CN115662576A - 一种阿尔兹海默症和关联认知障碍病症的神经反馈训练范式的生成方法、神经反馈训练系统 - Google Patents
一种阿尔兹海默症和关联认知障碍病症的神经反馈训练范式的生成方法、神经反馈训练系统 Download PDFInfo
- Publication number
- CN115662576A CN115662576A CN202211714952.0A CN202211714952A CN115662576A CN 115662576 A CN115662576 A CN 115662576A CN 202211714952 A CN202211714952 A CN 202211714952A CN 115662576 A CN115662576 A CN 115662576A
- Authority
- CN
- China
- Prior art keywords
- cognitive
- cognitive task
- paradigm
- similarity
- training
- 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
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提供了一种阿尔兹海默症和关联认知障碍病症的神经反馈训练范式的生成方法、神经反馈训练系统。所述生成方法包括生成选定的认知任务集合，基于基本信息以及受试者的选定的认知任务集合中各个认知任务范式对应的大脑皮层血流动力学数据，分别提取各个特征，构建独立的孪生判别神经网络，将各个特征作为输入馈送到孪生判别神经网络，以确定各个认知任务范式下的脑网络功能与健康常模之间的相似度，对相似度进行升序排序，选择前预定比例的相似度对应的认知任务范式来构建个性化认知任务集合。如此，解决了受试者脑网络个体差异对设计神经反馈训练范式的影响，给出了个性化的神经反馈训练方案，提高了神经反馈训练改善认知障碍的效果。
Description
技术领域
本申请涉及生理信号神经调控和医疗器械技术领域，具体涉及一种阿尔兹海默症和关联认知障碍病症的神经反馈训练范式的生成方法、神经反馈训练系统。
背景技术
阿尔兹海默症（AD）是一种常发于中老年时期不可逆转的神经退行性脑部疾病，发病机制复杂，病因不明，以目前的医疗水平，该病不可治愈。轻度认知障碍（MCI）被认为是AD的前驱阶段，若能在该阶段及时发现并给予治疗措施，则可以有效缓解病情恶化，从而抑制其发展为痴呆症。
大脑认知功能的天然依赖于多脑区协同，相对正常人，AD/MCI患者存在分布式脑功能网络异常，网络呈现衰退模式，个性化强，且同一病程个体差异较大。
目前的运动学和认知训练方式靶向性弱、训练周期长。外源性神经调控在单对的神经网络调控上探索得到了非常积极的结果，但受限于磁场调控的精准性以及技术条件，以及经颅电调控的电场弥散性，精细的复杂脑网络调控的研究尚存在挑战。
发明内容
针对现有技术中存在的上述技术问题，提出了本申请。本申请旨在提供一种阿尔兹海默症和关联认知障碍病症的神经反馈训练范式的生成方法、神经反馈训练系统，其能够实现精细化、个性化的训练方案推荐和脑网络调控，有望有效改善认知障碍，提升其认知能力。
根据本申请的第一方案，提供一种阿尔兹海默症（AD）和关联认知障碍病症的神经反馈训练范式的生成方法，所述生成方法包括以下步骤：基于AD和关联认知障碍病症涉及的多个认知任务范式生成选定的认知任务集合；获取受试者的基本信息以及执行所述选定的认知任务集合期间的大脑皮层血流动力学数据；基于所述基本信息以及所述受试者的选定的认知任务集合中各个认知任务范式对应的大脑皮层血流动力学数据，分别提取各个特征；为各个认知任务范式分别构建独立的孪生判别神经网络；将所提取的各个特征分别作为输入馈送到对应的孪生判别神经网络，以确定各个认知任务范式下的脑网络功能与健康常模之间的相似度；对各个认知任务范式下的脑网络功能与健康常模之间的相似度进行升序排序，选择前预定比例的相似度对应的认知任务范式来构建个性化认知任务集合。
根据本申请的第二方案，提供一种阿尔兹海默症（AD）和关联认知障碍病症的神经反馈训练系统，包括处理器，其配置为执行根据本申请各个实施例所述的阿尔兹海默症（AD）和关联认知障碍病症的神经反馈训练范式的生成方法。
与现有技术相比，本申请实施例的有益效果在于：
本申请实施例中的选定的认知任务集合基于AD和关联认知障碍病症涉及的多个认知任务范式进行设计，比如包括记忆、注意、言语、反应、执行和情绪，从而获得能够全面反应脑网络功能的选定的认知任务集合。针对各个认知任务范式分别构建独立的孪生判别神经网络，并将提取的各个特征分别作为输入馈送到对应的孪生判别神经网络，来确定出各个认知任务范式下的脑网络功能与健康常模之间的相似度，相似度反映出受试者的脑网络功能与健康常模之间的差异。根据相似度升序排序，将靠前比例的相似度对应的认知任务范式构建个性化认知任务集合，如此，相似度越小，差异越大的认知任务范式被构建为个性化认知任务集合。以使得针对不同的受试者提供有效地个性化的康复训练范式，提高了神经反馈训练改善认知障碍的效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述说明和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的类似附图标记可以表示相似组件的不同示例。附图通过举例而不是以限制的方式大体上示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是说明性和示例性的，而并非旨在作为本方法、装置、系统或具有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他的实施例。
图1示出根据本申请实施例所述的阿尔兹海默症（AD）和关联认知障碍病症的神经反馈训练范式的生成方法的流程图。
图2示出根据本申请实施例所述的选定的认知任务集合示意图。
图3示出根据本申请实施例所述的孪生判别神经网络的训练、判别示意图。
图4示出根据本申请实施例所述的生成方法的又一流程图。
具体实施方式
为使本领域技术人员更好的理解本申请的技术方案，下面结合附图和具体实施方式对本申请作详细说明。下面结合附图和具体实施例对本申请的实施例作进一步详细描述，但不作为对本申请的限定。
本申请中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。在本申请中，各个步骤在图中所示的箭头仅仅作为执行顺序的示例，而不是限制，本申请的技术方案并不限于实施例中描述的执行顺序，执行顺序中的各个步骤可以合并执行，可以分解执行，可以调换顺序，只要不影响执行内容的逻辑关系即可。
本申请使用的所有术语（包括技术术语或者科学术语）与本申请所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
图1示出根据本申请实施例所述的阿尔兹海默症（AD）和关联认知障碍病症的神经反馈训练范式的生成方法的流程图。在步骤S101中，基于AD和关联认知障碍病症涉及的多个认知任务范式生成选定的认知任务集合。其中，认知障碍主要指记忆力、理解力、计算力或语言能力、执行能力等方面出现下降的表现。比如，记忆力减退、情绪改变、执行能力下降、理解判断能力下降、人格改变等。所述的关联认知障碍病症可以理解为与所述认知障碍相关联的病症。进一步地，所述关联认知障碍病症包括轻度认知障碍（MCI）。具体地，如图2所示，所述选定的认知任务集合可以设置为认知任务1（比如记忆）、认知任务2（比如反应）、认知任务3（比如言语）……，并对每一个认知任务分配权重（比如将各个认知任务时长作为权重），构建选定的认知任务集合，以使得受试者基于所述选定的认知任务集合可以调动与认知功能相关大部分脑区，从而有利于发现认知功能受损的脑区，以便于针对受损脑区提供个性化的神经反馈训练范式。
在步骤S102中，获取受试者的基本信息以及执行所述选定的认知任务集合期间的大脑皮层血流动力学数据。具体地，比如，可以利用近红外脑功能成像（fNIRS）设备采集受试者执行选定的认知任务集合期间的大脑皮层血流动力学数据。利用处理器执行对近红外脑功能成像设备采集的大脑皮层血流动力学数据的分析、计算，所述处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，该处理器可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、片上系统（SoC）等。所述处理器可以包含在近红外脑功能成像设备内，也可以设置在近红外脑功能成像设备之外，而与所述近红外脑功能成像设备配合执行相关数据分析和处理，以此形成阿尔兹海默症（AD）和关联认知障碍病症的神经反馈训练系统。该神经反馈训练系统中的处理器被配置为执行本申请各个实施例所述的生成方法。
此外，所述生成方法还可以以计算机程序指令的方式存储在计算机可读存储介质中，所述计算机程序指令在被处理器运行时使得所述处理器执行根据本申请各个实施例所述的生成方法，以指示近红外脑功能成像设备与之协同执行本申请各个实施例的生成方法的各个步骤。存储介质可以包括只读存储器(ROM)、闪存、随机存取存储器(RAM)、诸如同步DRAM(SDRAM)或Rambus DRAM的动态随机存取存储器(DRAM)、静态存储器(例如，闪存、静态随机存取存储器)等，其上可以以任何格式存储计算机可执行指令。
具体地，所述近红外脑功能成像设备具有用于佩戴在受试者头上的头帽，所述头帽设有用于传输和/或接收近红外信号的多个探头以采集多个对应通道的数据。比如，近红外脑功能成像设备包括19个光源、31个探测器，可形成59个通道，传感器排布覆盖全脑，包括额叶、顶叶、颞叶和枕叶四个脑区。受试者可以按照如图2所示的选定的认知任务集合执行任务，当然，也可以按照其他选定的认知任务集合，对此不做限定。在受试者执行选定的认知任务集合期间利用近红外脑功能成像设备采集大脑皮层血流动力学数据Data fNIRS 。所述受试者的基本信息包括性别、年龄、受教育程度、认知量表评分（MOCA（蒙特利尔认知评估量表）、MMSE（简易智能精神状态检测量表）量表）。
在步骤S103中，基于所述基本信息以及所述受试者的选定的认知任务集合中各个认知任务范式对应的大脑皮层血流动力学数据，分别提取各个特征。在步骤S104中，为各个认知任务范式分别构建独立的孪生判别神经网络。在此过程中，对所述大脑皮层血流动力学数据进行分析和处理，得到各个能够表征脑网络功能状态的特征。其中，对于选定的认知任务集合中的各个认知任务范式，构建独立的孪生判别神经网络。比如，图2所示的选定的认知任务集合包括至少3个认知任务范式，那么，对于认知任务1、2、3各自构建相应的孪生判别神经网络，以此类推。
在步骤S105中，将所提取的各个特征分别作为输入馈送到对应的孪生判别神经网络，以确定各个认知任务范式下的脑网络功能与健康常模之间的相似度。其中，所述孪生判别神经网络基于卷积神经网络、激活函数、池化层、全连接层为各个任务范式共同构建。对于孪生判别神经网络的具体训练方法将会在下文中阐述。通过孪生判别神经网络确定各个认知任务范式下的脑网络功能与健康常模之间的相似度，基于该相似度可以反映出受试者的各个脑区的功能受损情况。所述的健康常模可以理解为基于健康受试者的基本信息和脑网络功能状态的特征构建的认知脑网络的常模，以此作为先验信息。
在步骤S106中，对各个认知任务范式下的脑网络功能与健康常模之间的相似度进行升序排序，选择前预定比例的相似度对应的认知任务范式来构建个性化认知任务集合。在选定的认知任务集合中的各个认知任务范式都具有对应的孪生判别神经网络，通过孪生判别神经网络的计算，得到各个认知任务范式下的脑网络功能与健康常模之间的相似度。其中，相似度可以理解为余弦相似度，当相似度越小时，表明两个样本之间差异越大。通过对各个认知任务范式进行判别，得到各个认知任务范式对应的相似度，将选定的认知任务集合中的各个认识任务范式按照相似度大小升序排序，相似度越小的认知任务范式越靠前。选择前预定比例的相似度对应的认知任务范式来构建个性化认知任务集合，比如，一个选定的认知任务集合包括20个认知任务范式，经过孪生判别神经网络的处理后输出20个认知任务范式对应的相似度，并将相似度对应的认知任务范式按照升序排序。排序后，选择相似度较小的前40%（即前8个认知任务范式）个认知任务范式构建个性化认知任务集合。受试者再基于所述个性化认知任务集合继续执行神经反馈训练。通过这种方法，能够根据受试者的情况设计出个性化的神经反馈训练，有利于避免患有AD的受试者痴呆。
在本申请的一些实施例中，所述前预定比例为前20%-40%，选择前预定比例的相似度对应的认知任务范式来构建个性化认知任务集合具体包括：根据前预定比例的相似度的大小顺序，为对应的认知任务范式计算在个性化认知任务集合中的作用权重，使得相似度越小的认知任务范式，其作用权重越高。一般而言，选择前20%-40%的认知任务范式构建新的个性化认知任务集合，能够将对于AD训练效果更好的认知任务范式选择出来，进而增大相似度较小的认知任务范式的权重。其中，所述权重包括执行各个认知任务范式的时长或者各个认知任务范式的排序，或者其他。
具体地，假设可执行的认知任务范式共有N种，包括但不限于记忆、注意、言语、反应、执行、情绪等认知任务，构建认知任务范式的集合为T={Task i ，i∈N}，其中Task i 表示AD和关联认知障碍病症涉及的多个认知任务范式。
在一些实施例中，所述生成方法还包括使得执行个性化认知任务集合，获取受试者在执行所述个性化认知任务集合期间的大脑皮层血流动力学数据，为所获取的大脑皮层血流动力学数据，计算脑功能连接模式、偏侧性和小世界属性，以判定是否需要继续进行神经反馈训练，如果是，则以当前的个性化认知任务集合作为所述选定的认知任务集合，再次执行用于生成个性化认知任务集合的过程。具体地，在得到个性化认知任务集合之后，受试者继续执行个性化认知任务集合，并获取受试者在执行所述个性化认知任务集合期间的大脑皮层血流动力学数据，进而对所述大脑皮层血流动力学数据Data fNIRS 进行分析和处理，计算脑功能连接模式Eval FCM （functional connectivity model）、偏侧性Eval L （Laterality）和小世界属性Eval SWP （Small-world Properties），以判定是否需要继续进行神经反馈训练。其中，对于脑功能连接模式、偏侧性和小世界属性的计算方法请参见论文《L. Chan, W.C. Ung, L. G. Lim, C. -K. Lu, M. Kiguchi and T. B. Tang, "AutomatedThresholding Method for fNIRS-Based Functional Connectivity Analysis:Validation With a Case Study on Alzheimer’s Disease," in IEEE Transactions onNeural Systems and Rehabilitation Engineering, vol. 28, no. 8, pp. 1691-1701,Aug. 2020, doi: 10.1109/TNSRE.2020.3007589.》，在此不再赘述。如果判断需要继续进行神经反馈训练，则以当前的个性化认知任务集合作为所述选定的认知任务集合，再次执行用于生成个性化认知任务集合的过程。
在本申请的一些实施例中，所述受试者的基本信息包括年龄、性别、体征信息、以及认知障碍诊断过程中完成的量表信息中的至少一种。所述体征信息可以包括身高、体重等，所述诊断过程中完成的量表信息可以包括MOCA（蒙特利尔认知评估量表）、MMSE（简易智能精神状态检测量表）等。其中，所述受试者的上述基本信息记为Data base 。
在本申请的一些实施例中，所述多个认知任务范式包括记忆、注意、言语、反应、执行和情绪的所有各种认知任务的至少一个认知任务范式。
在本申请的一些实施例中，所述生成方法还包括在分别提取各个特征之前：为所获取的大脑皮层血流动力学数据，计算脑功能连接模式、偏侧性和小世界属性，以判定是否需要进行神经反馈训练，如果是，才执行用于构建个性化认知任务集合的各个特征的提取及后续处理。具体地，采集大脑皮层血流动力学数据的方式不限于以本申请实施例中的探头排布方式进行采集，也不限于脑网络区域划分方式。通过综合考虑脑功能连接模式Eval FCM 、偏侧性Eval L 和小世界属性Eval SWP 等评价指标，通过脑网络评估映射函数f将评价指标映射为是否需要对受试者进行神经反馈训练，用以动态评估受试者的脑功能，具体为：
R=f（Eval FCM ，Eval L ，Eval SWP ）公式（1）。
其中，R为二值化的数值，R=0表示不需要进行神经反馈训练；R=1表示受试者脑功能状态不佳，需要进一步脑功能状态判别并进行神经反馈训练。
在本申请的一些实施例中，所述各个特征包括表征受试者的脑网络功能状态的特征以及人口统计学特征，所述脑网络功能状态的特征包含脑功能连接矩阵、时域特征、频域特征。如图2所示，选定的认知任务集合至少包括认知任务1、认知任务2、认知任务3，在受试者执行选定的认知任务集合期间，采集到选定的认知任务集合中的各个认知任务范式对应的大脑皮层血流动力学数据。其中，所述表征脑网络功能状态的特征至少包括脑功能连接矩阵Data fc （Functional connectivity）、时域特征Data t （比如最大值、最小值或均值）、频域特征Data f （比如频谱小波变换或傅里叶变换后的频率参数）和人口统计学特征。基于所述受检者的基本信息，提取关于其人口统计学特征，也作为表征受检者个性化状态的特征而输入馈送到孪生判别神经网络。
其中，关于时域、频域的计算可以参考论文《Fernandez Rojas R, Huang X, Ou KL. A machine learning approach for the identification of a biomarker of humanpain using fNIRS[J]. Scientific reports, 2019, 9(1): 1-12.》，对于脑功能连接矩阵的计算可以参考论文《Akin A. fNIRS-derived neurocognitive ratio as abiomarker for neuropsychiatric diseases[J]. Neurophotonics, 2021, 8(3):035008.》。对于人口统计学特征可以理解为将性别、年龄、文化程度、体征信息、诊断过程中完成的量表等基本信息进行离散化/连续化处理，使之成为可以量化计算的特征，具体方式如男/女离散化为0/1，文化程度按照小学~大学进行分级，0/1/2/3/4，是否有病史分为0/1等，这些特征即可以表示为人口统计学特征，当然不排除与其类似的方式。
在本申请的一些实施例中，各个认知任务范式的孪生判别神经网络均基于卷积神经网络、激活函数、池化层、全连接层分别构建，在训练阶段，通过收集针对各个认知任务范式的健康受试者和认知障碍患者的数据构建训练数据集，并基于余弦相似度构建损失函数，在用于计算所述相似度的判别阶段，将健康受试者的基本信息和血流动力学信息构建为健康常模，用以确定各个认知任务范式下的脑网络功能与健康常模之间的相似度。具体地，可以使用卷积神经网络搭建孪生判别神经网络模型，该孪生判别神经网络接收两个输入，为从训练数据集中随机抽样两个样本，即两个样本可能为同一类别，也可能为不同类别。对于两个输入，孪生判别神经网络会输出两个高维度的特征向量，通过计算两个特征向量的余弦相似度作为评判两个样本是否一致的概率，并通过对应的损失函数反向传播优化孪生判别神经网络模型权重，直至孪生判别神经网络不再收敛。在判别阶段，固定孪生判别神经网络的其中一个输入为健康常模，另外一个输入为患者数据，经由孪生判别神经网络确定出各个认知任务范式下的脑网络功能与健康常模之间的相似度。
如图3所示，在训练阶段301，基于健康受试者的基本信息和脑网络特征等健康受
试者数据303以及认知功能障碍患者的基本信息和脑网络特征等患者数据304构建训练数
据集302。值得注意的是，这里对每一种认知任务范式均构建一个训练数据集302和对应的
孪生判别神经网络。将每一种认知任务范式构建的孪生判别神经网络构建孪生判别神经网
络集合G w ，w表示孪生判别神经网络的权重。G w 中每个孪生判别神经网络
表示对应
认知任务范式Task i 的孪生判别神经网络，孪生判别神经网络接收两个输入X 1 和X 2 。图3中，
网络1表示孪生判别神经网络，权重w表示网络1的权重，网络1接收两个输入X 1 和X 2 ，其中，X
的具体构成为：
在训练阶段301，X 1 和X 2 可以是训练数据集302中的健康受试者数据303的先验信息或患者数据304样本的信息，即X 1 和X 2 可以是相同类别，也可以是不同类别。
通过孪生判别神经网络集合G w 分别提取输入X 1 和X 2 的高维度特征，为G w （X 1 ）和G w （X 2 ）。其中G w 用于表示孪生判别神经网络集合（网络1）的公式符号。然后，计算G w （X 1 ）和G w （X 2 ）在高维空间的余弦相似度用以表征两个输入样本之间的差异，余弦相似度通过高维空间内两个样本之间的夹角来衡量两个样本之间的相似性，消除了空间向量本身数值大小对相似度大小的影响，余弦相似度具体为：
进一步地，判别网络的损失函数为：
其中，α=0表示X 1 和X 2 是同一类别，α=1表示X 1 和X 2 是不同类别。在训练阶段301，输入到网络1中的参数X 1 和X 2 是从训练数据集302中进行随机采样得到的。
在判别阶段305，网络1的输入X 1 和X 2 是不同的类别，比如，输入X 1 是健康常模A，输入X 2 是患者数据B。其中，所述健康常模由健康受试者的基本信息和血流动力学信息构建得到。由于X 1 和X 2 是不同的类别，判别阶段305的损失函数为：
健康常模A和患者数据B被输入到网络1中，输出得到受试者的各个任务范式下的脑网络功能与健康常模之间的差异。
进一步地，对于认知障碍受试者的数据，经过网络1判别后可得到给定认知任务Task i 下的与健康常模的相似度，记为S，S具体为：
优先的，对于S中的相似度按照数值由小到大进行排序，由损失函数公式可知，当L i 较大时，两输入样本之间的余弦相似度数值越小，表示两个样本之间差异越大。
图4示出根据本申请实施例所述的生成方法的又一流程图。在步骤S401中，执行选定的认知任务集合，获取健康受试者执行任务期间的fNIRS（步骤S402）以及获取认知功能障碍的患者执行任务期间的fNIRS（步骤S403），并对采集的fNIRS进行评估，确定是否需要进行神经反馈训练（步骤S404）。确定需要进行神经反馈训练之后，将构建的健康常模（步骤S405）和获取的患者数据（步骤S406）输入到孪生判别神经网络，执行步骤S407，确定各个认知任务范式下的脑网络功能与健康常模之间的相似度，构建个性化认知任务集合，以使得受试者可以执行个性化认知任务集合。继续执行步骤S408，获取受试者在执行所述个性化认知任务集合期间的大脑皮层血流动力学数据，并进一步计算脑功能连接模式、偏侧性和小世界属性，以进一步判定是否需要继续进行神经反馈训练（步骤S408），如果否，则结束训练（步骤S409）。如果是，则以所述选定的认知任务集合再次执行用于生成个性化认知任务集合的过程（步骤S410），并继续执行个性化选定的认知任务集合（步骤S411），并将执行个性化选定的认知任务集合的数据反馈到步骤S403中，以进一步迭代优化选定的认知任务集合。
在本申请的一些实施例中，一种阿尔兹海默症（AD）和关联认知障碍病症的神经反馈训练系统，包括处理器，其配置为执行根据本申请各个实施例所述的阿尔兹海默症（AD）和关联认知障碍病症的神经反馈训练范式的生成方法。
本申请描述了各种操作或功能，其可以被实现为软件代码或指令或被定义为软件代码或指令。此类内容可以是可以直接执行的源代码或差分代码(“增量”或“补丁”代码)(“对象”或“可执行”形式)。软件代码或指令可以存储在计算机可读存储介质中，并且在被执行时，可以使机器执行所描述的功能或操作，并且包括以机器(例如，计算装置、电子系统等)可访问的形式存储信息的任何机制，例如可记录或不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光学存储介质、闪存装置等)。
本申请描述的示例性方法可以至少部分地由机器或计算机实现。在一些实施例中，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请各个实施例所述的生成方法。这样的生成方法的实现可以包括软件代码，例如微代码、汇编语言代码、高级语言代码等。可以使用各种软件编程技术来创建各种程序或程序模块。例如，程序部分或程序模块可以用或借助Java、Python、C、C++、汇编语言或任何已知的编程语言来设计。可以将这样的软件部分或模块中的一个或多个集成到计算机系统和/或计算机可读介质中。这样的软件代码可以包括用于执行各种方法的计算机可读指令。该软件代码可以形成计算机程序产品或计算机程序模块的一部分。此外，在示例中，软件代码可以有形地存储在一个或多个易失性，非暂时性或非易失性有形计算机可读介质上，例如在执行期间或在其他时间。这些有形计算机可读介质的示例可以包括但不限于硬盘、可移动磁盘、可移动光盘(例如光盘和数字视频盘)、盒式磁带、存储卡或存储棒、随机存取存储器(RAM)、只读存储器(ROM)等。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本申请的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本申请。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本申请的主题可以少于特定的公开的实施例的全部特征。从而，权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本申请的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种阿尔兹海默症和关联认知障碍病症的神经反馈训练范式的生成方法，其特征在于，所述生成方法包括以下步骤：
基于阿尔兹海默症和关联认知障碍病症涉及的多个认知任务范式生成选定的认知任务集合；
获取受试者的基本信息以及执行所述选定的认知任务集合期间的大脑皮层血流动力学数据；
基于所述基本信息以及所述受试者的选定的认知任务集合中各个认知任务范式对应的大脑皮层血流动力学数据，分别提取各个特征；
为各个认知任务范式分别构建独立的孪生判别神经网络；
将所提取的各个特征分别作为输入馈送到对应的孪生判别神经网络，以确定各个认知任务范式下的脑网络功能与健康常模之间的相似度；
对各个认知任务范式下的脑网络功能与健康常模之间的相似度进行升序排序，选择前预定比例的相似度对应的认知任务范式来构建个性化认知任务集合。
2.根据权利要求1所述的生成方法，其特征在于，所述前预定比例为前20%-40%，选择前预定比例的相似度对应的认知任务范式来构建个性化认知任务集合具体包括：根据前预定比例的相似度的大小顺序，为对应的认知任务范式计算在个性化认知任务集合中的作用权重，使得相似度越小的认知任务范式，其作用权重越高。
3.根据权利要求1所述的生成方法，其特征在于，还包括：使得执行个性化认知任务集合；获取受试者在执行所述个性化认知任务集合期间的大脑皮层血流动力学数据；为所获取的大脑皮层血流动力学数据，计算脑功能连接模式、偏侧性和小世界属性，以判定是否需要继续进行神经反馈训练，如果是，则以当前的个性化认知任务集合作为所述选定的认知任务集合，再次执行用于生成个性化认知任务集合的过程。
4.根据权利要求1所述的生成方法，其特征在于，所述受试者的基本信息包括年龄、性别、体征信息、以及认知障碍诊断过程中完成的量表信息中的至少一种。
5.根据权利要求1所述的生成方法，其特征在于，所述多个认知任务范式包括记忆、注意、言语、反应、执行和情绪的所有各种认知任务的至少一个认知任务范式。
6.根据权利要求1所述的生成方法，其特征在于，还包括，在分别提取各个特征之前：为所获取的大脑皮层血流动力学数据，计算脑功能连接模式、偏侧性和小世界属性，以判定是否需要进行神经反馈训练，如果是，才执行用于构建个性化认知任务集合的各个特征的提取及后续处理。
7.根据权利要求1所述的生成方法，其特征在于，所述各个特征包括表征受试者的脑网络功能状态的特征以及人口统计学特征，所述脑网络功能状态的特征包含脑功能连接矩阵、时域特征、频域特征。
8.根据权利要求1所述的生成方法，其特征在于，各个认知任务范式的孪生判别神经网络均基于卷积神经网络、激活函数、池化层、全连接层分别构建，在训练阶段，通过收集针对各个认知任务范式的健康受试者和认知障碍患者的数据构建训练数据集，并基于余弦相似度构建损失函数，在用于计算所述相似度的判别阶段，将健康受试者的基本信息和血流动力学信息构建为健康常模，用以确定各个认知任务范式下的脑网络功能与健康常模之间的相似度。
9.根据权利要求1所述的生成方法，其特征在于，所述关联认知障碍病症包括轻度认知障碍。
10.一种阿尔兹海默症和关联认知障碍病症的神经反馈训练系统，其特征在于，包括处理器，其配置为执行根据权利要求1-9中任何一项所述的阿尔兹海默症和关联认知障碍病症的神经反馈训练范式的生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211714952.0A CN115662576B (zh) | 2022-12-30 | 2022-12-30 | 关联认知障碍病症的神经反馈训练范式的生成方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211714952.0A CN115662576B (zh) | 2022-12-30 | 2022-12-30 | 关联认知障碍病症的神经反馈训练范式的生成方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115662576A true CN115662576A (zh) | 2023-01-31 |
| CN115662576B CN115662576B (zh) | 2023-05-09 |
Family
ID=85022807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211714952.0A Active CN115662576B (zh) | 2022-12-30 | 2022-12-30 | 关联认知障碍病症的神经反馈训练范式的生成方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115662576B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117116427A (zh) * | 2023-10-20 | 2023-11-24 | 慧创科仪(北京)科技有限公司 | 一种基于fNIRS的神经反馈康复装置及存储介质 |
| CN117238449A (zh) * | 2023-10-11 | 2023-12-15 | 国家康复辅具研究中心 | 一种认知功能障碍的康复训练策略的优化方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120159656A1 (en) * | 2009-04-24 | 2012-06-21 | Galenea Corp. | Compositions and methods for evaluating cognitive defects |
| CN109524086A (zh) * | 2018-11-30 | 2019-03-26 | 北京京师脑力科技有限公司 | 一种提高感知觉的认知训练方法及系统 |
| CN113052113A (zh) * | 2021-04-02 | 2021-06-29 | 中山大学 | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 |
| CN113288147A (zh) * | 2021-05-31 | 2021-08-24 | 杭州电子科技大学 | 基于eeg与神经反馈技术的轻度认知障碍康复评估系统 |
| CN114188013A (zh) * | 2021-09-01 | 2022-03-15 | 北京智精灵科技有限公司 | 一种阿尔兹海默症的认知及脑影像数据整合评估方法 |
| CN114376558A (zh) * | 2022-03-24 | 2022-04-22 | 之江实验室 | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
| CN114864051A (zh) * | 2022-07-06 | 2022-08-05 | 北京智精灵科技有限公司 | 一种基于神经网络的认知提升方法及系统 |
-
2022
- 2022-12-30 CN CN202211714952.0A patent/CN115662576B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120159656A1 (en) * | 2009-04-24 | 2012-06-21 | Galenea Corp. | Compositions and methods for evaluating cognitive defects |
| CN109524086A (zh) * | 2018-11-30 | 2019-03-26 | 北京京师脑力科技有限公司 | 一种提高感知觉的认知训练方法及系统 |
| CN113052113A (zh) * | 2021-04-02 | 2021-06-29 | 中山大学 | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 |
| CN113288147A (zh) * | 2021-05-31 | 2021-08-24 | 杭州电子科技大学 | 基于eeg与神经反馈技术的轻度认知障碍康复评估系统 |
| CN114188013A (zh) * | 2021-09-01 | 2022-03-15 | 北京智精灵科技有限公司 | 一种阿尔兹海默症的认知及脑影像数据整合评估方法 |
| CN114376558A (zh) * | 2022-03-24 | 2022-04-22 | 之江实验室 | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
| CN114864051A (zh) * | 2022-07-06 | 2022-08-05 | 北京智精灵科技有限公司 | 一种基于神经网络的认知提升方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 孙愘叡,谢道俊: "针刺治疗改善认知功能障碍神经生物学和神经网络机制探讨" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238449A (zh) * | 2023-10-11 | 2023-12-15 | 国家康复辅具研究中心 | 一种认知功能障碍的康复训练策略的优化方法及系统 |
| CN117238449B (zh) * | 2023-10-11 | 2024-05-07 | 国家康复辅具研究中心 | 一种认知功能障碍的康复训练策略的优化方法及系统 |
| CN117116427A (zh) * | 2023-10-20 | 2023-11-24 | 慧创科仪(北京)科技有限公司 | 一种基于fNIRS的神经反馈康复装置及存储介质 |
| CN117116427B (zh) * | 2023-10-20 | 2023-12-29 | 慧创科仪(北京)科技有限公司 | 一种基于fNIRS的神经反馈康复装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115662576B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ay et al. | Automated depression detection using deep representation and sequence learning with EEG signals | |
| Farooq et al. | A deep CNN based multi-class classification of Alzheimer's disease using MRI | |
| Yang et al. | A deep neural network study of the ABIDE repository on autism spectrum classification | |
| CN115662576B (zh) | 关联认知障碍病症的神经反馈训练范式的生成方法和系统 | |
| Baygin et al. | Automated accurate schizophrenia detection system using Collatz pattern technique with EEG signals | |
| JP2017076193A (ja) | 脳活動解析装置、脳活動解析方法および脳活動解析プログラム | |
| Tawhid et al. | Automatic and efficient framework for identifying multiple neurological disorders from EEG signals | |
| Shaban | Automated screening of Parkinson's disease using deep learning based electroencephalography | |
| Garner et al. | A machine learning model to predict seizure susceptibility from resting-state fMRI connectivity | |
| Tavares et al. | Improvement in the automatic classification of Alzheimer’s disease using EEG after feature selection | |
| Pereira et al. | An extended-2D CNN for multiclass Alzheimer's Disease diagnosis through structural MRI | |
| WeiKoh et al. | Application of local configuration pattern for automated detection of schizophrenia with electroencephalogram signals | |
| Li et al. | Automatic detection of schizophrenia based on spatial–temporal feature mapping and LeViT with EEG signals | |
| Liu et al. | MPC-STANet: Alzheimer’s disease recognition method based on multiple phantom convolution and spatial transformation attention mechanism | |
| Göker | Automatic detection of Parkinson’s disease from power spectral density of electroencephalography (EEG) signals using deep learning model | |
| KR102439639B1 (ko) | 주요 우울증에 대한 정보 제공 방법 및 이를 이용한 주요 우울증에 대한 정보 제공용 디바이스 | |
| Ellis et al. | Pairing explainable deep learning classification with clustering to uncover effects of schizophrenia upon whole brain functional network connectivity dynamics | |
| Sharma et al. | Machine learning of diffusion weighted imaging for prediction of seizure susceptibility following traumatic brain injury | |
| Matlani | BiLSTM-ANN: early diagnosis of Alzheimer’s disease using hybrid deep learning algorithms | |
| Zhu | Early diagnosis of Parkinson's Disease by analyzing magnetic resonance imaging brain scans and patient characteristic | |
| Breitenbach et al. | A Novel Machine Learning Approach to Working Memory Evaluation Using Resting-State EEG Data. | |
| Nisha et al. | SGD-DABiLSTM based MRI Segmentation for Alzheimer’s disease Detection | |
| Gupta et al. | Machine learning models for depression patient classification using fMRI: a study | |
| Abumalloh et al. | Parkinson’s Disease Diagnosis Using Deep Learning: A Bibliometric Analysis and Literature Review | |
| Cheng et al. | Sleep stage recognition from EEG using a distributed multi-channel decision-making system |
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 |