CN116153522B - 一种基于皮质-肌肉-皮质网络图的模型训练方法及装置 - Google Patents

一种基于皮质-肌肉-皮质网络图的模型训练方法及装置 Download PDF

Info

Publication number
CN116153522B
CN116153522B CN202310204621.0A CN202310204621A CN116153522B CN 116153522 B CN116153522 B CN 116153522B CN 202310204621 A CN202310204621 A CN 202310204621A CN 116153522 B CN116153522 B CN 116153522B
Authority
CN
China
Prior art keywords
cortical
treatment
image data
muscular
network map
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
Application number
CN202310204621.0A
Other languages
English (en)
Other versions
CN116153522A (zh
Inventor
魏依娜
刘金标
冯琳清
唐弢
王丽婕
罗曼丽
李鑫航
麦逊
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202310204621.0A priority Critical patent/CN116153522B/zh
Publication of CN116153522A publication Critical patent/CN116153522A/zh
Application granted granted Critical
Publication of CN116153522B publication Critical patent/CN116153522B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • 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
    • A61B5/389—Electromyography [EMG]
    • A61B5/397—Analysis of electromyograms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Abstract

本说明书公开了一种基于皮质‑肌肉‑皮质网络图的模型训练方法及装置，可以获取采集到的通过TMS治疗前患者在设定时间内运动过程中的EEG和EMG，以及获取采集到的通过TMS治疗后患者在设定时间内运动过程中的EEG和EMG；而后，可以构建治疗前皮质‑肌肉‑皮质网络图以及构建治疗后皮质‑肌肉‑皮质网络图，皮质‑肌肉‑皮质网络图用于表征大脑和手臂上的各采集点位之间的功能连通性。进而可以根据皮质‑肌肉‑皮质网络图以及实际治疗评估信息，对预测模型进行训练，得到训练后的预测模型，以通过训练后的预测模型预测出目标患者的TMS治疗评估信息并在目标医疗设备上进行展示，以提高对患者TMS治疗效果的评估效率和准确性。

Description

一种基于皮质-肌肉-皮质网络图的模型训练方法及装置
技术领域
本说明书涉及医疗技术领域，尤其涉及一种基于皮质-肌肉-皮质网络图的模型训练方法及装置。
背景技术
经颅磁刺激(Transcranial Magnetic Stimulation,TMS)已成为加速卒中后上肢运动功能恢复过程中大脑重组的重要神经调控技术。作为大脑可塑性诱导方法，TMS可以调节卒中后皮质兴奋性并纠正异常皮质活动，有能力使卒中后的大脑网络功能正常化。然而，通过TMS促进卒中后运动功能恢复背后的神经机制尚不明确，缺乏可靠的神经生理学标志物来揭示TMS的潜在神经调控作用，无法进一步推动该技术向着更深层次的脑损伤疾病领域应用。
当前，当患者经过TMS治疗后，可以由医生根据临床广泛应用的康复量表(Fugl-Meyer assessment，FMA)为衡量标准，来判定TMS治疗后积极或消极的功效，当前业内也研究一些自动化评估TMS治疗效果的方式，但并不能准确地针对TMS治疗效果进行评估。
所以，如何准确的针对TMS治疗效果进行评估，并相应的按照评估结果来对患者的后续治疗进行建议，则是一个亟待解决的问题。
发明内容
本说明书提供一种基于皮质-肌肉-皮质网络图的模型训练方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种基于皮质-肌肉-皮质网络图的模型训练方法，包括：
获取采集到的通过经颅磁刺激TMS治疗前患者在设定时间内运动过程中的脑电图EEG和肌电图EMG，作为第一影像数据，以及获取采集到的通过TMS治疗后所述患者在设定时间内运动过程中的EEG和EMG，作为第二影像数据，其中，EEG是通过患者大脑上各采集点位设置的采集装置采集到的，EMG是通过患者手臂上各采集点位设置的采集装置采集到的；
根据所述第一影像数据，构建治疗前皮质-肌肉-皮质网络图，根据所述第二影像数据，构建治疗后皮质-肌肉-皮质网络图，皮质-肌肉-皮质网络图用于表征大脑上各采集点位之间的功能连通性，手臂上各采集点位之间的功能连通性以及大脑各采集点位和手臂各采集点位之间的功能连通性；
根据所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图，构建样本数据，以及确定所述患者的TMS实际治疗评估信息；
根据所述样本数据以及所述实际治疗评估信息，对预测模型进行训练，得到训练后的预测模型，以通过所述训练后的预测模型预测出目标患者的TMS治疗评估信息并在目标医疗设备上进行展示。
可选地，皮质-肌肉-皮质网络图中包括的每个节点对应所述患者大脑上的采集点位或所述患者手臂肌肉上的采集点位，节点之间的边用于表征采集点位之间的功能连通性。
可选地，根据所述第一影像数据，构建治疗前皮质-肌肉-皮质网络图，根据所述第二影像数据，构建治疗后皮质-肌肉-皮质网络图，具体包括：
根据所述第一影像数据，确定治疗前各采集点位之间的信号交互信息，以及根据所述第二影像数据，确定治疗后各采集点位之间的信号交互信息，所述信号交互信息包括信号交互方向以及信号交互强度；
根据治疗前各采集点位之间的信号交互信息，构建所述治疗前皮质-肌肉-皮质网络图，以及根据治疗后各采集点位之间的信号交互信息，构建所述治疗后皮质-肌肉-皮质网络图。
可选地，根据所述第一影像数据，确定治疗前各采集点位之间的信号交互信息，以及根据所述第二影像数据，确定治疗后各采集点位之间的信号交互信息，具体包括：
分别建立所述第一影像数据和所述第二影像数据对应的时变自回归TVAR鲁棒估计模型；
针对所述第一影像数据和所述第二影像数据分别对应的TVAR鲁棒估计模型进行偏定向相干性PDC分析，得到治疗前各采集点位之间的信号交互信息，以及治疗后各采集点位之间的信号交互信息。
可选地，针对所述第一影像数据和所述第二影像数据分别对应的TVAR鲁棒估计模型进行偏定向相干性PDC分析，得到治疗前各采集点位之间的信号交互信息，以及治疗后各采集点位之间的信号交互信息，具体包括：
针对所述第一影像数据和所述第二影像数据构建出TVAR鲁棒估计模型后，确定所述第一影像数据在所述TVAR鲁棒估计模型中对应的第一回归系数以及确定所述第二影像数据在所述TVAR鲁棒估计模型中对应的第二回归系数；
将所述第一回归系数以及所述第二回归系数转换到时频域下，并将所述第一回归系数以及所述第二回归系数进行正交化，构建得到所述第一影像数据对应的时变广义正交化偏定向相干性TV-gOPDC模型以及所述第二影像数据对应时变广义正交化偏定向相干性TV-gOPDC模型，以得到所述第一影像数据对应的TV-gOPDC值以及所述第二影像数据对应的TV-gOPDC值，TV-gOPDC值用于表示时频域下的信号交互情况；
将所述第一影像数据对应的TV-gOPDC值进行时间平均，以得到治疗前各采集点位之间频域下的信号交互信息，将所述第二影像数据对应的TV-gOPDC值进行时间平均，以得到治疗后各采集点位之间频域下的信号交互信息。
可选地，根据所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图，构建样本数据，具体包括：
从所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图选取出至少一个节点对，所述至少一个节点对之间的边权重与所述实际治疗评估信息之间的相关度高于设定相关度；
根据所述至少一个节点对，构建样本数据。
可选地，从所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图选取出至少一个节点对，具体包括：
确定所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图中各节点对之间的边权重与所述实际治疗评估信息之间的协方差；
根据所述协方差，确定所述各节点对之间的边权重与所述实际治疗评估信息之间的整体相关度；
根据所述整体相关度，以及所述协方差对应的奇异值，确定每个节点对之间的边权重与所述实际治疗评估信息之间的相关度；
根据每个节点对之间的边权重与所述实际治疗评估信息之间的相关度，选取出选取出至少一个节点对。
本说明书提供了一种基于皮质-肌肉-皮质网络图的模型训练装置，包括：
获取模块，用于获取采集到的通过经颅磁刺激TMS治疗前患者在设定时间内运动过程中的脑电图EEG和肌电图EMG，作为第一影像数据，以及获取采集到的通过TMS治疗后所述患者在设定时间内运动过程中的EEG和EMG，作为第二影像数据，其中，EEG是通过患者大脑上各采集点位设置的采集装置采集到的，EMG是通过患者手臂上各采集点位设置的采集装置采集到的；
第一构建模块，用于根据所述第一影像数据，构建治疗前皮质-肌肉-皮质网络图，根据所述第二影像数据，构建治疗后皮质-肌肉-皮质网络图，皮质-肌肉-皮质网络图用于表征大脑上各采集点位之间的功能连通性，手臂上各采集点位之间的功能连通性以及大脑各采集点位和手臂各采集点位之间的功能连通性；
第二构建模块，用于根据所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图，构建样本数据，以及确定所述患者的TMS实际治疗评估信息；
训练模块，用于根据所述样本数据以及所述实际治疗评估信息，对预测模型进行训练，得到训练后的预测模型，以通过所述训练后的预测模型预测出目标患者的TMS治疗评估信息并在目标医疗设备上进行展示。
可选地，皮质-肌肉-皮质网络图中包括的每个节点对应所述患者大脑上的采集点位或所述患者手臂肌肉上的采集点位，节点之间的边用于表征采集点位之间的功能连通性。
可选地，所述第一构建模块具体用于，根据所述第一影像数据，确定治疗前各采集点位之间的信号交互信息，以及根据所述第二影像数据，确定治疗后各采集点位之间的信号交互信息，所述信号交互信息包括信号交互方向以及信号交互强度；根据治疗前各采集点位之间的信号交互信息，构建所述治疗前皮质-肌肉-皮质网络图，以及根据治疗后各采集点位之间的信号交互信息，构建所述治疗后皮质-肌肉-皮质网络图。
可选地，所述第一构建模块具体用于，分别建立所述第一影像数据和所述第二影像数据对应的时变自回归TVAR鲁棒估计模型；针对所述第一影像数据和所述第二影像数据分别对应的TVAR鲁棒估计模型进行偏定向相干性PDC分析，得到治疗前各采集点位之间的信号交互信息，以及治疗后各采集点位之间的信号交互信息。
可选地，所述第一构建模块具体用于，针对所述第一影像数据和所述第二影像数据构建出TVAR鲁棒估计模型后，确定所述第一影像数据在所述TVAR鲁棒估计模型中对应的第一回归系数以及确定所述第二影像数据在所述TVAR鲁棒估计模型中对应的第二回归系数；将所述第一回归系数以及所述第二回归系数转换到时频域下，并将所述第一回归系数以及所述第二回归系数进行正交化，构建得到所述第一影像数据对应的时变广义正交化偏定向相干性TV-gOPDC模型以及所述第二影像数据对应时变广义正交化偏定向相干性TV-gOPDC模型，以得到所述第一影像数据对应的TV-gOPDC值以及所述第二影像数据对应的TV-gOPDC值，TV-gOPDC值用于表示时频域下的信号交互情况；将所述第一影像数据对应的TV-gOPDC值进行时间平均，以得到治疗前各采集点位之间频域下的信号交互信息，将所述第二影像数据对应的TV-gOPDC值进行时间平均，以得到治疗后各采集点位之间频域下的信号交互信息。
可选地，所述第二构建模块具体用于，从所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图选取出至少一个节点对，所述至少一个节点对之间的边权重与所述实际治疗评估信息之间的相关度高于设定相关度；根据所述至少一个节点对，构建样本数据。
可选地，所述第二构建模块具体用于，确定所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图中各节点对之间的边权重与所述实际治疗评估信息之间的协方差；根据所述协方差，确定所述各节点对之间的边权重与所述实际治疗评估信息之间的整体相关度；根据所述整体相关度，以及所述协方差对应的奇异值，确定每个节点对之间的边权重与所述实际治疗评估信息之间的相关度；根据每个节点对之间的边权重与所述实际治疗评估信息之间的相关度，选取出至少一个节点对。
本说明书提供了一种计算机可读存储介质，所述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皮质-肌肉-皮质网络图的模型训练方法。
本说明书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程序时实现上述基于皮质-肌肉-皮质网络图的模型训练方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
从上述基于皮质-肌肉-皮质网络图的模型训练方法中可以看出，可以获取采集到的通过经颅磁刺激TMS治疗前患者在设定时间内运动过程中的脑电图EEG和肌电图EMG，作为第一影像数据，以及获取采集到的通过TMS治疗后所述患者在设定时间内运动过程中的EEG和EMG，作为第二影像数据，其中，EEG是通过患者大脑上各采集点位设置的采集装置采集到的，EMG是通过患者手臂上各采集点位设置的采集装置采集到的；而后，可以根据第一影像数据，构建治疗前皮质-肌肉-皮质网络图，根据第二影像数据，构建治疗后皮质-肌肉-皮质网络图，皮质-肌肉-皮质网络图用于表征大脑上各采集点位之间的功能连通性，手臂上各采集点位之间的功能连通性以及大脑各采集点位和手臂各采集点位之间的功能连通性。根据治疗前皮质-肌肉-皮质网络图以及治疗后皮质-肌肉-皮质网络图，构建样本数据，以及确定患者的TMS实际治疗评估信息，而后，根据样本数据以及实际治疗评估信息，对预测模型进行训练，得到训练后的预测模型，以通过训练后的预测模型预测出目标患者的TMS治疗评估信息并在目标医疗设备上进行展示。
从上述内容中可以看出，本说明书提供的基于皮质-肌肉-皮质网络图的模型训练方法，提出了一种皮质-肌肉-皮质网络，进一步建立了基于该皮质-肌肉-皮质网络的网络特征的预测模型来评估TMS治疗方式对患者运动功能康复的治疗效果。本发明通过采集患者动态运动过程中的脑电信号和肌电信号，从而捕捉患者运动过程中脑电信号和肌电信号之间的交互性、脑电信号之间，肌电信号之间的交互性，进而根据这种交互性构建预测模型来评估患者的治疗效果，从而能够自动化的评估患者在经过TMS治疗后的治疗效果，并提高评估的准确性，以及能够对中枢干预刺激在脑疾病领域的深入应用提供较高的应用价值。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书提供的一种基于皮质-肌肉-皮质网络图的模型训练方法的流程示意图；
图2为本说明书中提供的一种皮质-肌肉-皮质网络图的示意图；
图3为本说明书中提供的一种相关矩阵的示意图；
图4为本说明书中提供的一种基于将大脑及手臂划分为设定区域构建出的皮质-肌肉-皮质网络图；
图5为本说明书中提供的一种差异化圆形图的示意图；
图6为本说明书中提供的一种差异化圆形图的示意图；
图7为本说明书提供的一种基于皮质-肌肉-皮质网络图的模型训练装置示意图；
图8为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种基于皮质-肌肉-皮质网络图的模型训练方法的流程示意图，具体包括以下步骤：
S100：获取采集到的通过经颅磁刺激TMS治疗前患者在设定时间内运动过程中的脑电图EEG和肌电图EMG，作为第一影像数据，以及获取采集到的通过TMS治疗后所述患者在设定时间内运动过程中的EEG和EMG，作为第二影像数据，其中，EEG是通过患者大脑上各采集点位设置的采集装置采集到的，EMG是通过患者手臂上各采集点位设置的采集装置采集到的。
在实际应用中，在患者经过TMS治疗后，需要对患者的治疗效果进行评估，并且可以基于评估结果，向患者建议后续的治疗方案。
本说明书中提供的基于皮质-肌肉-皮质网络图的模型训练方法旨在训练出能够自动评估患者经TMS治疗后的治疗效果的模型。
在模型训练之前，需要构建出训练样本，可以获取采集到的通过TMS治疗前患者在设定时间内运动过程中的脑电图(Electroencephalogram，EEG)和肌电图(Electromyogram，EMG)，作为第一影像数据，以及获取采集到的通过TMS治疗后患者在设定时间内运动过程中的EEG和EMG，作为第二影像数据，其中，EEG是通过患者大脑上各采集点位设置的采集装置采集到的，EMG是通过患者手臂上各采集点位设置的采集装置采集到的。上述设定时间可以人为进行设定，如30分钟。
也就是说，训练样本需要通过实际中患者在TMS治疗前后患者的EEG、EMG得到，而由于作为训练样本来说，需要考虑到EEG和EMG之间的关联性，则需要采集到的EEG和EMG的数据，是使得患者在运动过程中所采集到的。而在采集患者的EEG和EMG的过程，患者的运动可以不进行限定，可以使得患者手臂自由活动，或是使患者按照固定的运动方式活动手臂。
当然，由于后续需要通过患者的EEG和EMG数据构建训练样本，因此，可以获取多个患者在TMS治疗前后运动过程中采集得到的EEG和EMG，以得到样本数据。并且，还需要确定患者TMS实际治疗评估信息(可以是医生给出的临床评估量表(Fugl-Meyer of upperextremity,FMUE)值)，作为模型训练的标注。
需要说明的是，本说明书提供的一种基于皮质-肌肉-皮质网络图的模型训练方法的执行主体不进行限定，可以是服务器、大型的服务平台、台式电脑等。
S102：根据所述第一影像数据，构建治疗前皮质-肌肉-皮质网络图，根据所述第二影像数据，构建治疗后皮质-肌肉-皮质网络图，皮质-肌肉-皮质网络图用于表征大脑上各采集点位之间的功能连通性，手臂上各采集点位之间的功能连通性以及大脑各采集点位和手臂各采集点位之间的功能连通性。
采集得到第一影像数据以及第二影像数据后，可以根据第一影像数据，构建治疗前皮质-肌肉-皮质网络图，以及根据所述第二影像数据，构建治疗后皮质-肌肉-皮质网络图，皮质-肌肉-皮质网络图用于表征大脑上各采集点位之间的功能连通性，手臂上各采集点位之间的功能连通性以及大脑各采集点位和手臂各采集点位之间的功能连通性。
这里提到的功能连通性可以是指大脑上、手臂肌肉上以及大脑和手臂肌肉之间在功能驱动上的连通性，功能连通性可以表示两个采集点位之间是否存在驱动的可能。其中，皮质-肌肉-皮质网络图中包括的每个节点对应患者大脑上的采集点位或患者手臂肌肉上的采集点位(即，节点可以用于抽象表征该节点所对应的那个采集点位，一个节点可以表征大脑上的一个采集点位或是手臂肌肉上的一个采集点位)，节点之间的边用于表征采集点位之间的功能连通性。
皮质-肌肉-皮质网络图可以如图2所示。
图2为本说明书中提供的一种皮质-肌肉-皮质网络图的示意图。
在图2中，每个节点代表大脑上的采集点位或是手臂肌肉上的采集点位，当然，在本说明书中提到的皮质-肌肉-皮质网络图可以是针对手臂肌肉采集的肌电图，在实际应用中也可以扩展到其他部位的肌电图。
具体的，可以根据第一影像数据，确定治疗前各采集点位之间的信号交互信息，以及根据第二影像数据，确定治疗后各采集点位之间的信号交互信息，所述信号交互信息包括信号交互方向以及信号交互强度，以根据确定出的信号交互信息，构建治疗前皮质-肌肉-皮质网络图，以及治疗后皮质-肌肉-皮质网络图。
具体确定信号交互信息的方式，可以为：分别建立第一影像数据和第二影像数据对应的时变自回归(Time-varying Autoregressive,TVAR)鲁棒估计模型，针对第一影像数据和第二影像数据分别对应的TVAR鲁棒估计模型进行偏定向相干性(Partial DirectedCoherence，PDC)分析，得到治疗前各采集点位之间的信号交互信息，以及治疗后各采集点位之间的信号交互信息。
上述构建TVAR鲁棒估计模型，并基于TVAR模型，进行偏定向相干性分析所计算出的信号交互信息是一种因果估计的结果，这种方式基于格兰杰因果方法，分析的是采集点位之间信号影响的因果关系，也就是说，通过这种方式确定出的信号交互信息表示的是估计出的信号之间的因果关系。
例如，对于采集点位1和采集点位2来说，能够采集到该采集点位1和采集点位2上的电信号(采集点位1和采集点位2可以是大脑上的采集点位也可以是手臂上的采集点位)，对于采集点位1来说，上述方式可以分析出采集点位1流出到采集点位2所流出的信号占采集点位1总共流出的信号的比例。
需要说明的是，假设EEG包括M维的时间序列(脑电图通过M个采集点位采集得到)，EMG包括N维的时间序列(肌电图通过N个采集点位采集得到)。那么可以将EEG和EMG数据合并为M+N维的时间序列。
但在构建TVAR鲁棒估计模型，进而进行偏定向相干性分析时，需要将两两不同的采集点位进行组合，得到若干种采集点位之间的组合，可以针对每一对采集点位构建TVAR鲁棒估计模型，并进行偏定向相干性分析，从而得到两个采集点位之间的信号交互强度。
上述TVAR鲁棒估计模型具体可以如以下公式所示。
其中，对于第一影像数据以及第二影像数据，均可以构建以上公式，从而开始计算信号之间的交互强度。
xd(t)可以表示将两两采集点位进行组合后，组合的两个采集点位对应的EEG和/或EMG数据组成的时间序列。d可以表示EEG和EMG的不同组合，其值在1到3的范围内(1可以表示EEG与EEG之间的组合，2可以表示EMG与EMG之间的组合，3可以表示EEG与EMG之间的组合)。P表示TVAR的阶数。
Ap(t)是随时间变化的多变量自回归系数(对于第一影像数据来说为第一回归系数，对于第二影像数据来说为第二回归系数)；εd(t)表示白噪声过程(零均值)。
而后，可以基于上述TVAR中的建立时变广义偏定向相干性(Time-varyinggeneralized partial directed coherence,TV-gPDC)模型，公式如下所示，该TV-gPDC模型可以描述不同脑区通道、脑肌通道和肌肉间通道的定向交互作用。
其中，i可以表示一个采集点位，j可以表示另一个采集点位，σd i(t)表示上述步骤白噪声过程εd(t)的标准差，*表示复共轭；为将上述Ap(t)转换到时频域下的系数矩阵，U可以设置为2，/>的值越大，表示两个采集点位之间的信号交互强度越大。
通过上述TV-gPDC模型求出的可以表示在时频域上大脑间、大脑和肌肉间、肌肉间采集点位的信号交互情况，因此，可以直接通过上述/>确定出信号交互信息。但是为了进一步降低噪声，可以针对上述Ap(t)进行正交化，以构建时变广义正交化偏定向相干性(Time-varying generalized orthogonalized partial directedcoherence,，TV-gOPDC)模型，来确定出信号交互信息。
具体的，可以针对第一影像数据和第二影像数据构建出TVAR鲁棒估计模型后，确定第一影像数据在TVAR鲁棒估计模型中对应的第一回归系数以及确定第二影像数据在TVAR鲁棒估计模型中对应的第二回归系数，并将第一回归系数以及第二回归系数转换到时频域下，将第一回归系数以及第二回归系数进行正交化，构建得到第一影像数据对应的TV-gOPDC模型以及第二影像数据对应TV-gOPDC模型，以得到第一影像数据对应的TV-gOPDC值以及第二影像数据对应的TV-gOPDC值，TV-gOPDC值用于表示时频域下的信号交互情况。
其中，TV-gOPDC模型的公式具体如下所示：
该TV-gOPDC与上述TV-gPDC类似，的值越大，表示从i代表的采集点位流向j代表的采集点位的信息越多，其中Real{·}和Imag{·}分别表示正交化元素(被转换为时频域并正交化的Ap(t))的实部和虚部。
将第一影像数据对应的TV-gOPDC值进行时间平均，可以得到治疗前各采集点位之间频域下的信号交互信息，将第二影像数据对应的TV-gOPDC值进行时间平均，可以得到治疗后各采集点位之间频域下的信号交互信息。
需要说明的是，不管TV-gOPDC值还是TV-gPDC值，均表示的是在频域下的信号交互情况，而不同频段的信号交互情况存在一定区别，因此，可以针对设定频段内的TV-gOPDC值进行积分，以得到上述提到的信号交互信息中的信号交互强度。设定频段可以为：Alpha:8Hz-15Hz,Beta:15Hz-30Hz,Gamma:30Hz-45Hz。
具体的计算方式可以如下公式所示：
其中，Δf是频率分辨率；fs和fe分别表示开始和结束频率点。
其中的是显著性阈值，即，为了利用因果傅里叶变换方法和重整化偏定向相干方法验证TV-gOPDC值在频域中的统计显著性，定义显著性阈值(significantthreshold,SL)为若干(例如，可以为500)个代理集中每个TV-gOPDC值分布的第95个百分点。这里提到的代理集可以是指重整化后的EEG和EMG数据，即，将EEG和EMG数据打乱时间顺序。
需要说明的是，在通过上述一系列公式进行PDC分析时，对于任意两个采集点位的组合来说，信号交互方向不同，在进行偏定向相干性分析的计算也是不同的，例如，假设计算采集点位1与采集点位2之间的信号交互强度，在计算从采集点位1到采集点位2这一方向的信号交互强度时，i可以为1，j可以为2，在计算采集点位2到采集点位1这一方向的信号交互强度时，i可以为2，j可以为1。在此定义两种信息流的方向：Out-direction、In-direction。
Out-direction：包括In-direction包括：/>也就是说，Out-direction包括从大脑到手臂肌肉的方向，而In-direction包括从手臂肌肉到大脑的方向，而上述的*表示/>与eegn不是同一个采集点位。
通过上述步骤计算得到的FC值(功能连接度量值，可以将其作为信号交互强度)构建相关矩阵，该相关矩阵可以直接转换为皮质-肌肉-皮质网络图，采集点位之间的FC值可以作为gCMCN的权重边值，从而抽象地将大脑间、肌肉间和大脑与肌肉间的信号交互情况表示为由顶点和对应边组成的图，相关矩阵可以如图3所示。
图3为本说明书中提供的一种相关矩阵的示意图。
其中，图3中，矩阵元素1-32和元素33-40可以分别表示EEG对应的采集点位和EMG对应的采集点位。
当然，为了进一步地剔除皮质-肌肉-皮质网络图中作用较小的边，可以确定出原始的皮质-肌肉-皮质网络图对应的网络稀疏度，进而可以根据该网络稀疏度确定出阈值，将边权重低于阈值的边在原始的皮质-肌肉-皮质网络图去除。
上述建立的皮质-肌肉-皮质网络图，是基于大脑和手臂肌肉上的各采集点位建立的，而大脑以及手臂均可以被分成多个区域，每个区域中可以包含有多个采集点位，那么，也可以基于大脑和手臂所分成的区域，建立皮质-肌肉-皮质网络图，该图中的一个节点对应的一个区域。
具体的，可以计算有效连接(Effective connectivity,EC)度量，即从源区域流向目标区域(即流入指数)或从目标区域流向源区域(即流出指数)的总FCgOPDC信息量，流入指数(ECini)和流出指数(ECofi)可以表示如下：
其中n和m分别表示源区域和目标区域中的某个采集点位，N和M分别表示源区域和目标区域的感兴趣区域(Region of interest,ROI)中的采集点位数量。通过计算出的流入指数和流出指数可以构建出基于将大脑及手臂划分为设定区域的皮质-肌肉-皮质网络图，如图4所示。
图4为本说明书中提供的一种基于将大脑及手臂划分为设定区域构建出的皮质-肌肉-皮质网络图。
作为一优选方案，流入指数代表源区域对目标区域的因果影响，而流出指数代表源区域受目标区域因果驱动的程度。有效连接度量的建立是基于不同皮质区域和肌肉区域作为ROI的假设，这反映了不同区域信息流的总体影响。未受影响侧和受影响侧的初级运动皮层区域、初级躯体感觉皮层和顶叶相关区域被选为ROIs。对于与上肢解剖部分相关的肌肉区域，根据EMG电极收集的信号将各肌肉区域定义为ROIs。这种皮质-肌肉-皮质网络图的示意图可以如图4所示，其中不同节点代表不同皮质和肌肉的ROIs。
还需说明的是，还可以建立差异化圆形图(Modified circular graph,MCG)直观地量化FC和EC度量在TMS治疗前后的完整变化，也就是说，可以计算出TMS治疗前后信号交互强度的差异，并构建成图的形式。MCG具体可以如图5、图6所示。
图5为本说明书中提供的一种差异化圆形图的示意图。
图6为本说明书中提供的一种差异化圆形图的示意图。
可以看出，图5是针对基于FC值构建出的皮质-肌肉-皮质网络图(即上述第一种皮质-肌肉-皮质网络图)的差异化圆形图，图6是针对基于EC值构建出的皮质-肌肉-皮质网络图(即上述第二种皮质-肌肉-皮质网络图)的差异化圆形图。
其中，和/>和/>分别表示TMS治疗前后的FC和EC度量值。为了使MCG更具可解释性，可以仅显示大于0的MCG值，即MCG代表了gCMCN整体连接性增强的趋势。基于FC和EC度量的差异化圆形图表示如图5所示，左边为基于FC度量的差异化圆形图和右边为基于EC度量的差异化圆形图，其中FC圆形图的节点代表采集点位的名称，EC圆形图节点代表感兴趣的不同皮质区域和肌肉区域。
类似皮质-肌肉-皮质网络图，上述差异化圆形图也可以用于构建预测模型的样本数据。
S104：根据所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图，构建样本数据，以及确定所述患者的TMS实际治疗评估信息。
S106：根据所述样本数据以及所述实际治疗评估信息，对预测模型进行训练，得到训练后的预测模型，以通过所述训练后的预测模型预测出目标患者的TMS治疗评估信息并在目标医疗设备上进行展示。
确定出治疗前皮质-肌肉-皮质网络图以及治疗后皮质-肌肉-皮质网络图后，可以根据治疗前皮质-肌肉-皮质网络图以及治疗后皮质-肌肉-皮质网络图，构建出样本数据，以及确定出相应患者的TMS实际治疗评估信息。
而后，可以根据上述样本数据以及实际治疗评估信息，对预测模型进行训练，得到训练后的预测模型，以通过训练后的预测模型预测出目标患者的TMS治疗评估信息并在目标医疗设备上进行展示，展示TMS治疗评估信息的具体场景可以存在多种。
例如，可以展示在医生的设备中，以使医生得知目前患者的治疗情况，再例如，可以展示在患者相关的医疗设备中，以使患者或患者家属得知治疗效果，并且，还可以基于预测出的TMS治疗评估信息，向患者发送推荐的后续方案信息，如若是治疗效果较好，则可以向患者推荐继续使用TMS治疗，而若治疗效果较差，则可以向患者推荐放弃使用TMS治疗。
其中，可以通过偏最小二乘回归(Partial least squares regression,PLSR)模型，来预测TMS治疗评估信息。可以通过自变量FC值，预测因变量FMUE，生成回归系数，并将其应用于测试集，以测试训练出的模型的效果。具体可以采用留一法，建立PLSR模型的拟合系数(R2)，以及预测FMUE和实际FMUE的拟合斜率来评估PLSR模型的预测性能。
从上述内容中可以看出，可以将边权重(如FC值)来建立样本数据，当然，还可以通过皮质-肌肉-皮质网络图，结合图计算的方式，计算出节点的特征向量，从而以此来构建样本数据。
需要说明的是，皮质-肌肉-皮质网络图中的节点较多，网络较为复杂，为了进一步地提高模型的准确率，可以选取出部分节点对，根据这些节点对来构建样本数据，而为了提高准率，这些节点对需要与实际治疗评估信息之间的相关度较高。
因此，可以从所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图选取出至少一个节点对，所述至少一个节点对之间的边权重与实际治疗评估信息之间的相关度高于设定相关度，根据至少一个节点对，构建样本数据。当然，也可以依据该相关度，选取top-n个节点对，作为至少一个节点对，其中n可以为设定值，在本说明书中可以被设定为5个。
具体确定相关度方式可以存在多种，在此举出一种方式：
可以确定所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图中各节点对之间的边权重与实际治疗评估信息之间的协方差，并根据确定出的协方差，确定各节点对之间的边权重与实际治疗评估信息之间的整体相关度。进而根据该整体相关度以及协方差对应的奇异值，确定每个节点对之间的边权重与实际治疗评估信息之间的相关度。而后，可以根据每个节点对之间的边权重与实际治疗评估信息之间的相关度，选取出至少一个节点对，这里提到的边权重可以通过上述信号交互强度确定出。
也就是说，可以利用奇异值分解将信号交互强度和FMUE值的协方差分解为一组潜在变量(potential variables,PV)。通过偏最小二乘相关(Partial least squarescorrelation,PLSC)来选取出节点对。当然，不同频段下的信号交互强度也可能会存在一定不同，因此，也可以通过这种方式选取出频段和节点对。在本说明书中，可以选取出相关度在前五的节点对，选取出的节点对可以是图2中的C3→CP1,CP5→FDS,C4→BB,FC1→CP1,Cz→CP2，在训练过程选取出的节点对可以应用在模型预测过程中。
需要说明的是，在计算上述整体相关度时，可以使用Bootstrap重采样测试(对500次迭代的协方差矩阵进行采样)，以根据Bootstrap Ratio值(z分数)得到FC值在FMUE的总体相关性方面的贡献，作为整体相关度。
从上述内容可以看出，本发明提出了一种皮质-肌肉-皮质网络，进一步建立了基于该皮质-肌肉-皮质网络的网络特征的预测模型来评估TMS治疗方式对患者运动功能康复的治疗效果。本发明通过采集患者动态运动过程中的脑电信号和肌电信号，从而捕捉患者运动过程中脑电信号和肌电信号之间的交互性、脑电信号之间，肌电信号之间的交互性，进而根据这种交互性构建预测模型来评估患者的治疗效果，从而能够自动化的评估患者在经过TMS治疗后的治疗效果，并提高评估的准确性，以及能够对中枢干预刺激在脑疾病领域的深入应用提供较高的应用价值。
图7为本说明书提供的一种皮质-肌肉-皮质网络图的模型训练装置示意图，包括：
获取模块701，用于获取采集到的通过经颅磁刺激TMS治疗前患者在设定时间内运动过程中的脑电图EEG和肌电图EMG，作为第一影像数据，以及获取采集到的通过TMS治疗后所述患者在设定时间内运动过程中的EEG和EMG，作为第二影像数据，其中，EEG是通过患者大脑上各采集点位设置的采集装置采集到的，EMG是通过患者手臂上各采集点位设置的采集装置采集到的；
第一构建模块702，用于根据所述第一影像数据，构建治疗前皮质-肌肉-皮质网络图，根据所述第二影像数据，构建治疗后皮质-肌肉-皮质网络图，皮质-肌肉-皮质网络图用于表征大脑上各采集点位之间的功能连通性，手臂上各采集点位之间的功能连通性以及大脑各采集点位和手臂各采集点位之间的功能连通性；
第二构建模块703，用于根据所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图，构建样本数据，以及确定所述患者的TMS实际治疗评估信息；
训练模块704，用于根据所述样本数据以及所述实际治疗评估信息，对预测模型进行训练，得到训练后的预测模型，以通过所述训练后的预测模型预测出目标患者的TMS治疗评估信息并在目标医疗设备上进行展示。
可选地，皮质-肌肉-皮质网络图中包括的每个节点对应所述患者大脑上的采集点位或所述患者手臂肌肉上的采集点位，节点之间的边用于表征采集点位之间的功能连通性。
可选地，所述第一构建模块702具体用于，根据所述第一影像数据，确定治疗前各采集点位之间的信号交互信息，以及根据所述第二影像数据，确定治疗后各采集点位之间的信号交互信息，所述信号交互信息包括信号交互方向以及信号交互强度；根据治疗前各采集点位之间的信号交互信息，构建所述治疗前皮质-肌肉-皮质网络图，以及根据治疗后各采集点位之间的信号交互信息，构建所述治疗后皮质-肌肉-皮质网络图。
可选地，所述第一构建模块702具体用于，分别建立所述第一影像数据和所述第二影像数据对应的时变自回归TVAR鲁棒估计模型；针对所述第一影像数据和所述第二影像数据分别对应的TVAR鲁棒估计模型进行偏定向相干性PDC分析，得到治疗前各采集点位之间的信号交互信息，以及治疗后各采集点位之间的信号交互信息。
可选地，所述第一构建模块702具体用于，针对所述第一影像数据和所述第二影像数据构建出TVAR鲁棒估计模型后，确定所述第一影像数据在所述TVAR鲁棒估计模型中对应的第一回归系数以及确定所述第二影像数据在所述TVAR鲁棒估计模型中对应的第二回归系数；将所述第一回归系数以及所述第二回归系数转换到时频域下，并将所述第一回归系数以及所述第二回归系数进行正交化，构建得到所述第一影像数据对应的时变广义正交化偏定向相干性TV-gOPDC模型以及所述第二影像数据对应时变广义正交化偏定向相干性TV-gOPDC模型，以得到所述第一影像数据对应的TV-gOPDC值以及所述第二影像数据对应的TV-gOPDC值，TV-gOPDC值用于表示时频域下的信号交互情况；将所述第一影像数据对应的TV-gOPDC值进行时间平均，以得到治疗前各采集点位之间频域下的信号交互信息，将所述第二影像数据对应的TV-gOPDC值进行时间平均，以得到治疗后各采集点位之间频域下的信号交互信息。
可选地，所述第二构建模块703具体用于，从所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图选取出至少一个节点对，所述至少一个节点对之间的边权重与所述实际治疗评估信息之间的相关度高于设定相关度；根据所述至少一个节点对，构建样本数据。
可选地，所述第二构建模块703具体用于，确定所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图中各节点对之间的边权重与所述实际治疗评估信息之间的协方差；根据所述协方差，确定所述各节点对之间的边权重与所述实际治疗评估信息之间的整体相关度；根据所述整体相关度，以及所述协方差对应的奇异值，确定每个节点对之间的边权重与所述实际治疗评估信息之间的相关度；根据每个节点对之间的边权重与所述实际治疗评估信息之间的相关度，选取出至少一个节点对。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述基于皮质-肌肉-皮质网络图的模型训练方法。
本说明书还提供了图8所示的电子设备的示意结构图。如图8所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述基于皮质-肌肉-皮质网络图的模型训练方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种基于皮质-肌肉-皮质网络图的模型训练方法，其特征在于，包括：
获取采集到的通过经颅磁刺激TMS治疗前患者在设定时间内运动过程中的脑电图EEG和肌电图EMG，作为第一影像数据，以及获取采集到的通过TMS治疗后所述患者在设定时间内运动过程中的EEG和EMG，作为第二影像数据，其中，EEG是通过患者大脑上各采集点位设置的采集装置采集到的，EMG是通过患者手臂上各采集点位设置的采集装置采集到的；
分别建立所述第一影像数据和所述第二影像数据对应的时变自回归TVAR鲁棒估计模型；针对所述第一影像数据和所述第二影像数据分别对应的TVAR鲁棒估计模型进行偏定向相干性PDC分析，得到治疗前各采集点位之间的信号交互信息，以及治疗后各采集点位之间的信号交互信息；根据治疗前各采集点位之间的信号交互信息，构建所述治疗前皮质-肌肉-皮质网络图，以及根据治疗后各采集点位之间的信号交互信息，构建所述治疗后皮质-肌肉-皮质网络图；皮质-肌肉-皮质网络图用于表征大脑上各采集点位之间的功能连通性，手臂上各采集点位之间的功能连通性以及大脑各采集点位和手臂各采集点位之间的功能连通性，所述信号交互信息包括信号交互方向以及信号交互强度；
根据所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图，构建样本数据，以及确定所述患者的TMS实际治疗评估信息；
根据所述样本数据以及所述实际治疗评估信息，对预测模型进行训练，得到训练后的预测模型，以通过所述训练后的预测模型预测出目标患者的TMS治疗评估信息并在目标医疗设备上进行展示。
2.如权利要求1所述的方法，其特征在于，皮质-肌肉-皮质网络图中包括的每个节点对应所述患者大脑上的采集点位或所述患者手臂肌肉上的采集点位，节点之间的边用于表征采集点位之间的功能连通性。
3.如权利要求1所述的方法，其特征在于，针对所述第一影像数据和所述第二影像数据分别对应的TVAR鲁棒估计模型进行偏定向相干性PDC分析，得到治疗前各采集点位之间的信号交互信息，以及治疗后各采集点位之间的信号交互信息，具体包括：
针对所述第一影像数据和所述第二影像数据构建出TVAR鲁棒估计模型后，确定所述第一影像数据在所述TVAR鲁棒估计模型中对应的第一回归系数以及确定所述第二影像数据在所述TVAR鲁棒估计模型中对应的第二回归系数；
将所述第一回归系数以及所述第二回归系数转换到时频域下，并将所述第一回归系数以及所述第二回归系数进行正交化，构建得到所述第一影像数据对应的时变广义正交化偏定向相干性TV-gOPDC模型以及所述第二影像数据对应时变广义正交化偏定向相干性TV-gOPDC模型，以得到所述第一影像数据对应的TV-gOPDC值以及所述第二影像数据对应的TV-gOPDC值，TV-gOPDC值用于表示时频域下的信号交互情况；
将所述第一影像数据对应的TV-gOPDC值进行时间平均，以得到治疗前各采集点位之间频域下的信号交互信息，将所述第二影像数据对应的TV-gOPDC值进行时间平均，以得到治疗后各采集点位之间频域下的信号交互信息。
4.如权利要求1所述的方法，其特征在于，根据所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图，构建样本数据，具体包括：
从所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图选取出至少一个节点对，所述至少一个节点对之间的边权重与所述实际治疗评估信息之间的相关度高于设定相关度；
根据所述至少一个节点对，构建样本数据。
5.如权利要求4所述的方法，其特征在于，从所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图选取出至少一个节点对，具体包括：
确定所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图中各节点对之间的边权重与所述实际治疗评估信息之间的协方差；
根据所述协方差，确定所述各节点对之间的边权重与所述实际治疗评估信息之间的整体相关度；
根据所述整体相关度，以及所述协方差对应的奇异值，确定每个节点对之间的边权重与所述实际治疗评估信息之间的相关度；
根据每个节点对之间的边权重与所述实际治疗评估信息之间的相关度，选取出至少一个节点对。
6.一种基于皮质-肌肉-皮质网络图的模型训练装置，其特征在于，包括：
获取模块，用于获取采集到的通过经颅磁刺激TMS治疗前患者在设定时间内运动过程中的脑电图EEG和肌电图EMG，作为第一影像数据，以及获取采集到的通过TMS治疗后所述患者在设定时间内运动过程中的EEG和EMG，作为第二影像数据，其中，EEG是通过患者大脑上各采集点位设置的采集装置采集到的，EMG是通过患者手臂上各采集点位设置的采集装置采集到的；
分别建立所述第一影像数据和所述第二影像数据对应的时变自回归TVAR鲁棒估计模型；针对所述第一影像数据和所述第二影像数据分别对应的TVAR鲁棒估计模型进行偏定向相干性PDC分析，得到治疗前各采集点位之间的信号交互信息，以及治疗后各采集点位之间的信号交互信息；根据治疗前各采集点位之间的信号交互信息，构建所述治疗前皮质-肌肉-皮质网络图，以及根据治疗后各采集点位之间的信号交互信息，构建所述治疗后皮质-肌肉-皮质网络图；皮质-肌肉-皮质网络图用于表征大脑上各采集点位之间的功能连通性，手臂上各采集点位之间的功能连通性以及大脑各采集点位和手臂各采集点位之间的功能连通性，所述信号交互信息包括信号交互方向以及信号交互强度；
第二构建模块，用于根据所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图，构建样本数据，以及确定所述患者的TMS实际治疗评估信息；
训练模块，用于根据所述样本数据以及所述实际治疗评估信息，对预测模型进行训练，得到训练后的预测模型，以通过所述训练后的预测模型预测出目标患者的TMS治疗评估信息并在目标医疗设备上进行展示。
7.如权利要求6所述的装置，其特征在于，皮质-肌肉-皮质网络图中包括的每个节点对应所述患者大脑上的采集点位或所述患者手臂肌肉上的采集点位，节点之间的边用于表征采集点位之间的功能连通性。
8.如权利要求6所述的装置，其特征在于，第一构建模块具体用于，针对所述第一影像数据和所述第二影像数据构建出TVAR鲁棒估计模型后，确定所述第一影像数据在所述TVAR鲁棒估计模型中对应的第一回归系数以及确定所述第二影像数据在所述TVAR鲁棒估计模型中对应的第二回归系数；将所述第一回归系数以及所述第二回归系数转换到时频域下，并将所述第一回归系数以及所述第二回归系数进行正交化，构建得到所述第一影像数据对应的时变广义正交化偏定向相干性TV-gOPDC模型以及所述第二影像数据对应时变广义正交化偏定向相干性TV-gOPDC模型，以得到所述第一影像数据对应的TV-gOPDC值以及所述第二影像数据对应的TV-gOPDC值，TV-gOPDC值用于表示时频域下的信号交互情况；将所述第一影像数据对应的TV-gOPDC值进行时间平均，以得到治疗前各采集点位之间频域下的信号交互信息，将所述第二影像数据对应的TV-gOPDC值进行时间平均，以得到治疗后各采集点位之间频域下的信号交互信息。
9.如权利要求6所述的装置，其特征在于，所述第二构建模块具体用于，从所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图选取出至少一个节点对，所述至少一个节点对之间的边权重与所述实际治疗评估信息之间的相关度高于设定相关度；根据所述至少一个节点对，构建样本数据。
10.如权利要求9所述的装置，其特征在于，所述第二构建模块具体用于，确定所述治疗前皮质-肌肉-皮质网络图以及所述治疗后皮质-肌肉-皮质网络图中各节点对之间的边权重与所述实际治疗评估信息之间的协方差；根据所述协方差，确定所述各节点对之间的边权重与所述实际治疗评估信息之间的整体相关度；根据所述整体相关度，以及所述协方差对应的奇异值，确定每个节点对之间的边权重与所述实际治疗评估信息之间的相关度；根据每个节点对之间的边权重与所述实际治疗评估信息之间的相关度，选取出至少一个节点对。
11.一种计算机可读存储介质，其特征在于，所述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权利要求1～5任一项所述的方法。
12.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现上述权利要求1～5任一项所述的方法。
CN202310204621.0A 2023-03-02 2023-03-02 一种基于皮质-肌肉-皮质网络图的模型训练方法及装置 Active CN116153522B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310204621.0A CN116153522B (zh) 2023-03-02 2023-03-02 一种基于皮质-肌肉-皮质网络图的模型训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310204621.0A CN116153522B (zh) 2023-03-02 2023-03-02 一种基于皮质-肌肉-皮质网络图的模型训练方法及装置

Publications (2)

Publication Number Publication Date
CN116153522A CN116153522A (zh) 2023-05-23
CN116153522B true CN116153522B (zh) 2023-09-19

Family

ID=86373573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310204621.0A Active CN116153522B (zh) 2023-03-02 2023-03-02 一种基于皮质-肌肉-皮质网络图的模型训练方法及装置

Country Status (1)

Country Link
CN (1) CN116153522B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595456B (zh) * 2023-06-06 2023-09-29 之江实验室 一种基于脑机接口的数据筛选和模型训练方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263749B1 (en) * 2021-06-04 2022-03-01 In-Med Prognostics Inc. Predictive prognosis based on multimodal analysis
CN115054243A (zh) * 2022-05-27 2022-09-16 国家康复辅具研究中心 上肢康复训练系统闭环设计方法及系统
CN115346676A (zh) * 2022-07-29 2022-11-15 燕山大学 一种基于皮层肌肉网络的运动功能重建动态模型构建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3866676A4 (en) * 2018-10-15 2022-11-16 The Board of Trustees of the Leland Stanford Junior University DEPRESSION TREATMENT THROUGH MACHINE LEARNING
US11696714B2 (en) * 2019-04-24 2023-07-11 Interaxon Inc. System and method for brain modelling

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263749B1 (en) * 2021-06-04 2022-03-01 In-Med Prognostics Inc. Predictive prognosis based on multimodal analysis
CN115054243A (zh) * 2022-05-27 2022-09-16 国家康复辅具研究中心 上肢康复训练系统闭环设计方法及系统
CN115346676A (zh) * 2022-07-29 2022-11-15 燕山大学 一种基于皮层肌肉网络的运动功能重建动态模型构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐智川 ; 孙守迁 ; 张克俊 ; .基于运动想象脑电信号分类的上肢康复外骨骼控制方法研究.机械工程学报.2017,53(10),第60-69页. *

Also Published As

Publication number Publication date
CN116153522A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
Nakagome et al. An empirical comparison of neural networks and machine learning algorithms for EEG gait decoding
Blinowska Review of the methods of determination of directed connectivity from multichannel data
Al-Kasasbeh et al. Prediction of gastric ulcers based on the change in electrical resistance of acupuncture points using fuzzy logic decision-making
CN116153522B (zh) 一种基于皮质-肌肉-皮质网络图的模型训练方法及装置
Frässle et al. Generative models for clinical applications in computational psychiatry
Wein et al. A graph neural network framework for causal inference in brain networks
Roth et al. Hidden Markov Model based stride segmentation on unsupervised free-living gait data in Parkinson’s disease patients
Protopapas et al. Evaluating cognitive models of visual word recognition using fMRI: Effects of lexical and sublexical variables
Kashyap et al. Objective assessment of cerebellar ataxia: A comprehensive and refined approach
CN111127428A (zh) 一种基于颅脑影像数据的目标区域的提取方法及系统
CN109658399A (zh) 一种头颈斑块图像识别方法及装置
CN114727761A (zh) 患有运动障碍的患者的个性化保健的改善
WeiKoh et al. Application of local configuration pattern for automated detection of schizophrenia with electroencephalogram signals
Guan et al. The complexity of spontaneous brain activity changes in schizophrenia, bipolar disorder, and ADHD was examined using different variations of entropy
US20200253548A1 (en) Classifying a disease or disability of a subject
Miller et al. Rate of progression in activity and participation outcomes in exercisers with Parkinson’s disease: a five-year prospective longitudinal study
CN113240106A (zh) 一种脑电溯源模型的训练方法，脑电溯源方法及电子设备
US11532086B2 (en) Systems and methods to facilitate determination of interaction between medications and the brain using a brain measure and a brain model
Gong et al. Smart urban planning: Intelligent cognitive analysis of healthcare data in cloud-based IoT
Blinowska et al. Multivariate signal analysis by parametric models
WO2014191805A1 (en) Devices and methods for determination of cognitive load
Genovese Statistical inference in functional magnetic resonance imaging
Tucciarelli et al. Does ipsilateral remapping following hand loss impact motor control of the intact hand?
Saboo et al. Predicting longitudinal cognitive scores using baseline imaging and clinical variables
CN116942180A (zh) 一种多特征加权融合的脑电分类方法及装置

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