CN114305423B - 一种基于神经元锋电位信号的抑郁状态指征确定装置 - Google Patents
一种基于神经元锋电位信号的抑郁状态指征确定装置 Download PDFInfo
- Publication number
- CN114305423B CN114305423B CN202210117439.7A CN202210117439A CN114305423B CN 114305423 B CN114305423 B CN 114305423B CN 202210117439 A CN202210117439 A CN 202210117439A CN 114305423 B CN114305423 B CN 114305423B
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- spike
- convolution
- network model
- 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
Links
Images
Landscapes
- 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神经元锋电位信号的抑郁状态指征确定方法,该方法包括分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据;将各锋电位通道信号数据转换为神经元发放速率数据,并基于神经元发放速率数据构建输入数据矩阵;建立双路卷积‑循环神经网络模型,并基于输入数据矩阵训练所述双路卷积‑循环神经网络模型;基于双路卷积‑循环神经网络模型对目标对象的当前锋电位通道信号数据进行计算,得到目标对象的当前抑郁状态指征数据。本发明实现了准确的为闭环脑机接口调控的抑郁治疗技术确定目标对象的当前抑郁状态指征,辅助对抑郁症的临床诊断、评估和治疗。
Description
技术领域
本申请涉及脑电数据分析技术领域,具体而言,涉及一种基于神经元锋电位信号的抑郁状态指征确定装置。
背景技术
据世界卫生组织统计,当前抑郁症患病人群在全球的数量持续增长。其中,10%-30%患者因传统治疗方式无效或者效果欠佳而发展成难治性抑郁症。目前,基于脑机接口的大脑闭环调控技术有望为难治性抑郁患者带来新的治疗手段,该技术的重要一环是基于脑信号的抑郁状态检测。脑电数据信号是携带大脑状态的信息载体,是进行大脑状态判断的重要工具。由于脑电数据通常是高纬度的复杂信号,通常需要通过脑电信号特征提取技术获取脑电信号中的有效信息。对于已经确认患有抑郁症的患者而言,其也并非是24小时一直处于抑郁状态之中,闭环脑机接口调控的抑郁治疗技术只有在抑郁症患者当前处于抑郁状态时才能够有很好的治疗效果,而目前并没有一种能够较为准确的为闭环脑机接口调控的抑郁治疗技术确定患者当前的抑郁状态指征的确定方法。
发明内容
为了解决上述问题,本申请实施例提供了一种基于神经元锋电位信号的抑郁状态指征确定装置。
第一方面,本申请实施例提供了一种基于神经元锋电位信号的抑郁状态指征确定方法,所述方法包括:
分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据;
将各所述锋电位通道信号数据转换为神经元发放速率数据,并基于所述神经元发放速率数据构建输入数据矩阵;
建立双路卷积-循环神经网络模型,并基于所述输入数据矩阵训练所述双路卷积-循环神经网络模型;
基于所述双路卷积-循环神经网络模型对所述目标对象的当前锋电位通道信号数据进行计算,得到所述目标对象的当前抑郁状态指征数据。
优选的,所述分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据之后,还包括:
将抑郁状态下的所述锋电位通道信号数据标记为负样本数据,将非抑郁状态下的所述锋电位通道信号数据标记为正样本数据。
优选的,所述将各所述锋电位通道信号数据转换为神经元发放速率数据,包括:
确定各所述锋电位通道信号数据对应的各锋电位通道;
分别统计每个所述锋电位通道在单位统计时长内所述锋电位通道信号数据出现的个数,得到神经元发放速率数据。
优选的,所述基于所述神经元发放速率数据构建输入数据矩阵,包括:
基于滑动时间窗口将所述神经元发放速率数据划分为多个连续时间片,整合各所述连续时间片,构建得到输入数据矩阵。
优选的,所述建立双路卷积-循环神经网络模型,包括:
构建多通道卷积-循环神经网络分支,所述多通道卷积-循环神经网络分支包括两组卷积-激活单元与一个单向循环神经网络;
构建跨通道卷积-循环神经网络分支,所述跨通道卷积-循环神经网络分支包括一组通道间卷积-激活单元与一个所述单向循环神经网络;
将所述多通道卷积-循环神经网络分支与所述跨通道卷积-循环神经网络分支的隐空间变量拼接,构建三层全连接网络,并在所述三层全连接网络中接入二分类激活层,得到双路卷积-循环神经网络模型,用以将模型分类结果转换为标签预测概率值。
优选的,所述基于所述输入数据矩阵训练所述双路卷积-循环神经网络模型,包括:
将所述输入数据矩阵划分为训练集矩阵与测试集矩阵;
将所述训练集矩阵训练所述双路卷积-循环神经网络模型,并将交叉熵作为所述双路卷积-循环神经网络模型的损失函数;
基于反向传播法最小化所述损失函数后,得到优化后的所述双路卷积-循环神经网络模型;
根据所述测试集矩阵验证所述双路卷积-循环神经网络模型。
优选的,所述方法还包括:
根据所述当前抑郁状态指征数据确定电刺激数值,并基于所述电刺激数值生成控制指令。
第二方面,本申请实施例提供了一种基于神经元锋电位信号的抑郁状态指征确定装置,所述装置包括:
获取模块,用于分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据;
转换模块,用于将各所述锋电位通道信号数据转换为神经元发放速率数据,并基于所述神经元发放速率数据构建输入数据矩阵;
建立模块,用于建立双路卷积-循环神经网络模型,并基于所述输入数据矩阵训练所述双路卷积-循环神经网络模型;
计算模块,用于基于所述双路卷积-循环神经网络模型对所述目标对象的当前锋电位通道信号数据进行计算,得到所述目标对象的当前抑郁状态指征数据。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在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第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
第四方面,本申请实施例提供了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如第一方面或第一方面的任意一种可能的实现方式提供的方法。
本发明的有益效果为:准确的为闭环脑机接口调控的抑郁治疗技术确定目标对象的当前抑郁状态指征,辅助对抑郁症的临床诊断、评估和治疗。能够通过本申请方法对应的抑郁症治疗机器判断需要进行干预的抑郁状态,进而当检测到抑郁状态发生时,通知机器进行刺激调控的治疗过程,达到抑郁症缓解和治疗的效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需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申请的一些实施例,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为本申请实施例提供的一种基于神经元锋电位信号的抑郁状态指征确定方法的流程示意图;
图2为本申请实施例提供的一种基于神经元锋电位信号的抑郁状态指征确定方法的原理示意图;
图3为本申请实施例提供的双路卷积-循环神经网络模型的构建原理示意图;
图4为本申请实施例提供的一种基于神经元锋电位信号的抑郁状态指征确定装置的结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其他示例中。
参见图1,图1是本申请实施例提供的一种基于神经元锋电位信号的抑郁状态指征确定方法的流程示意图。在本申请实施例中,所述方法包括:
S101、分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据。
本申请的执行主体可以是电脑终端的服务器。
在本申请实施例中,为了能够在实际情况中对目标对象的状态进行预测,将进行模型的构建,故服务器首先需要获取目标对象在抑郁状态下和非抑郁状态下的锋电位通道信号数据作为样本学习数据。
在一种可实施方式中,所述分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据之后,还包括:
将抑郁状态下的所述锋电位通道信号数据标记为负样本数据,将非抑郁状态下的所述锋电位通道信号数据标记为正样本数据。
在本申请实施例中,对于抑郁状态下所采集到的锋电位通道信号数据,将会标记作为负样本数据,而非抑郁状态下采集的锋电位通道信号数据,将会标记作为正样本数据。不同状态下的两段数据包含相同的多个峰电位(Spike)通道数据,每个锋电位通道信号数据记录了该通道电极捕获的锋电位发生时刻。
示例性的,锋电位信号采集自C57BL/6小鼠经抑郁造模得到抑郁小鼠模型。采用Plexon Inc公司设备记录原始脑电信号,原始信号包含16个通道,采样率为40KHz。将16根电极植入动物模型外侧缰核部位,一个原始信号通道可以分离出零至多个锋电位通道信号;锋电位通道信号使用Plexon Offline Sorter软件得到Spike Sort序列,并保存为.mat文件格式。小鼠注射短效抗抑郁药物,分别记录注射前10~15分钟与注射药物后240分钟小鼠的脑电数据,经预处理及专家标注方式筛选出注射药物前后的锋电位通道数据(选取两次记录信号均无明显噪声的通道,注射药物前为负样本数据,注射药物后为正样本数据,负样本数据时长500s,正样本数据时长600s)。
S102、将各所述锋电位通道信号数据转换为神经元发放速率数据,并基于所述神经元发放速率数据构建输入数据矩阵。
在本申请实施例中,如图2所示,为了能够构建出用于抑郁状态预测的模型,需要将锋电位通道信号数据进行处理,使其转换为神经元发放速率数据,并根据神经元发放速率数据构建出输入数据矩阵,最终以输入数据矩阵作为训练样本进行模型的训练。
在一种可实施方式中,所述将各所述锋电位通道信号数据转换为神经元发放速率数据,包括:
确定各所述锋电位通道信号数据对应的各锋电位通道;
分别统计每个所述锋电位通道在单位统计时长内所述锋电位通道信号数据出现的个数,得到神经元发放速率数据。
在本申请实施例中,设锋电位记录时长为T,单位统计时长为,则可将记录时长T均匀分成/>份。对于每个通道的锋电位信号,统计每个单位统计时长里锋电位信号出现的个数,将此通道的锋电位信号转化为神经元发放速率数据。具体的,T可以取500秒,/>可以取20毫秒,N可以取25000。
在一种可实施方式中,所述基于所述神经元发放速率数据构建输入数据矩阵,包括:
基于滑动时间窗口将所述神经元发放速率数据划分为多个连续时间片,整合各所述连续时间片,构建得到输入数据矩阵。
在本申请实施例中,负样本数据段记录时长为500秒,正样本数据段记录时长为600秒,取滑动时间窗长为5秒,步长为5秒,可分割出时间维度上互不相关的100个负样本时间片和120个正样本时间片。设每个正负样本时间片拥有10个锋电位通道,每个通道保存250个神经元发放速率数据,则上述220个时间片可组成一个220×10×250的三维输入矩阵,即输入数据矩阵。
S103、建立双路卷积-循环神经网络模型,并基于所述输入数据矩阵训练所述双路卷积-循环神经网络模型。
在本申请实施例中,服务器将建立双路卷积-循环神经网络模型,该网络中包含两路独立的卷积-循环神经网络分支,一个三层全连接网络。通过前述过程得到的输入数据矩阵对双路卷积-循环神经网络模型进行训练后,便能够基于该模型进行实际情况中目标对象状态的预测。
在一种可实施方式中,所述建立双路卷积-循环神经网络模型,包括:
构建多通道卷积-循环神经网络分支,所述多通道卷积-循环神经网络分支包括两组卷积-激活单元与一个单向循环神经网络;
构建跨通道卷积-循环神经网络分支,所述跨通道卷积-循环神经网络分支包括一组通道间卷积-激活单元与一个所述单向循环神经网络;
将所述多通道卷积-循环神经网络分支与所述跨通道卷积-循环神经网络分支的隐空间变量拼接,构建三层全连接网络,并在所述三层全连接网络中接入二分类激活层,得到双路卷积-循环神经网络模型,用以将模型分类结果转换为标签预测概率值。
在本申请实施例中,如图3所示,对于多通道的卷积-循环神经网络分支而言,该网络分支包含两组卷积-激活单元与一个单向循环神经网络。第一组卷积-激活单元中共包含8个独立且参数随机初始化的一维卷积核,卷积核大小为1×3,每个卷积核对所有通道输入信号在时间维度上进行卷积运算,设通道数为k,总共产生8×k组卷积时间序列,计算方式如下:
激活层选用relu函数作为激活函数,每个通道时间序列都进行如下操作:
第二组卷积-激活单元结构与第一组卷积-激活单元结构与参数类同,将独立的卷积核个数设置为2,则每个原始通道信号经过这两组卷积-激活单元运算后可获得16个通道的数据。单向循环神经网络使用单向长短时记忆网络,输入的数据维度为16×k,数据长度为N-4,隐藏层个数为32,取运算后长短时记忆网络的隐状态为本网络分支的输出结果(隐状态为1×32矩阵)。
对于跨通道卷积-循环神经网络分支而言,该网络分支包含一组跨通道卷积-激活单元与一个单向循环神经网络。卷积-激活单元中卷积核为参数独立的4组卷积核,作用在卷积核大小为k×1,k为信号通道个数;单个卷积核对处于同一时刻不同通道上的数据进行卷积运算,每个卷积核将k个通道、N个时间步的的时间序列合并为单通道、N个时间步的时间序列,对应计算公式如下:
上述通道间的卷积操作最终生成4组时间序列。激活层选用relu函数作为激活函数,每个通道时间序列都进行如下操作:
单向循环神经网络使用单向长短时记忆网络,输入的数据维度为4×k,隐藏层个数为32,取运算后长短时记忆网络的隐状态为本网络分支的输出结果(隐状态为1×32矩阵)。
对于全连接预测网络而言,将前述过程得到的多通道卷积-循环神经网络分支与跨通道卷积-循环神经网络分支的隐空间变量拼接成1×64的输入数据;构造一个输入为64维,中间层为128维,输出为2维的三层全连接网络,然后接入一个二分类激活层,将分类结果转换为概率值。对应计算式如下:
其中,表示将两个隐藏层状态向量进行拼接;/>表示上述三层全连接网络对应的函数运算。/>和/>为全连接层输出的负样本标签与正样本标签对应的数值;使用softmax函数将上述正负样本标签对应的数值映射到/>数值区间内作为对应标签的概率预测值。
在一种可实施方式中,所述基于所述输入数据矩阵训练所述双路卷积-循环神经网络模型,包括:
将所述输入数据矩阵划分为训练集矩阵与测试集矩阵;
将所述训练集矩阵训练所述双路卷积-循环神经网络模型,并将交叉熵作为所述双路卷积-循环神经网络模型的损失函数;
基于反向传播法最小化所述损失函数后,得到优化后的所述双路卷积-循环神经网络模型;
根据所述测试集矩阵验证所述双路卷积-循环神经网络模型。
在本申请实施例中,选用交叉熵作为网络训练的损失函数L;选用Adam作为最小化损失函数L的优化器;基于反向传播方法最小化损失函数L,确定卷积神经网络中的所有参数。具体而言,将训练数据集矩阵数据送入神经网络,mini-batch设置为16,学习率为0.001,最大迭代次数为100,后基于反向传播方法最小化损失函数L,更新卷积神经网络的参数。在到达最大轮次数后,得到最终的网络参数。
为说明上述方法的有效性,选取两个抑郁小鼠模型数据集X与Y(两组数据集正负样本时长均保持一致,但锋电位通道数有差异),按照7:3的比例随机划分训练集和测试集,共进行30轮划分-训练-测试,经过训练后模型预测结果如表所示:
S104、基于所述双路卷积-循环神经网络模型对所述目标对象的当前锋电位通道信号数据进行计算,得到所述目标对象的当前抑郁状态指征数据。
在本申请实施例中,构建出双路卷积-循环神经网络模型后,便能够基于模型直接对目标对象的当前锋电位通道信号数据进行计算,最终根据模型输出的计算结果来对目标对象的当前抑郁状态指征数据进行确定,进而辅助医护人员进行抑郁症的诊断与治疗判断。
需要强调的是,本申请方法并非用于抑郁症的诊断或治疗,而是用于对已经诊断为患有抑郁症的患者的当前状态进行检测确定,进而辅助治疗机器能够在正确的时候对患者进行治疗。
在一种可实施方式中,所述方法还包括:
根据所述当前抑郁状态指征数据确定电刺激数值,并基于所述电刺激数值生成控制指令。
在本申请实施例中,通过计算得到的当前抑郁状态指征数据,服务器能够根据具体的指征数值确定目标对象的抑郁程度,并以此确定出电刺激数值,进而生成控制指令,控制相应设备根据控制指令来进行脑部的电刺激调控,进而对抑郁症状进行缓解与治疗。
可能的,所述方法还包括:
当所述控制指令被执行,监测所述当前抑郁状态指征数据在预设监测时长内的指征数据变化值;
确定所述指征数据变化值与理论变化值的误差值,并基于所述误差值优化所述当前抑郁状态指征数据对应的所述电刺激数值,用以使所述指征数据变化值趋近于所述理论变化值。
在本申请实施例中,随着具体治疗诊断的目标对象的改变,实际情况中某一电刺激的治疗效果也会不同。为了确保治疗效果,在控制指令被执行后,服务器会监测指征数据的变化,以此确定出指征数据变化值与理论变化值之间的误差值。该误差值体现出了该电刺激数值对该目标对象的实际治疗效果偏差,故服务器将以此来调整此时应该对应的电刺激数值,使得指征数据变化值能够趋近于理论变化值。
下面将结合附图4,对本申请实施例提供的基于神经元锋电位信号的抑郁状态指征确定装置进行详细介绍。需要说明的是,附图4所示的基于神经元锋电位信号的抑郁状态指征确定装置,用于执行本申请图1所示实施例的方法,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请图1所示的实施例。
请参见图4,图4是本申请实施例提供的一种基于神经元锋电位信号的抑郁状态指征确定装置的结构示意图。如图4所示,所述装置包括:
获取模块401,用于分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据;
转换模块402,用于将各所述锋电位通道信号数据转换为神经元发放速率数据,并基于所述神经元发放速率数据构建输入数据矩阵;
建立模块403,用于建立双路卷积-循环神经网络模型,并基于所述输入数据矩阵训练所述双路卷积-循环神经网络模型;
计算模块404,用于基于所述双路卷积-循环神经网络模型对所述目标对象的当前锋电位通道信号数据进行计算,得到所述目标对象的当前抑郁状态指征数据。
在一种可实施方式中,获取模块401还包括:
标记单元,用于将抑郁状态下的所述锋电位通道信号数据标记为负样本数据,将非抑郁状态下的所述锋电位通道信号数据标记为正样本数据。
在一种可实施方式中,转换模块402包括:
第一确定单元,用于确定各所述锋电位通道信号数据对应的各锋电位通道;
统计单元,用于分别统计每个所述锋电位通道在单位统计时长内所述锋电位通道信号数据出现的个数,得到神经元发放速率数据。
在一种可实施方式中,转换模块402还包括:
第一划分单元,用于基于滑动时间窗口将所述神经元发放速率数据划分为多个连续时间片,整合各所述连续时间片,构建得到输入数据矩阵。
在一种可实施方式中,建立模块403包括:
第一构建单元,用于构建多通道卷积-循环神经网络分支,所述多通道卷积-循环神经网络分支包括两组卷积-激活单元与一个单向循环神经网络;
第二构建单元,用于构建跨通道卷积-循环神经网络分支,所述跨通道卷积-循环神经网络分支包括一组通道间卷积-激活单元与一个所述单向循环神经网络;
拼接单元,用于将所述多通道卷积-循环神经网络分支与所述跨通道卷积-循环神经网络分支的隐空间变量拼接,构建三层全连接网络,并在所述三层全连接网络中接入二分类激活层,得到双路卷积-循环神经网络模型,用以将模型分类结果转换为标签预测概率值。
在一种可实施方式中,建立模块403还包括:
第二划分单元,用于将所述输入数据矩阵划分为训练集矩阵与测试集矩阵;
训练单元,用于将所述训练集矩阵训练所述双路卷积-循环神经网络模型,并将交叉熵作为所述双路卷积-循环神经网络模型的损失函数;
优化单元,用于基于反向传播法最小化所述损失函数后,得到优化后的所述双路卷积-循环神经网络模型;
验证单元,用于根据所述测试集矩阵验证所述双路卷积-循环神经网络模型。
在一种可实施方式中,所述装置还包括:
生成模块,用于根据所述当前抑郁状态指征数据确定电刺激数值,并基于所述电刺激数值生成控制指令。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是现场可编程门阵列(Field-ProgrammableGate Array,FPGA)、集成电路(Integrated Circuit,IC)等。
本申请实施例的各处理单元和/或模块,可通过实现本申请实施例所述的功能的模拟电路而实现,也可以通过执行本申请实施例所述的功能的软件而实现。
参见图5,其示出了本申请实施例所涉及的一种电子设备的结构示意图,该电子设备可以用于实施图1所示实施例中的方法。如图5所示,电子设备500可以包括:至少一个中央处理器501,至少一个网络接口504,用户接口503,存储器505,至少一个通信总线502。
其中,通信总线502用于实现这些组件之间的连接通信。
其中,用户接口503可以包括显示屏(Display)、摄像头(Camera),可选用户接口503还可以包括标准的有线接口、无线接口。
其中,网络接口504可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,中央处理器501可以包括一个或者多个处理核心。中央处理器501利用各种接口和线路连接整个电子设备500内的各个部分,通过运行或执行存储在存储器505内的指令、程序、代码集或指令集,以及调用存储在存储器505内的数据,执行终端500的各种功能和处理数据。可选的,中央处理器501可以采用数字信号处理(Digital SignalProcessing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。中央处理器501可集成中央中央处理器(Central Processing Unit,CPU)、图像中央处理器(GraphicsProcessing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到中央处理器501中,单独通过一块芯片进行实现。
其中,存储器505可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-OnlyMemory)。可选的,该存储器505包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器505可用于存储指令、程序、代码、代码集或指令集。存储器505可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器505可选的还可以是至少一个位于远离前述中央处理器501的存储装置。如图5所示,作为一种计算机存储介质的存储器505中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
在图5所示的电子设备500中,用户接口503主要用于为用户提供输入的接口,获取用户输入的数据;而中央处理器501可以用于调用存储器505中存储的基于神经元锋电位信号的抑郁状态指征确定应用程序,并具体执行以下操作:
分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据;
将各所述锋电位通道信号数据转换为神经元发放速率数据,并基于所述神经元发放速率数据构建输入数据矩阵;
建立双路卷积-循环神经网络模型,并基于所述输入数据矩阵训练所述双路卷积-循环神经网络模型;
基于所述双路卷积-循环神经网络模型对所述目标对象的当前锋电位通道信号数据进行计算,得到所述目标对象的当前抑郁状态指征数据。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
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的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可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信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
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,在本申请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器中。基于这样的理解,本申请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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory, ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (4)
1.一种基于神经元锋电位信号的抑郁状态指征确定装置,其特征在于,所述装置包括:
获取模块,用于分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据;
转换模块,用于将各所述锋电位通道信号数据转换为神经元发放速率数据,并基于所述神经元发放速率数据构建输入数据矩阵;
建立模块,用于建立双路卷积-循环神经网络模型,并基于所述输入数据矩阵训练所述双路卷积-循环神经网络模型;
计算模块,用于基于所述双路卷积-循环神经网络模型对所述目标对象的当前锋电位通道信号数据进行计算,得到所述目标对象的当前抑郁状态指征数据;
其中,获取模块还包括:
标记单元,用于将抑郁状态下的所述锋电位通道信号数据标记为负样本数据,将非抑郁状态下的所述锋电位通道信号数据标记为正样本数据;
转换模块还包括:
第一划分单元,用于基于滑动时间窗口将所述神经元发放速率数据划分为多个连续时间片,整合各所述连续时间片,构建得到输入数据矩阵,所述滑动时间窗口用以分割出时间维度上互相不相关的多个负样本时间片和正样本时间片;
建立模块包括:
第一构建单元,用于构建多通道卷积-循环神经网络分支,所述多通道卷积-循环神经网络分支包括两组卷积-激活单元与一个单向循环神经网络;
第二构建单元,用于构建跨通道卷积-循环神经网络分支,所述跨通道卷积-循环神经网络分支包括一组通道间卷积-激活单元与一个所述单向循环神经网络;
拼接单元,用于将所述多通道卷积-循环神经网络分支与所述跨通道卷积-循环神经网络分支的隐空间变量拼接,构建三层全连接网络,并在所述三层全连接网络中接入二分类激活层,得到双路卷积-循环神经网络模型,用以将模型分类结果转换为标签预测概率值。
2.根据权利要求1所述的装置,其特征在于,所述转换模块包括:
第一确定单元,用于确定各所述锋电位通道信号数据对应的各锋电位通道;
统计单元,用于分别统计每个所述锋电位通道在单位统计时长内所述锋电位通道信号数据出现的个数,得到神经元发放速率数据。
3.根据权利要求1所述的装置,其特征在于,所述建立模块还包括:
第二划分单元,用于将所述输入数据矩阵划分为训练集矩阵与测试集矩阵;
训练单元,用于将所述训练集矩阵训练所述双路卷积-循环神经网络模型,并将交叉熵作为所述双路卷积-循环神经网络模型的损失函数;
优化单元,用于基于反向传播法最小化所述损失函数后,得到优化后的所述双路卷积-循环神经网络模型;
验证单元,用于根据所述测试集矩阵验证所述双路卷积-循环神经网络模型。
4.根据权利要求1所述的装置,其特征在于,所述装置还包括:
生成模块,用于根据所述当前抑郁状态指征数据确定电刺激数值,并基于所述电刺激数值生成控制指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210117439.7A CN114305423B (zh) | 2022-02-08 | 2022-02-08 | 一种基于神经元锋电位信号的抑郁状态指征确定装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210117439.7A CN114305423B (zh) | 2022-02-08 | 2022-02-08 | 一种基于神经元锋电位信号的抑郁状态指征确定装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114305423A CN114305423A (zh) | 2022-04-12 |
CN114305423B true CN114305423B (zh) | 2023-07-07 |
Family
ID=81030539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210117439.7A Active CN114305423B (zh) | 2022-02-08 | 2022-02-08 | 一种基于神经元锋电位信号的抑郁状态指征确定装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114305423B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104338135A (zh) * | 2013-08-09 | 2015-02-11 | 中国科学院上海生命科学研究院 | 抑郁症的调节因子及其应用 |
WO2015164080A1 (en) * | 2014-04-25 | 2015-10-29 | Cyberonics, Inc. | Cranial nerve stimulation to treat depression during sleep |
CN108853502A (zh) * | 2017-05-09 | 2018-11-23 | 浙江大学 | 治疗抑郁症的方法和药物组合物 |
CN109599129A (zh) * | 2018-11-13 | 2019-04-09 | 杭州电子科技大学 | 基于注意力机制和卷积神经网络的语音抑郁症识别方法 |
JP2019195349A (ja) * | 2018-05-07 | 2019-11-14 | 株式会社オーディンコンサルティンググループ | うつ状態検知方法、及びうつ状態検知装置 |
CN111513735A (zh) * | 2020-05-31 | 2020-08-11 | 天津大学 | 基于脑机接口和深度学习的重度抑郁症辨识系统及应用 |
EP3702448A1 (en) * | 2019-03-01 | 2020-09-02 | Neuroproof GmbH | Neuronal network and method for monitoring excitatory and inhibitory balance |
CH716863A2 (de) * | 2019-11-22 | 2021-05-31 | Univ Lanzhou | Depressionserkennungssystem basierend auf einer unter Verwendung von Trainingssätzen getroffenen Kanalauswahl von Mehrkanal-Elektroenzephalographie. |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200061377A1 (en) * | 2016-04-01 | 2020-02-27 | University Of Pittsburgh-Of The Commonwealth System Of Higher Education | Regulatory Device and Associated Method For Treating Depression |
US20190034564A1 (en) * | 2017-07-26 | 2019-01-31 | Fred Narcross | Nervous System Modeling Tool |
-
2022
- 2022-02-08 CN CN202210117439.7A patent/CN114305423B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104338135A (zh) * | 2013-08-09 | 2015-02-11 | 中国科学院上海生命科学研究院 | 抑郁症的调节因子及其应用 |
WO2015164080A1 (en) * | 2014-04-25 | 2015-10-29 | Cyberonics, Inc. | Cranial nerve stimulation to treat depression during sleep |
CN108853502A (zh) * | 2017-05-09 | 2018-11-23 | 浙江大学 | 治疗抑郁症的方法和药物组合物 |
JP2019195349A (ja) * | 2018-05-07 | 2019-11-14 | 株式会社オーディンコンサルティンググループ | うつ状態検知方法、及びうつ状態検知装置 |
CN109599129A (zh) * | 2018-11-13 | 2019-04-09 | 杭州电子科技大学 | 基于注意力机制和卷积神经网络的语音抑郁症识别方法 |
EP3702448A1 (en) * | 2019-03-01 | 2020-09-02 | Neuroproof GmbH | Neuronal network and method for monitoring excitatory and inhibitory balance |
CH716863A2 (de) * | 2019-11-22 | 2021-05-31 | Univ Lanzhou | Depressionserkennungssystem basierend auf einer unter Verwendung von Trainingssätzen getroffenen Kanalauswahl von Mehrkanal-Elektroenzephalographie. |
CN111513735A (zh) * | 2020-05-31 | 2020-08-11 | 天津大学 | 基于脑机接口和深度学习的重度抑郁症辨识系统及应用 |
Also Published As
Publication number | Publication date |
---|---|
CN114305423A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7018133B2 (ja) | 人工知能に基づく心電図心拍自動識別分類方法 | |
Lim et al. | Analysis of single-electrode EEG rhythms using MATLAB to elicit correlation with cognitive stress | |
CN111728609B (zh) | 脑电信号的分类方法、分类模型的训练方法、装置及介质 | |
RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
Amini et al. | Diagnosis of Alzheimer’s disease by time-dependent power spectrum descriptors and convolutional neural network using EEG signal | |
CN106419864A (zh) | 中医诊断云端专家系统 | |
CN103038772A (zh) | 预测患者的存活性的方法 | |
CN206044608U (zh) | 中医诊断云端专家系统 | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
Shaban | Automated screening of parkinson's disease using deep learning based electroencephalography | |
CN114403899B (zh) | 一种大脑神经元锋电位与局部场电位结合的抑郁检测装置 | |
Nasimov et al. | A new approach to classifying myocardial infarction and cardiomyopathy using deep learning | |
CN113077875A (zh) | Ct影像的处理方法及装置 | |
Goyal et al. | IoT based cloud network for smart health care using optimization algorithm | |
US20230181120A1 (en) | System and method for testing for sars-cov-2/covid-19 based on wearable medical sensors and neural networks | |
CN113317804B (zh) | 一种康复效率预测方法、及其训练装置和计算机设备 | |
CN114343585A (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
CN114305423B (zh) | 一种基于神经元锋电位信号的抑郁状态指征确定装置 | |
CN112617833A (zh) | 一种基于静息态脑电波检测抑郁症的装置 | |
CN116831594A (zh) | 一种基于迭代图卷积神经网络的癫痫脑电分类方法 | |
Siuly et al. | Exploring Rhythms and Channels-Based EEG Biomarkers for Early Detection of Alzheimer's Disease | |
CN116504398A (zh) | 用于使用基于变换器的神经网络来进行心律失常预测的方法和系统 | |
CN114550896A (zh) | 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型 | |
CN111601539A (zh) | 一种自动诊断对象病症的方法及实施该方法的系统 |
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 |