目标脑电时频域平均信号进行目标脑电信号矩阵的构建;基于目标脑电信号矩阵进行功率谱密度的提取,得到相应的目标脑功率谱密度矩阵,以及根据目标脑电信号矩阵中各项元素之间的导联相关性,构建相应的目标脑连接性相关矩阵;将目标脑功率谱密度矩阵和目标脑连接性相关矩阵输入至训练好的康复效率预测模型中,通过训练好的康复效率预测模型对目标脑功率谱密度矩阵和目标脑连接性相关矩阵进行处理,以对目标检测对象的康复效率进行预测。
上述存储介质,根据检测对象自身在运动想象训练中生成的脑电数据,进行脑功率谱密度矩阵和脑连接性相关矩阵的提取,并基于提取到的脑功率谱密度矩阵和脑连接性相关矩阵进行康复效率预测模型的训练,在无需通过人工基于大量病历及检查结果进行康复效率评估的情况下,该方法能够提高康复效率预测模型的训练效率,提高数据的预测准确度。通过对所属同一检测对象的多个脑电时频域信号进行融合处理,也可以消除检测对象在每次运动想象训练时产生的误差,进一步的提高康复效率的预测准确度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种康复效率预测方法,其特征在于,所述方法包括:
获取脑电采集设备采集到的多个训练数据集合,其中,每个训练数据集合对应一位检测对象,每个所述训练数据集合中包括多组训练数据,每组训练数据分别包括有检测对象在进行单次运动想像训练时产生的脑电数据;
分别从每组训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号;
将所属同一检测对象的多个脑电时频域信号进行融合处理,得到相应的脑电时频域平均信号;
基于各个检测对象分别对应的脑电时频域平均信号,构建脑电信号矩阵;
基于所述脑电信号矩阵进行功率谱密度的提取,得到相应的脑功率谱密度矩阵,以及根据所述脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵;
将所述脑功率谱密度矩阵和脑连接性相关矩阵作为样本数据,分别输入至待训练的康复效率预测模型,由所述待训练的康复效率预测模型对所述样本数据进行处理,得到相应的康复效率预测值;
根据所述康复效率预测值和所述样本数据对应的康复效率实际值之间的差异,调整待训练的康复效率预测模型的模型参数,直至达到训练停止条件时停止训练,得到训练好的康复效率预测模型;所述训练好的康复效率预测模型用于对目标检测对象的待处理训练数据集合进行处理,以对所述目标检测对象的康复效率进行预测。
2.根据权利要求1所述的方法,其特征在于,所述分别从每组训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号,包括:
分别从每组训练数据中提取出多个导联的脑电信号,并分别对各所述多个导联的脑电信号进行高低通滤波处理和独立成分分析,得到相应的预处理信号;
将处理得到的各个预处理信号分别从时域转换到时频域,得到相应的脑电时频域信号。
3.根据权利要求2所述的方法,其特征在于,所述将处理得到的各个预处理信号分别从时域转换到时频域,得到相应的脑电时频域信号,包括:
分别在不同的波段上对处理得到的各个预处理信号进行时频域转换处理,得到与各个波段分别对应的时频域信号;所述波段包括theta、alpha和beta波段中的至少一种,所述时频域转换处理包括小波运算;
将在各波段上处理得到的时频域信号进行融合,并将融合得到的信号作为脑电时频域信号。
4.根据权利要求1所述的方法,其特征在于,所述根据所述脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵,包括:
将所述脑电信号矩阵中各项元素进行两两组合,并分别对每项元素组合进行导联相关性运算,得到相应的相关系数;
基于所得的各项相关系数,进行脑连接性相关矩阵的构建。
5.根据权利要求1所述的方法,其特征在于,在所述由所述待训练的康复效率预测模型对所述样本数据进行处理,得到相应的康复效率预测值步骤之前,所述方法还包括:
将所述脑功率谱密度矩阵和脑连接性相关矩阵,分别按照下述公式进行归一化处理,得到相应的归一化矩阵Xnew:
其中,X代入的脑功率谱密度矩阵或脑连接性相关矩阵,μ为代入的脑功率谱密度矩阵或脑连接性相关矩阵所对应的数据均值,σ为代入的脑功率谱密度矩阵或脑连接性相关矩阵所对应的数据标准差;
所述由所述待训练的康复效率预测模型对所述样本数据进行处理,得到相应的康复效率预测值,包括:
将所得的各项归一化矩阵作为样本数据,由所述待训练的康复效率预测模型对当前输入的样本数据进行处理,以进行康复效率预测值的计算。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标检测对象在进行多次运动想像训练时产生的待处理训练数据集合;
从所述待处理训练数据集合的每组训练数据中分别提取出多个导联的目标脑电信号,并将提取到的各个目标脑电信号分别从时域转换到时频域,得到相应的目标脑电时频域信号;
将所属目标检测对象的多个目标脑电时频域信号进行融合处理,得到相应的目标脑电时频域平均信号,以及,基于所述目标脑电时频域平均信号进行目标脑电信号矩阵的构建;
基于所述目标脑电信号矩阵进行功率谱密度的提取,得到相应的目标脑功率谱密度矩阵,以及根据所述目标脑电信号矩阵中各项元素之间的导联相关性,构建相应的目标脑连接性相关矩阵;
将所述目标脑功率谱密度矩阵和目标脑连接性相关矩阵输入至训练好的康复效率预测模型中,通过所述训练好的康复效率预测模型对所述目标脑功率谱密度矩阵和目标脑连接性相关矩阵进行处理,以对所述目标检测对象的康复效率进行预测。
7.一种应用于权利要求1-6中任一项所述的方法的训练装置,其特征在于,所述装置包括:
获取模块,用于获取脑电采集设备采集到的多个训练数据集合,其中,每个训练数据集合对应一位检测对象,每个所述训练数据集合中包括多组训练数据,每组训练数据分别包括有检测对象在进行单次运动想像训练时产生的脑电数据;
提取模块,用于分别从每组训练数据中提取出多个导联的脑电信号,并将提取到的各个脑电信号分别从时域转换到时频域,得到相应的脑电时频域信号;
融合模块,用于将所属同一检测对象的脑电时频域信号进行融合处理,得到相应的脑电时频域平均信号;
第一构建模块,用于基于各个检测对象分别对应的脑电时频域平均信号,构建脑电信号矩阵;
第二构建模块,用于基于所述脑电信号矩阵进行功率谱密度的提取,得到相应的脑功率谱密度矩阵,以及根据所述脑电信号矩阵中各项元素之间的导联相关性,构建脑连接性相关矩阵;
预处理模块,用于将所述脑功率谱密度矩阵和脑连接性相关矩阵作为样本数据,分别输入至待训练的康复效率预测模型,由所述待训练的康复效率预测模型对所述样本数据进行处理,得到相应的康复效率预测值;
训练模块,用于根据所述康复效率预测值和所述样本数据对应的康复效率实际值之间的差异,调整待训练的康复效率预测模型的模型参数,直至达到训练停止条件时停止训练,得到训练好的康复效率预测模型;所述训练好的康复效率预测模型用于对目标检测对象的待处理训练数据集合进行处理,以对所述目标检测对象的康复效率进行预测。
8.根据权利要求7所述的装置,其特征在于,所述提取模块还用于分别在不同的波段上对处理得到的各个预处理信号进行时频域转换处理,得到与各个波段分别对应的时频域信号;所述波段包括theta、alpha和beta波段中的至少一种,所述时频域转换处理包括小波运算;将在各波段上处理得到的时频域信号进行融合,并将融合得到的信号作为脑电时频域信号。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110593146.1A CN113317804B (zh) | 2021-05-28 | 2021-05-28 | 一种康复效率预测方法、及其训练装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110593146.1A CN113317804B (zh) | 2021-05-28 | 2021-05-28 | 一种康复效率预测方法、及其训练装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113317804A true CN113317804A (zh) | 2021-08-31 |
CN113317804B CN113317804B (zh) | 2022-08-26 |
Family
ID=77422227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110593146.1A Active CN113317804B (zh) | 2021-05-28 | 2021-05-28 | 一种康复效率预测方法、及其训练装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113317804B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114392126A (zh) * | 2022-01-24 | 2022-04-26 | 佳木斯大学 | 一种残疾儿童手部配合训练系统 |
CN116058851A (zh) * | 2023-02-20 | 2023-05-05 | 之江实验室 | 脑电数据处理方法、装置、分析系统、电子装置和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190038148A1 (en) * | 2013-12-12 | 2019-02-07 | Alivecor, Inc. | Health with a mobile device |
RU2697230C1 (ru) * | 2018-11-19 | 2019-08-13 | федеральное государственное бюджетное учреждение "Национальный медицинский исследовательский центр имени В.А. Алмазова" Министерства здравоохранения Российской Федерации | Способ прогнозирования восстановления сознания у пациентов в вегетативном состоянии нетравматического генеза на основе анализа динамики фоновой биоэлектрической активности мозга после применения золпидема |
CN112088408A (zh) * | 2018-03-02 | 2020-12-15 | 日东电工株式会社 | 用于睡眠阶段检测的方法、计算设备和可穿戴设备 |
-
2021
- 2021-05-28 CN CN202110593146.1A patent/CN113317804B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190038148A1 (en) * | 2013-12-12 | 2019-02-07 | Alivecor, Inc. | Health with a mobile device |
CN112088408A (zh) * | 2018-03-02 | 2020-12-15 | 日东电工株式会社 | 用于睡眠阶段检测的方法、计算设备和可穿戴设备 |
RU2697230C1 (ru) * | 2018-11-19 | 2019-08-13 | федеральное государственное бюджетное учреждение "Национальный медицинский исследовательский центр имени В.А. Алмазова" Министерства здравоохранения Российской Федерации | Способ прогнозирования восстановления сознания у пациентов в вегетативном состоянии нетравматического генеза на основе анализа динамики фоновой биоэлектрической активности мозга после применения золпидема |
Non-Patent Citations (3)
Title |
---|
ANTONIO MARIA CHIARELLI ET AL.: "Electroencephalography-Derived Prognosis of Functional Recovery in Acute Stroke Through Machine Learning Approaches", 《 INTERNATIONAL JOURNAL OF NEURAL SYSTEMS》 * |
贾天宇 等: "基于个性化导联选择策略的脑机交互康复训练临床初步研究", 《清华大学学报(自然科学版)》 * |
闫铮: "基于脑电节律的脑网络研究及应用", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114392126A (zh) * | 2022-01-24 | 2022-04-26 | 佳木斯大学 | 一种残疾儿童手部配合训练系统 |
CN114392126B (zh) * | 2022-01-24 | 2023-09-22 | 佳木斯大学 | 一种残疾儿童手部配合训练系统 |
CN116058851A (zh) * | 2023-02-20 | 2023-05-05 | 之江实验室 | 脑电数据处理方法、装置、分析系统、电子装置和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113317804B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jahmunah et al. | Automated detection of schizophrenia using nonlinear signal processing methods | |
Ay et al. | Automated depression detection using deep representation and sequence learning with EEG signals | |
Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
Cai et al. | Study on feature selection methods for depression detection using three-electrode EEG data | |
Miao et al. | A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition | |
CN113317804B (zh) | 一种康复效率预测方法、及其训练装置和计算机设备 | |
Hassan et al. | Fusion of multivariate EEG signals for schizophrenia detection using CNN and machine learning techniques | |
Shaban | Automated screening of parkinson's disease using deep learning based electroencephalography | |
CN112370017B (zh) | 脑电信号分类模型的训练方法和装置、以及电子设备 | |
Shen et al. | Exploring the intrinsic features of EEG signals via empirical mode decomposition for depression recognition | |
Soni et al. | Graphical representation learning-based approach for automatic classification of electroencephalogram signals in depression | |
Li et al. | Spatio-temporal MLP network for seizure prediction using EEG signals | |
CN111631704B (zh) | 基于心电与脑电信息结合的糖尿病前期检测系统和方法 | |
Yao et al. | A feature-fused convolutional neural network for emotion recognition from multichannel EEG signals | |
Lu et al. | An epileptic seizure prediction method based on CBAM-3D CNN-LSTM model | |
Sui et al. | Hybrid convolutional neural network for localization of epileptic focus based on iEEG | |
Shyu et al. | Less parameterization inception-based end to end CNN model for EEG seizure detection | |
Wu et al. | C 2 SP-Net: joint compression and classification network for epilepsy seizure prediction | |
Bahador et al. | Deep learning-based classification of multichannel bio-signals using directedness transfer learning | |
Thai et al. | Toward an IoT-based expert system for heart disease diagnosis | |
Liu et al. | Automated Machine Learning for Epileptic Seizure Detection Based on EEG Signals. | |
Zhang et al. | The applied principles of EEG analysis methods in neuroscience and clinical neurology | |
Xu et al. | Eeg signal classification and feature extraction methods based on deep learning: A review | |
Kumar et al. | An evaluation of different fast fourier transform-transfer learning pipelines for the classification of wink-based EEG signals | |
CN110874879A (zh) | 基于语音识别的老人挂号方法、装置、设备及存储介质 |
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 |