CN115414041A - 基于脑电数据的自闭症评估装置、方法、终端设备和介质 - Google Patents

基于脑电数据的自闭症评估装置、方法、终端设备和介质 Download PDF

Info

Publication number
CN115414041A
CN115414041A CN202211038589.5A CN202211038589A CN115414041A CN 115414041 A CN115414041 A CN 115414041A CN 202211038589 A CN202211038589 A CN 202211038589A CN 115414041 A CN115414041 A CN 115414041A
Authority
CN
China
Prior art keywords
brain
electroencephalogram data
channels
autism
data
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.)
Pending
Application number
CN202211038589.5A
Other languages
English (en)
Inventor
尉增杰
王怡珊
徐永杰
李烨
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 Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202211038589.5A priority Critical patent/CN115414041A/zh
Publication of CN115414041A publication Critical patent/CN115414041A/zh
Priority to PCT/CN2022/137707 priority patent/WO2024040797A1/zh
Pending legal-status Critical Current

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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychology (AREA)
  • Educational Technology (AREA)
  • Social Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请适用于信号处理技术领域，提供了一种基于脑电数据的自闭症评估装置、方法、终端设备和介质。其中，上述基于脑电数据的自闭症评估装置具体包括：获取单元，用于获取待评估对象的全脑区的第一脑电数据，所述第一脑电数据包括多个通道的第二脑电数据；确定单元，用于根据所述第一脑电数据确定大脑连通图像，所述大脑连通图像用于表征所述多个通道中每两个通道的所述第二脑电数据之间的关联程度；评估单元，用于根据所述大脑连通图像，确定所述待评估对象的自闭症评估结果。本申请的实施例可以以大脑连通图像作为参考，提高自闭症评估结果的准确性。

Description

基于脑电数据的自闭症评估装置、方法、终端设备和介质
技术领域
本申请属于信号处理技术领域，尤其涉及一种基于脑电数据的自闭症评估装置、方法、终端设备和可读存储介质。
背景技术
自闭症谱系障碍是一种广泛性的神经发育障碍性疾病，主要症状为社会交流障碍、语言交流障碍和重复刻板行为等。脑电数据(Electroencephalogram，EEG)具有低成本、非侵入性等的优点，具有较高的时间分辨率，且在信号采集过程中对受试者相对友好，是目前检测自闭症的一种有效方式。目前，自闭症的评估主要依靠医生对脑电数据进行解读和判断，需要医生具有较高的专业水平，诊断效率较低。而且，脑电数据作为一种原始数据，对自闭症的评估而言，生理可解释性低，基于脑电数据的幅值或初始特征给出的自闭症评估结果准确性较低。
发明内容
本申请实施例提供一种基于脑电数据的自闭症评估装置、方法、终端设备和可读存储介质，可以解决目前自闭症评估结果准确性较低的问题。
本申请实施例第一方面提供一种基于脑电数据的自闭症评估装置，包括：获取单元，用于获取待评估对象的全脑区的第一脑电数据，所述第一脑电数据包括多个通道的第二脑电数据；确定单元，用于根据所述第一脑电数据确定大脑连通图像，所述大脑连通图像用于表征所述多个通道中每两个通道的所述第二脑电数据之间的关联程度；评估单元，用于根据所述大脑连通图像，确定所述待评估对象的自闭症评估结果。
本申请实施例第二方面提供一种基于脑电数据的自闭症评估方法，包括：获取待评估对象的全脑区的第一脑电数据，所述第一脑电数据包括多个通道的第二脑电数据；根据所述第一脑电数据确定大脑连通图像，所述大脑连通图像用于表征所述多个通道中每两个通道的所述第二脑电数据之间的关联程度；根据所述大脑连通图像，确定所述待评估对象的自闭症评估结果。
本申请实施例第三方面提供一种终端设备，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上述基于脑电数据的自闭症评估装置的功能。
本申请实施例第四方面提供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上述基于脑电数据的自闭症评估装置的功能。
本申请实施例第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备实现上述第一方面所述的基于脑电数据的自闭症评估装置的功能。
在本申请的实施方式中，通过获取待评估对象的全脑区的第一脑电数据，根据第一脑电数据确定大脑连通图像，并根据大脑连通图像，确定待评估对象的自闭症评估结果，一方面，参考全脑区的第一脑电数据，可以避免遗漏部分脑区较为重要的脑电信息，另一方面，第一脑电数据包括多个通道的第二脑电数据，大脑连通图像可用于表征多个通道中每两个通道的第二脑电数据之间的关联程度，该关联程度可以表征对应通道的脑部功能之间的关联性，反映脑区间信息交流、整合的能力，这些能力与待评估对象的社交、语言和行为等方面的障碍有关，因此，以大脑连通图像作为参考，得到的自闭症评估结果具有生理可解释性，准确度更高。
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是本申请实施例提供的一种基于脑电数据的自闭症评估方法的实现流程示意图；
图2是本申请实施例提供的脑电数据的示意图；
图3是本申请实施例提供的自闭症患者的大脑连通图；
图4是本申请实施例提供的正常人群的大脑连通图；
图5是本申请实施例提供的自闭症分类模型的结构示意图；
图6是本申请实施例提供的一种基于脑电数据的自闭症评估装置的结构示意图；
图7是本申请实施例提供的终端设备的结构示意图。
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，此处所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。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护。
目前，自闭症的评估主要依靠医生对脑电数据进行解读和判断，需要医生具有较高的专业水平，并且诊断效率较低。而一些相关技术，会将脑电数据转换为频谱图图像，设计混合深度轻量级特征生成器进行初始特征提取，筛选特征之后利用支持向量机(SupportVector Machine，SVM)分类器进行分类。或者，通过传统机器学习方法提取纹理特征，使用机器学习分类器进行分类。但是，脑电数据作为一种原始数据，仅能表征对应脑区的信息，对自闭症的评估而言，生理可解释性低，基于脑电数据的幅值或初始特征(纹理特征)给出的自闭症评估结果准确性较低。
为此，本申请提供一种基于脑电数据的自闭症评估方法，利用全脑区的脑电数据，生成用于表征不同通道的脑电数据之间关联程度的大脑连通图像，不同通道的脑电数据之间的关联程度可以表征待评估对象对应脑区的脑部功能之间的关联性，反映脑区间信息交流、整合的能力，这些能力与待评估对象的社交、语言和行为等方面的障碍有关，因此，以大脑连通图像作为参考，所给出的自闭症评估结果具有生理可解释性，准确性更高。
为了说明本申请的技术方案，下面通过具体实施例来进行说明。
图1示出了本申请实施例提供的一种基于脑电数据的自闭症评估方法的实现流程示意图，该方法可以应用于终端设备上，可适用于需提高自闭症评估结果的准确性的情形。其中，上述终端设备可以是计算机、智能手机、平板电脑等智能设备，还可以是用于评估自闭症风险的专用设备。
具体的，上述自闭症评估方法可以包括以下步骤S101至步骤S103。
步骤S101，获取待评估对象的全脑区的第一脑电数据。
在本申请的实施方式中，待评估对象可以指需要进行自闭症评估的人或动物。为了确定脑电数据之间的关联性，上述第一脑电数据可以包括待评估对象的多个通道的第二脑电数据。
在本申请的一些实施方式中，终端设备可以配置有用于采集脑电数据的采集装置，采集装置可以是嵌入式或非嵌入式的装置。为了使待评估对象的体验更好，采集转置可以选择非嵌入式的采集装置。具体的，非嵌入式的采集装置可以指电极片，每片电极片可以非重叠地设置于待评估对象的大脑皮层外部。这些设置在大脑皮层外部的电极称为作用电极(active electrode)，可用于采集其与参考电极(reference electrode)之间的电位差作为脑电数据。参考电极一般设置于身体上，作为相对零点电位的电极。每片作用电极采集到的脑电数据即为一个通道的脑电数据，进而终端设备可以获取到与多个通道中每个通道一一对应的电极片采集到的第二脑电数据，组成全脑区的第一脑电数据。当然，其他实施方式中，终端设备也可以通过其他方式获取第一脑电数据，例如可由用户输入待评估对象预先测试得到的第一脑电数据等。
其中，第一脑电数据与第二脑电数据可以具体指频率-幅值数据，或者，时间-幅值数据。图2示出了两种时间-幅值数据的示意图。
在本申请的实施方式中，多个通道可以用于表征待评估对象的全脑区，且多个通道中每个通道的第二脑电数据可以用于表征对应脑区的脑部功能。脑区也即脑力功能分区，可以包括脑干、顶叶、额叶等等。具体的，本申请中，多个可以指至少两个，为了表征待评估对象的全脑区，所选择的通道数量一般为八个或八个以上，优选的，为了保证评估结果的可靠性，所采集的第二脑电数据的通道数可以为125个或者更多个，这样，电极片可以完全或接近完全地覆盖于待评估对象的大脑皮层外部，由此，可以采集到待评估对象的全脑区的第一脑电数据。而每个通道的第二脑电数据可以表征对应的电极片所在位置的脑区产生的信号，由此可以表征对应的脑区的部分或全部的脑部功能。
为了便于后续的评估，终端设备还可以对收集到的脑电数据进行常规的预处理操作，并将预处理操作后得到的脑电数据保存起来，作为用于进行自闭症评估的脑电数据。其中，预处理操作包括但不限于滤波处理、去基线处理和去除噪声处理。滤波处理可以包括高通滤波处理和低通滤波处理，结合去基线处理能够去除脑电数据中的毛刺等噪音部分。去除噪声处理可以用于去除眼电、肌电等噪声，能够避免不相关的生理信号对脑电数据造成影响。
步骤S102，根据第一脑电数据确定大脑连通图像。
在本申请的实施方式中，大脑连通图像可以用于表征多个通道中每两个通道的第二脑电数据之间的关联程度。每两个通道之间第二脑电数据的关联程度也即表征这两个通道所表征的脑部功能之间的连通性。
具体的，终端设备可以确定多个通道中每两个通道的第二脑电数据之间的关联程度，并根据关联程度，确定大脑连通图像中的各个位置的像素点的像素值，得到大脑连通图像。
其中，关联程度可以采用表征相关关系的统计学方式计算得到，例如，可以采用斯皮尔曼等级相关系数(Spearman’s rank correlation coefficient)、皮尔逊相关系数(Pearson correlation coefficient)、肯德尔相关性系数(kendall correlationcoefficient)等。其中，皮尔逊相关系数是一种线性相关系数，是最常用的一种相关系数，可以用来反映两个变量和的线性相关程度，所得到的值介于-1到1之间，其绝对值越大表明相关性越强。
具体的，终端设备可以通过以下公式计算两个通道之间第二脑电数据的关联程度：
Figure BDA0003818466860000061
其中，r表示x通道和y通道之间第二脑电数据的关联程度，x通道和y通道分别为多个通道中的任意一个通道。n表示时间序列的长度，i表示采样时刻。xi表示x通道的第二脑电数据在第i个采样时刻的幅值，
Figure BDA0003818466860000062
表示x通道的第二脑电数据在n个采样时刻的幅值的平均值。yi表示其中y通道的第二脑电数据在第i个采样时刻的幅值，
Figure BDA0003818466860000063
表示其中y通道的第二脑电数据在n个采样时刻的幅值的平均值。
而大脑连通图像可以为一个由M×M个像素点组成的图像，其中，M等于第一脑电数据所包括的通道的总数。利用每两个通道之间的关联程度，可以确定大脑连通图像中该两个通道对应位置的像素点的像素值，得到大脑连通图像。以125个通道为例，通过计算通道与通道之间的关联程度，可以量化各个通道所表征的大脑功能之间的连通性，得到一个125×125的一个功能连接矩阵。利用第一个通道和第二个通道之间的关联程度，可以确定大脑连通图像中第1行第2列的像素点的像素值以及第2行第1列的像素点的像素值，以此类推，可以得到各个位置的像素点的像素值。进而，由各个位置的像素点的像素值生成一张125×125的大脑连通图像。
步骤S103，根据大脑连通图像，确定待评估对象的自闭症评估结果。
其中，自闭症评估结果即待评估对象自闭症风险高低的评估结果。
在本申请的一些实施方式中，终端设备可以预先训练好自闭症分类模型，将大脑连通图像输入至训练好的自闭症分类模型，得到自闭症分类模型输出的自闭症评估结果。
另一些实施方式中，也可以将大脑连通图像与正常人群对应的大脑连通图像进行比对，若大脑连通图像与大脑连通图像之间的差异度达到预设的差异度阈值，则可以确认待评估对象的自闭症评估结果为自闭症风险高。否则可以确认待评估对象的自闭症评估结果为自闭症风险低。当然，考虑到不同年龄的待评估对象在大脑连通图像上的表现可能存在不同，还可以将大脑连通图像与同一年龄的正常人群对应的大脑连通图像进行比对，得到自闭症评估结果。
应理解，不管采用何种方式，只要通过基于脑电信号的大脑连通图像确定出自闭症评估结果，均属于本申请的保护范围。
在本申请的实施方式中，通过获取待评估对象的全脑区的第一脑电数据，根据第一脑电数据确定大脑连通图像，并根据大脑连通图像，确定待评估对象的自闭症评估结果，一方面，参考全脑区的第一脑电数据，可以避免遗漏部分脑区较为重要的脑电信息，另一方面，第一脑电数据包括多个通道的第二脑电数据，大脑连通图像可用于表征多个通道中每两个通道的第二脑电数据之间的关联程度，该关联程度可以表征对应脑区的脑部功能之间的关联性，反映脑区间信息交流、整合的能力，这些能力与待评估对象的社交、语言和行为等方面的障碍有关，因此，以大脑连通图像作为参考，得到的自闭症评估结果具有生理可解释性，准确度更高。
下面对本申请所提供的评估方法进行详细说明。
在采集到脑电数据之后，终端设备可以计算多个通道中每两个通道的第二脑电数据之间的关联程度，以确定大脑连通图像。
具体的，由于本申请只需考虑两个通道之间是否具有相关性而不需要考虑其相关性的正负，因此，终端设备可以计算多个通道中每两个通道的第二脑电数据之间的关联程度的绝对值，然后对多个通道中每两个通道之间关联程度的绝对值进行归一化，得到对应位置的像素点的像素值，以根据大脑连通图像中各个位置的像素点的像素值，生成大脑连通图像。
图3和图4分别示出了自闭症患者与正常人群的大脑连通图，由图可知，自闭症患者与正常人群的大脑连通图具有一定的差异。因此，可以判断待评估对象的大脑连通图像更趋近于自闭症患者的大脑连通图，还是更趋近于正常人群的大脑连通图，来完成自闭症评估。
具体的，终端设备可以将大脑连通图输入至自闭症分类模型中。自闭症分类模型可以是卷积神经网络模型、全连接神经网络模型或者其他结构的神经网络模型，该模型可以提取大脑连通图像中的特征，可以通过大量的样本图像训练得到，训练方法包括但不限于梯度下降法、动量算法(Momentum)或其他优化方法。
在一些实施方式中，如图5所示，自闭症分类模型可以包括5个卷积层、5个最大池化层以及3个全连接层。由于构建的大脑连通图是归一化后得到的灰度图像，假设通道总数为125，则输入自闭症分类模型的数据的尺寸为125×125×1，经过第一层卷积层和池化层后，数据尺寸可变为62×62×64，随后依次经过4层卷积层和池化层后，数据尺寸可变为3×3×256，再经过三个全连接层，最后连接分类器得到最终的二值分类结果。二值分类结果也即自闭症评估结果。
实际应用中，上述每个通道的第二脑电数据包括多个频段的第三脑电数据。也就是说，一个通道的第二脑电数据可以包括按照频段的不同划分的多个第三脑电数据。这里的频段可以具体包括全频段内的多个子频段，或者，包括全频段和全频段内的一个或多个子频段。其中，全频段可以指元数据所覆盖的频段，元数据即为通过电极片直接采集到的脑电数据或对电极片直接采集到的脑电数据进行预处理操作后得到的数据。终端设备可以利用滤波器对元数据进行分频处理，得到多个子频段的第三脑电数据，由多个子频段的第三脑电数据和全频段的第三脑电数据(即元数据)组成第二脑电数据。具体的，上述子频段及对应的频率范围可以分别为：δ波(0.5-4Hz)、θ波(4-8Hz)、α波(8-13Hz)、β波(13-30Hz)、γ波(30-50Hz)。
相应的，终端设备可以确定多个通道中每两个通道之间在同一频段的第三脑电数据的关联程度，得到多个通道中每两个通道之间在每个频段的第三脑电数据的关联程度，以确定对应频段的大脑连通图像中的各个位置的像素点的像素值，得到每个频段的大脑连通图像。其中，每个频段的大脑连通图像的确定过程可以参看步骤S102的描述，对此本申请不进行赘述。
根据每个频段的大脑连通图像，终端设备可以确定每个频段对应的初步评估结果，并根据每个频段对应的初步评估结果，确定待评估对象的自闭症评估结果。
以前述5个子频段为例，终端设备可以确定5个子频段分别对应的大脑连通图像和全频段对应的大脑连通图像，共6个大脑连通图像。基于每个大脑连通图像可以确定一个初步评估结果，进而将6个初步评估结果融合得到待评估对象的自闭症评估结果。
例如，若存在N个或N个以上的初步评估结果为自闭症风险高，则可以将自闭症评估结果确定为自闭症风险高，否则，将自闭症评估结果确定为自闭症风险低。其中，N为大于或等于1，且小于或等于频段数量的正整数，具体取值可以根据实际情况调整，例如可以取2。
又如，基于每个大脑连通图像可以确定一个初步评估结果，该初步评估结果为一个自闭症风险高的置信度，对各个置信度进行加权融合，可以得到一个融合后的置信度，如果融合后的置信度高于预设的置信度阈值，则可以将自闭症评估结果确定为自闭症风险高，否则，将自闭症评估结果确定为自闭症风险低。
更具体的，终端设备可以利用不同频段的样本数据，分别训练得到不同频段的自闭症分类模型，进而将大脑连通图像输入至对应频段的自闭症分类模型，得到对应频段的初步评估结果。这样，模型与脑电数据的频段一一对应，可以保证初步评估结果的可靠性，进而保证自闭症评估结果的准确性。
采用本申请提供的方法，训练各个频段的自闭症分类模型并对自闭症患者与正常人群进行测试，经实验，各个频段的自闭症分类模型的识别精度如下表所示，其中，利用β波的自闭症分类模型的识别精度最高，可达99.01％。
频段 δ波 θ波 α波 β波 γ波 全频段
识别精度 84.33％ 93.16％ 94.87％ 99.01％ 97.81％ 95.51％
而基于上述实验结果，终端设备也可以确定多个通道中每两个通道之间第四脑电数据的关联程度，以确定目标频段的大脑连通图像中的各个位置的像素点的像素值，得到目标频段的大脑连通图像。然后，根据目标频段的大脑连通图像，确定自闭症评估结果。第四脑电数据即目标频段的脑电数据。
其中，目标频段可以为预设的频段，例如可以指经实验验证得到的自闭症评估结果的准确度最高的频段，如前述β波。
具体的，终端设备可以将目标波段的大脑连通图像输入至目标频段的自闭症分类模型，将其输出的初步评估结果作为自闭症评估结果。其中，目标频段的自闭症分类模型为根据样本图像训练得到的模型，样本图像为基于目标频段的样本脑电数据确定的样本大脑连通图像。
综上所述，本申请采用从大脑功能连通性的角度分析自闭症患者与正常人群之间的差异性，利用脑电数据构建表征大脑功能连通性的大脑连通图，输入到神经网络模型以得出待评估对象患有自闭症的风险程度，具有一定的生理可解释性，以大脑连通图为参考，能够准确地对待评估对象患有自闭症的风险进行评估。而上述实验结果也证实了本申请所提供的方法具有较高的可靠性。
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，因为根据本申请，某些步骤可以采用其它顺序进行。
如图6所示为本申请实施例提供的一种基于脑电数据的自闭症评估装置600的结构示意图，所述基于脑电数据的自闭症评估装置600配置于终端设备上。
具体的，所述基于脑电数据的自闭症评估装置600可以包括：
获取单元601，用于获取待评估对象的全脑区的第一脑电数据，所述第一脑电数据包括多个通道的第二脑电数据；
确定单元602，用于根据所述第一脑电数据确定大脑连通图像，所述大脑连通图像用于表征所述多个通道中每两个通道的所述第二脑电数据之间的关联程度；
评估单元603，用于根据所述大脑连通图像，确定所述待评估对象的自闭症评估结果。
在本申请的一些实施方式中，上述获取单元601可以具体用于：获取与所述多个通道中每个通道一一对应的电极片采集到的第二脑电数据，每片所述电极片非重叠地设置于所述待评估对象的大脑皮层外部。
在本申请的一些实施方式中，上述确定单元602可以具体用于：确定所述多个通道中每两个通道的所述第二脑电数据之间的关联程度；根据所述关联程度，确定所述大脑连通图像中的各个位置的像素点的像素值，得到所述大脑连通图像。
在本申请的一些实施方式中，上述确定单元602可以具体用于：计算所述多个通道中每两个通道的所述第二脑电数据之间的关联程度的绝对值；对所述多个通道中每两个通道之间关联程度的绝对值进行归一化，得到对应位置的像素点的像素值；根据所述大脑连通图像中各个位置的像素点的像素值，生成所述大脑连通图像。
在本申请的一些实施方式中，上述多个通道中每个通道的第二脑电数据包括多个频段的第三脑电数据；相应的，确定单元602可以具体用于：确定所述多个通道中每两个通道之间在同一所述频段的所述第三脑电数据的关联程度，得到所述多个通道中每两个通道之间在每个所述频段的所述第三脑电数据的关联程度；根据所述多个通道中每两个通道之间在每个所述频段的所述第三脑电数据的关联程度，确定对应频段的所述大脑连通图像中的各个位置的像素点的像素值，得到每个所述频段的所述大脑连通图像；评估单元603可以还具体用于：根据每个所述频段的所述大脑连通图像，确定每个所述频段对应的初步评估结果；根据每个所述频段对应的初步评估结果，确定所述待评估对象的自闭症评估结果。
在本申请的一些实施方式中，多个通道中每个通道的第二脑电数据为目标频段的第四脑电数据。
在本申请的一些实施方式中，评估单元603可以具体用于：将所述目标频段的所述大脑连通图像输入至自闭症分类模型中，获取所述自闭症分类模型输出的所述自闭症评估结果，其中，所述自闭症分类模型为根据样本图像训练得到的模型，所述样本图像为基于所述目标频段的样本脑电数据确定的样本大脑连通图像。
需要说明的是，为描述的方便和简洁，上述基于脑电数据的自闭症评估装置600的具体工作过程，可以参考图1至图5所述方法的对应过程，在此不再赘述。
如图7所示，为本申请实施例提供的一种终端设备的示意图。该终端设备7可以包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如自闭症评估程序。所述处理器70执行所述计算机程序72时实现上述各个自闭症评估方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示的获取单元601、确定单元602和评估单元603。
所述计算机程序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71中，并由所述处理器70执行，以完成本申请。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在所述终端设备中的执行过程。
例如，所述计算机程序可以被分割成：获取单元、确定单元和评估单元。
各单元具体功能如下：获取单元，用于获取待评估对象的全脑区的第一脑电数据，所述第一脑电数据包括多个通道的第二脑电数据；确定单元，用于根据所述第一脑电数据确定大脑连通图像，所述大脑连通图像用于表征所述多个通道中每两个通道的所述第二脑电数据之间的关联程度；评估单元，用于根据所述大脑连通图像，确定所述待评估对象的自闭症评估结果。
所述终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备的示例，并不构成对终端设备的限定，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70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71可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器71也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器71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71还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，为描述的方便和简洁，上述终端设备的结构还可以参考方法实施例中对结构的具体描述，在此不再赘述。
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各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申请的范围。
在本申请所提供的实施例中，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，本申请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(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、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申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于脑电数据的自闭症评估装置，其特征在于，包括：
获取单元，用于获取待评估对象的全脑区的第一脑电数据，所述第一脑电数据包括多个通道的第二脑电数据；
确定单元，用于根据所述第一脑电数据确定大脑连通图像，所述大脑连通图像用于表征所述多个通道中每两个通道的所述第二脑电数据之间的关联程度；
评估单元，用于根据所述大脑连通图像，确定所述待评估对象的自闭症评估结果。
2.如权利要求1所述的基于脑电数据的自闭症评估装置，其特征在于，所述获取待评估对象的全脑区的第一脑电数据，包括：
获取与所述多个通道中每个通道一一对应的电极片采集到的第二脑电数据，每片所述电极片非重叠地设置于所述待评估对象的大脑皮层外部。
3.如权利要求1或2所述的基于脑电数据的自闭症评估装置，其特征在于，所述根据所述第一脑电数据确定大脑连通图像，包括：
确定所述多个通道中每两个通道的所述第二脑电数据之间的关联程度；
根据所述关联程度，确定所述大脑连通图像中的各个位置的像素点的像素值，得到所述大脑连通图像。
4.如权利要求3所述的基于脑电数据的自闭症评估装置，其特征在于，所述根据所述关联程度，确定所述大脑连通图像中的各个位置的像素点的像素值，得到所述大脑连通图像，包括：
计算所述多个通道中每两个通道的所述第二脑电数据之间的关联程度的绝对值；
对所述多个通道中每两个通道之间关联程度的绝对值进行归一化，得到对应位置的像素点的像素值；
根据所述大脑连通图像中各个位置的像素点的像素值，生成所述大脑连通图像。
5.如权利要求3所述的基于脑电数据的自闭症评估装置，其特征在于，所述多个通道中每个通道的第二脑电数据包括多个频段的第三脑电数据；
所述确定所述多个通道中每两个通道的所述第二脑电数据之间的关联程度，包括：
确定所述多个通道中每两个通道之间在同一所述频段的所述第三脑电数据的关联程度，得到所述多个通道中每两个通道之间在每个所述频段的所述第三脑电数据的关联程度；
所述根据所述关联程度，确定所述大脑连通图像中的各个位置的像素点的像素值，得到所述大脑连通图像，包括：
根据所述多个通道中每两个通道之间在每个所述频段的所述第三脑电数据的关联程度，确定对应频段的所述大脑连通图像中的各个位置的像素点的像素值，得到每个所述频段的所述大脑连通图像；
所述根据所述大脑连通图像，确定所述待评估对象的自闭症评估结果，包括：
根据每个所述频段的所述大脑连通图像，确定每个所述频段对应的初步评估结果；
根据每个所述频段对应的初步评估结果，确定所述待评估对象的自闭症评估结果。
6.如权利要求3所述的基于脑电数据的自闭症评估装置，其特征在于，所述多个通道中每个通道的第二脑电数据为目标频段的第四脑电数据。
7.如权利要求6所述的基于脑电数据的自闭症评估装置，其特征在于，所述根据所述目标频段的所述大脑连通图像，确定所述自闭症评估结果，包括：
将所述目标频段的所述大脑连通图像输入至自闭症分类模型中，获取所述自闭症分类模型输出的所述自闭症评估结果，其中，所述自闭症分类模型为根据样本图像训练得到的模型，所述样本图像为基于所述目标频段的样本脑电数据确定的样本大脑连通图像。
8.一种基于脑电数据的自闭症评估方法，其特征在于，包括：
获取待评估对象的全脑区的第一脑电数据，所述第一脑电数据包括多个通道的第二脑电数据；
根据所述第一脑电数据确定大脑连通图像，所述大脑连通图像用于表征所述多个通道中每两个通道的所述第二脑电数据之间的关联程度；
根据所述大脑连通图像，确定所述待评估对象的自闭症评估结果。
9.一种终端设备，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7任一项所述的基于脑电数据的自闭症评估装置的功能。
10.一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7任一项所述的基于脑电数据的自闭症评估装置的功能。
CN202211038589.5A 2022-08-26 2022-08-26 基于脑电数据的自闭症评估装置、方法、终端设备和介质 Pending CN115414041A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211038589.5A CN115414041A (zh) 2022-08-26 2022-08-26 基于脑电数据的自闭症评估装置、方法、终端设备和介质
PCT/CN2022/137707 WO2024040797A1 (zh) 2022-08-26 2022-12-08 基于脑电数据的自闭症评估装置、方法、终端设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211038589.5A CN115414041A (zh) 2022-08-26 2022-08-26 基于脑电数据的自闭症评估装置、方法、终端设备和介质

Publications (1)

Publication Number Publication Date
CN115414041A true CN115414041A (zh) 2022-12-02

Family

ID=84201005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211038589.5A Pending CN115414041A (zh) 2022-08-26 2022-08-26 基于脑电数据的自闭症评估装置、方法、终端设备和介质

Country Status (2)

Country Link
CN (1) CN115414041A (zh)
WO (1) WO2024040797A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116313090A (zh) * 2023-03-16 2023-06-23 上海外国语大学 一种基于静息态脑电数据睡眠障碍风险评估方法和系统
WO2024040797A1 (zh) * 2022-08-26 2024-02-29 深圳先进技术研究院 基于脑电数据的自闭症评估装置、方法、终端设备和介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012021789A1 (en) * 2010-08-13 2012-02-16 Children's Medical Center Corporation Methods and apparatus for risk assessment of developmental disorders during early cognitive development
EP3294124A4 (en) * 2015-05-15 2019-01-16 The General Hospital Corporation SYSTEM AND METHOD FOR EARLY DIAGNOSIS OF INTERFERENCE IN THE AUTOMATIC SPECTRUM
CN110584662A (zh) * 2019-09-17 2019-12-20 五邑大学 基于脑电信息的自闭症风险量化方法、装置和存储介质
CN111387977A (zh) * 2020-04-13 2020-07-10 李霞 一种自闭症儿童早期语言与认知能力筛查的方法及装置
CN115414041A (zh) * 2022-08-26 2022-12-02 深圳先进技术研究院 基于脑电数据的自闭症评估装置、方法、终端设备和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024040797A1 (zh) * 2022-08-26 2024-02-29 深圳先进技术研究院 基于脑电数据的自闭症评估装置、方法、终端设备和介质
CN116313090A (zh) * 2023-03-16 2023-06-23 上海外国语大学 一种基于静息态脑电数据睡眠障碍风险评估方法和系统

Also Published As

Publication number Publication date
WO2024040797A1 (zh) 2024-02-29

Similar Documents

Publication Publication Date Title
Aayesha et al. Machine learning-based EEG signals classification model for epileptic seizure detection
CN110876626B (zh) 基于多导联脑电最优导联选择的抑郁检测系统
Al-Qazzaz et al. Discrimination of stroke-related mild cognitive impairment and vascular dementia using EEG signal analysis
Cai et al. Pervasive EEG diagnosis of depression using Deep Belief Network with three-electrodes EEG collector
Akbari et al. Schizophrenia recognition based on the phase space dynamic of EEG signals and graphical features
Saeedi et al. Major depressive disorder assessment via enhanced k-nearest neighbor method and EEG signals
US20210358611A1 (en) Method for Detecting Epileptic Spike, Method for Training Network Model, and Computer Device
Vrbancic et al. Automatic classification of motor impairment neural disorders from EEG signals using deep convolutional neural networks
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
CN109009102B (zh) 一种基于脑电图深度学习的辅助诊断方法及系统
Assam et al. An efficient classification of MRI brain images
Kumar et al. OPTICAL+: a frequency-based deep learning scheme for recognizing brain wave signals
Shaban Automated screening of Parkinson's disease using deep learning based electroencephalography
CN113180670A (zh) 一种基于指脉信号的抑郁症患者精神状态识别的方法
Sahu et al. Scz-scan: An automated schizophrenia detection system from electroencephalogram signals
Shah et al. An investigation of the multi-dimensional (1D vs. 2D vs. 3D) analyses of EEG signals using traditional methods and deep learning-based methods
Shyu et al. Less parameterization inception-based end to end CNN model for EEG seizure detection
CN114403899A (zh) 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法
Mahato et al. Analysis of region of interest (RoI) of brain for detection of depression using EEG signal
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
Abdi-Sargezeh et al. Advances in epilepsy monitoring by detection and analysis of brain epileptiform discharges.
CN111700592A (zh) 一种癫痫脑电自动分类模型的获取方法、系统及分类系统
CN116484290A (zh) 一种基于Stacking集成的抑郁症识别模型构建方法
Candemir et al. Automatic detection of emotional changes induced by social support loss using fmri
Luo et al. Exploring adaptive graph topologies and temporal graph networks for EEG-based depression detection

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