CN116458869B - 基于视觉脑网络的意识检测方法、系统、设备及介质 - Google Patents

基于视觉脑网络的意识检测方法、系统、设备及介质 Download PDF

Info

Publication number
CN116458869B
CN116458869B CN202310395334.2A CN202310395334A CN116458869B CN 116458869 B CN116458869 B CN 116458869B CN 202310395334 A CN202310395334 A CN 202310395334A CN 116458869 B CN116458869 B CN 116458869B
Authority
CN
China
Prior art keywords
brain
consciousness
data
feature data
visual
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
CN202310395334.2A
Other languages
English (en)
Other versions
CN116458869A (zh
Inventor
陈娟
李自娜
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.)
South China Normal University
Original Assignee
South China Normal University
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 South China Normal University filed Critical South China Normal University
Priority to CN202310395334.2A priority Critical patent/CN116458869B/zh
Publication of CN116458869A publication Critical patent/CN116458869A/zh
Application granted granted Critical
Publication of CN116458869B publication Critical patent/CN116458869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
    • A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G06F18/21324—Rendering the within-class scatter matrix non-singular involving projections, e.g. Fisherface techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Psychiatry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Psychology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Human Computer Interaction (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开了一种基于视觉脑网络的意识检测方法、系统、设备及介质，该方法获取目标人员的脑信号数据；对脑信号数据进行预处理后，通过视觉感兴趣区域模板提取视觉脑区的时间序列数据；然后根据时间序列数据构建功能连接矩阵，并基于功能连接矩阵确定视觉脑区的拓扑特征数据；从拓扑特征数据中，提取具有显著差异的脑区的目标拓扑特征数据；将目标拓扑特征数据输入到意识状态检测模型中，通过意识状态检测模型对目标人员的意识状态进行检测，得到对应的第一意识状态检测结果。相对于传统的检测方法，本申请实施例中提供的方案，检测的实用性和准确性得到了提升。本申请可应用于医学领域。

Description

基于视觉脑网络的意识检测方法、系统、设备及介质
技术领域
本申请涉及医学技术领域，尤其是基于视觉脑网络的意识检测方法、系统、设备及介质。
背景技术
意识的复杂抽象性使其成为神经科学研究的一个仍需克服的重要领域。意识障碍(Disorder of consciousness，DOC)，指的是因大脑损伤，如外在的创伤或内在的出血缺氧等，导致的意识损伤，主要可以分为植物状态(vegetative state，VS)和微意识状态(minimal consciousness state，MCS)。
目前，相关技术中，对意识进行研究主要有两种方式：一是分析健康被试在进行“Visible”和“invisible”的视觉刺激下的意识，二是分析不同意识状态下的生理信号，这些意识状态包括植物状态、微意识状态、睡眠和麻醉等，前面两种意识状态属于脑损伤导致的意识障碍。植物状态和微意识状态的细小差别，使得对意识障碍患者的意识诊断和评估是一个急需解决的问题。
当下，针对意识状态检测的应用，最常用的对意识障碍人员进行评估的工具是CRS-R量表。然而，CRS-R量表依靠专业的临床医生对患者进行评估，依赖于患者能理解医生的指令并且有足够的认知能力对指令做出反应，还需要临床医生能够准确区分自然反射还是患者的反应，这些都会造成对患者意识评估的误诊，效率和准确度都偏低。
综合上述，相关技术中存在的技术问题亟需得到解决。
发明内容
本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
为此，本申请实施例的一个目的在于提供一种基于视觉脑网络的意识检测方法。
本申请实施例的另一个目的在于提供基于视觉脑网络的意识检测系统。
为了达到上述技术目的，本申请实施例所采取的技术方案包括：
第一方面，本申请实施例提供了一种基于视觉脑网络的意识检测方法，包括以下步骤：
获取目标人员的脑信号数据；
对所述脑信号数据进行预处理后，通过视觉感兴趣区域模板提取所述目标对象的视觉脑区的时间序列数据；
对所提取的视觉脑区的时间序列数据进行平均，构建功能连接矩阵，并基于所述功能连接矩阵提取视觉脑区的拓扑特征数据；
从所述拓扑特征数据中，提取具有显著差异的脑区的拓扑特征数据，得到目标拓扑特征数据；
将所述目标拓扑特征数据输入到意识状态检测模型中，通过所述意识状态检测模型对所述目标人员的意识状态进行检测，得到对应的第一意识状态检测结果。
另外，根据本申请上述实施例的基于视觉脑网络的意识检测方法，还可以具有以下附加的技术特征：
进一步地，在本申请的一个实施例中，所述脑信号包括静息态磁共振成像数据、静息态脑电信号数据或者静息态脑磁图数据。
进一步地，在本申请的一个实施例中，所述拓扑特征数据包括度、中介中心性、基于模块的参与系数以及模块内的z分数中的至少一种。
进一步地，在本申请的一个实施例中，所述从所述拓扑特征数据中，提取目标拓扑特征数据，包括：
获取正常人员的第一脑信号数据、植物状态人员的第二脑信号数据以及微意识状态人员的第三脑信号数据；
根据所述第一脑信号数据，提取得到第一拓扑特征数据；
根据所述第二脑信号数据，提取得到第二拓扑特征数据；
根据所述第三脑信号数据，提取得到第三拓扑特征数据；
对所述第一拓扑特征数据、所述第二拓扑特征数据和所述第三拓扑特征数据进行统计分析，确定存在显著差异的目标脑区；
从所述拓扑特征数据中提取所述存在显著差异的目标脑区对应的数据，得到所述目标拓扑特征数据。
进一步地，在本申请的一个实施例中，所述意识状态检测模型通过以下步骤训练得到：
获取批量样本人员的样本拓扑特征数据和所述样本人员对应的意识状态标签；
将所述样本拓扑特征数据进行统计检验，将存在显著差异的节点输入到初始化的意识状态检测模型中，通过所述意识状态检测模型对所述样本人员的意识状态进行检测，确定参数，得到训练好的意识状态检测模型。
进一步地，在本申请的一个实施例中，所述意识状态检测模型采用支持向量机搭建得到。
进一步地，在本申请的一个实施例中，所述方法还包括：
对所述目标拓扑特征数据进行可视化显示。
第二方面，本申请实施例提供了一种基于视觉脑网络的意识检测系统，包括：
获取单元，用于获取目标人员的脑信号数据；
预处理单元，用于对所述脑信号数据进行预处理后，通过视觉感兴趣区域模板提取所述目标对象的视觉脑区的时间序列数据；
提取单元，用于对所提取的视觉脑区的时间序列数据进行平均，构建功能连接矩阵，并基于所述功能连接矩阵提取视觉脑区的拓扑特征数据；
选择单元，用于从所述拓扑特征数据中，提取具有显著差异的脑区的拓扑特征数据，得到目标拓扑特征数据；
预测单元，用于将所述目标拓扑特征数据输入到意识状态检测模型中，通过所述意识状态检测模型对所述目标人员的意识状态进行检测，得到对应的第一意识状态检测结果。
第三方面，本申请实施例提供了一种计算机设备，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现第一方面所述的基于视觉脑网络的意识检测方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现第一方面所述的基于视觉脑网络的意识检测方法。
本申请的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到：
本申请实施例中提供一种基于视觉脑网络的意识检测方法，该方法获取目标人员的脑信号数据；对脑信号数据进行预处理后，通过视觉感兴趣区域模板提取视觉脑区的时间序列数据；然后根据时间序列数据构建功能连接矩阵，并基于功能连接矩阵确定视觉脑区的拓扑特征数据；从拓扑特征数据中，提取具有显著差异的脑区的目标拓扑特征数据；将目标拓扑特征数据输入到意识状态检测模型中，通过意识状态检测模型对目标人员的意识状态进行检测，得到对应的第一意识状态检测结果。相对于传统的检测方法，本申请实施例中提供的方案，检测的实用性和准确性得到了提升。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案，下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本申请实施例中提供的一种基于视觉脑网络的意识检测方法的实施环境示意图；
图2为本申请实施例中提供的一种基于视觉脑网络的意识检测方法的流程示意图；
图3为本申请实施例中提供的一种基于视觉脑网络的意识检测方法的具体实现流程示意图；
图4为本申请实施例中提供的一种基于视觉脑网络的意识检测系统的结构示意图；
图5为本申请实施例中提供的一种计算机设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
在对本申请实施例进行详细说明之前，首先对本申请实施例中涉及的部分名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。
1)意识障碍(Disorder of consciousness，DOC)，指的是因大脑损伤，如外在的创伤或内在的出血缺氧等，导致的意识损伤，主要可以分为植物状态(vegetative state，VS)和微意识状态(minimal consciousness state，MCS)。其中，植物状态也叫无反应综合征(unresponsive，UWS)，这种状态的患者可以睁眼会动，生理体征正常，有着与正常人一样的睡眠周期，存在大脑信号但是对外界刺激没有反应。微意识状态的患者存在微弱的意识，在精神状态好的时候，可以听懂指令并做出反应，但是这种反应不是持续的，在临床上诊断时比较难捕捉到，也容易和患者的生理反应混淆，因此很容易对微意识状态误诊，是DOC患者意识诊断的一个难题。
2)脑网络：指的是在不同信号下，不同的大脑的脑区之间的信息交流形成的网络模式。这些信号通常有脑电信号(electroencephalogram,EEG)，磁共振成像(magneticresonance imaging,MRI)，脑磁图(magnetoencephalogram,MEG)等。其中MRI可以分为任务态的fMRI，静息态(在没有任何感官或认知刺激的情况下大脑内部的内在活动)的fMRI和弥散成像(Diffusion Tensor Imaging，DTI)等，这些信号都可以构造相应的网络。研究表明，脑网络和认知功能存在着相应的关系。
3)人工智能(Artificial Intelligence，AI)，是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
4)机器学习(Machine Learning，ML)，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，机器学习(深度学习)通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
意识的复杂抽象性使其成为神经科学研究的一个仍需克服的重要领域。目前对意识进行研究主要有两种方式。一是分析健康被试在进行“Visible”和“invisible”的视觉刺激下的意识，二是分析不同意识状态下的生理信号，这些意识状态包括植物状态，微意识状态、睡眠和麻醉等，前面两种意识状态属于脑损伤导致的意识障碍。植物状态和微意识状态的细小差别使得对意识障碍患者的意识诊断和评估是一个急需解决的问题。
在相关技术涉及的意识状态检测应用中，最常用的对意识障碍人员进行评估的工具是CRS-R量表。然而，CRS-R量表依靠专业的临床医生对患者进行评估，依赖于患者能理解医生的指令并且有足够的认知能力对指令做出反应，还需要临床医生能够准确区分自然反射还是患者的反应，这些都会造成对患者意识评估的误诊，效率和准确度都偏低。
有鉴于此，本申请实施例中提供一种基于视觉脑网络的意识检测方法、系统、设备及介质。该方法不需要目标人员做任何口头或者动作反应，仅需获取目标人员的静息态脑信号数据，因此适用范围广；对脑信号数据进行预处理后，通过视觉感兴趣区域模板提取视觉脑区的时间序列数据；然后根据时间序列数据构建功能连接矩阵，并基于功能连接矩阵确定视觉脑区的拓扑特征数据；从拓扑特征数据中，提取具有显著差异的脑区的目标拓扑特征数据；将目标拓扑特征数据输入到意识状态检测模型中，通过意识状态检测模型对目标人员的意识状态进行检测，得到对应的第一意识状态检测结果。相对于传统的检测方法，本申请实施例中提供的方案，检测的实用性和准确性得到了提升。
首先，请参照图1，图1是本申请实施例提供的一种基于视觉脑网络的意识检测方法的实施环境示意图。参照图1，该实施环境的主体主要包括终端设备101、后台服务器102，终端设备101、后台服务器102之间通信连接。其中，该基于视觉脑网络的意识检测方法可以在终端设备101本地执行，或者在后台服务器102本地执行，也可以通过终端设备101、后台服务器102之间的交互来执行，具体可以根据实际应用情况进行适当的选择，本实施例对此并不作具体限定。
在一些实施例中，本申请中的终端设备101可以是医疗仪器等电子设备。后台服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备101、后台服务器102可以通过无线网络或有线网络建立通信连接，该无线网络或有线网络使用标准通信技术和/或协议，网络可以设置为因特网，也可以是其它任何网络，例如包括但不限于局域网(Local AreaNetwork，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。
下面，结合图1示出的实施环境，对本申请实施例中提供的一种基于视觉脑网络的意识检测方法进行介绍和说明。
请参照图2，图2是本申请实施例提供的一种基于视觉脑网络的意识检测方法的示意图，该基于视觉脑网络的意识检测方法包括但不限于：
步骤110、获取目标人员的脑信号数据；
本步骤中，在进行视觉脑网络的意识状态检测时，将被测人员记为目标人员。可以理解的是，本申请实施例中，对于目标人员的实际意识状态不做限制，例如，其可以是正常人员，即没有意识障碍的人员，也可以是意识障碍的人员；再比如，目标人员也可以是植物状态的人员或者微意识状态的人员。本申请实施例中，在对目标人员进行检测时，既可以是区分其是正常人员还是意识障碍的人员，也可以是区分更为细节的目标人员是植物状态的人员还是微意识状态的人员，本申请对此不作限制。
本步骤中，在对目标人员进行意识状态检测时，可以获取目标人员的脑信号数据。具体地，此处，脑信号数据可以包括静息态磁共振成像数据、静息态脑电信号数据或者静息态脑磁图数据。例如，本申请实施例中，参照图3，可以获取目标人员静息态的fMRI数据作为脑信号数据，当然，也可以采用其他类型的脑信号数据，本申请对此不作限制。
步骤120、对所述脑信号数据进行预处理后，通过视觉感兴趣区域模板提取所述目标对象的视觉脑区的时间序列数据；
本步骤中，在获取得到目标人员的脑信号数据后，可以对脑信号数据进行预处理，例如，可以对其进行滤波，去除其中的干扰信号。然后，可以通过视觉感兴趣区域ROI的脑信号序列进行功能连接矩阵的构建。本申请实施例中，ROI为感兴趣区域，具体指的是大脑中和视觉加工相关的脑区。在功能磁共振图像fMRI数据中，选择不同的脑区为种子点，提取这个位置上的时间信号，可以在这基础上进行连接模式的探讨，进一步构建网络模式，从而建立得到目标人员的脑网络模型。此处，选择的视觉感兴趣区域模板可以来自(L.Wang etal.，2015)，该模板是目前发表的对视觉分割最全面的模板，原目标中有50个脑区，左右分别为25个。在该模板中，因为V1v和V1d的功能相似，结构相邻，所以可以将其合为一个脑区V1，因此，在这里使用的是48个脑区。使用视觉感兴趣区域模板可以用来提取这些脑区上面的时间序列，类似于脑电上的电极通道，本申请实施例中，可以记为时间序列数据。
步骤130、对所提取的视觉脑区的时间序列数据进行平均，构建功能连接矩阵，并基于所述功能连接矩阵提取视觉脑区的拓扑特征数据；
本步骤中，在得到时间序列数据后，可以根据这些数据构建功能连接矩阵。具体地，时间序列数据是在对目标人员大脑扫描的过程中，每2秒采集一个大脑的成像数据。在本申请实施例中，这个时间序列的具体长度不影响，因为在后续使用时，可以对这些数据进行平均，平均后再进行不同区域求相关值，从而可以得到功能连接矩阵。本申请实施例中，功能连接矩阵里面的相关值可以理解成不同脑区之间的相似性，或者频率上的一种共振关系。从这个功能连接矩阵可以得到不同脑区之间活动上的同步性或者在某种认知情况下，不同脑区之间的活动模式是怎么样的。具体地，参照图3，这里主要是使用CONN工具箱进行提取。在这个工具箱里，求得相关矩阵后，对其进行fisher-z转化，目的是保证数据符合正态分布。
本步骤中，基于功能连接矩阵，可以确定出脑网络中脑区的拓扑特征数据。具体地，本申请实施例中，拓扑特征数据的类型可以包括有多种，比如说，可以包括度、中介中心性、基于模块的参与系数以及模块内的z分数。其中，度(degree)可以反应的是不同脑区与其他脑区的连接情况，度越大，表示该脑区与其他脑区的连接越多；中介中心性(betweeness centrality)可以用来描述脑区或连接在网络中的重要性，这个值越大，表示经过脑区的最短路径越多；基于模块的参与系数(participation coefficient)可以用来描述网络中分成不同子网络时，脑区在不同子网络之间的交流重要性；模块内的z分数(within-module z-score)可以用来描述脑区在子网络内的交流重要性，基于模块的参与系数和模块内z分数通常用来描述网络的核心情况。
参照图3，本申请实施例中，还可以对功能连接矩阵进行稀疏化处理，具体的细化步骤如下：Step1：导入功能连接矩阵(48*48的功能连接矩阵，可以直接从CONN工具箱导出来)。Step2：对功能连接矩阵进行稀疏化，可以用统计检验的方法。对每个功能连接值值进行单样本T检验。Step3：进行FDR多重比较校正，获得可信的统计结果。Step4：将连接矩阵中的负连接，即负值置为0。
步骤140、从所述拓扑特征数据中，提取具有显著差异的脑区的拓扑特征数据，得到目标拓扑特征数据；
本步骤中，在得到拓扑特征数据后，可以从这些拓扑特征数据中，提取目标拓扑特征数据。具体地，此处，提取目标拓扑特征数据，指的是从拓扑特征数据内选取指定类别的数据作为目标拓扑特征数据，这些类别最好是具有显著差异的脑区的拓扑特征数据。例如，在一些实施例中，可以选取一些脑区的度类别的数据作为目标拓扑特征数据；在另一些实施例中，也可以选取多个，如同时选取基于模块的参与系数、中介中心性类别的数据作为目标拓扑特征数据，本申请对此不作限制。
步骤150、将所述目标拓扑特征数据输入到意识状态检测模型中，通过所述意识状态检测模型对所述目标人员的意识状态进行检测，得到对应的第一意识状态检测结果。
本步骤中，得到目标拓扑特征数据后，可以将目标拓扑特征数据输入到意识状态检测模型中，通过意识状态检测模型对目标人员的意识状态进行检测，得到对应的意识状态检测结果。该意识状态检测结果可以用于表征意识状态检测模型检测得到的目标人员的意识状态，本申请实施例中，将其记为第一意识状态检测结果。在一些实施例中，第一意识状态检测结果可以包括两个类别，如正常状态和意识障碍状态。比如说，第一意识状态检测结果的数据形式可以是向量，(0，1)代表正常状态，(1，0)代表意识障碍状态。在另一些实施例中，第一意识状态检测结果也可以包括植物状态和微意识状态等类别，本申请对此不作限制。
可以理解的是，本申请实施例中提供的基于视觉脑网络的意识检测方法，使用基于图论的手段对目标人员的脑信号数据进行网络功能连接的分析，提取网络的拓扑特征数据，并且，从拓扑特征数据中挑选出适用于分类的目标拓扑特征数据。然后使用人工智能领域内的机器学习模型基于目标拓扑特征数据对目标人员的意识状态进行检测，从而得到相对准确、可靠的检测结果。相对于传统的检测方法，本申请实施例中提供的方案，检测的实用性和准确性得到了提升。
在一些实施例中，所述从所述拓扑特征数据中，提取目标拓扑特征数据，包括：
获取正常人员的第一脑信号数据、植物状态人员的第二脑信号数据以及微意识状态人员的第三脑信号数据；
根据所述第一脑信号数据，提取得到第一拓扑特征数据；
根据所述第二脑信号数据，提取得到第二拓扑特征数据；
根据所述第三脑信号数据，提取得到第三拓扑特征数据；
对所述第一拓扑特征数据、所述第二拓扑特征数据和所述第三拓扑特征数据进行统计分析，确定存在显著差异的目标脑区；
从所述拓扑特征数据中提取所述存在显著差异的目标脑区对应的数据，得到所述目标拓扑特征数据。
本申请实施例中，在从拓扑特征数据中提取目标拓扑特征数据时，在一些实施例中，可以选取具有显著差异的目标脑区。比如说，参照图3，可以先通过统计分析的方式，确定出不同的人员在拓扑特征数据上哪些脑区存在显著差异，将这些脑区确定为目标脑区，提取这些脑区对应的拓扑特征数据，得到目标拓扑特征数据。
具体地，可以获取正常人员、植物状态人员和微意识状态人员的脑特征数据，分别记为第一脑信号数据、第二脑信号数据和第三脑信号数据。然后，可以分别按照前述的方式，提取这些脑信号的拓扑特征，将第一脑信号数据提取得到的拓扑特征数据记为第一拓扑特征数据，第二脑信号数据提取得到的拓扑特征数据记为第二拓扑特征数据，第三脑信号数据提取得到的拓扑特征数据记为第三拓扑特征数据。接着，可以对第一拓扑特征数据、第二拓扑特征数据和第三拓扑特征数据进行统计分析。例如，可以对它们进行组间的统计检验，得到的结果是哪个脑区的哪个特征存在显著差异或者不存在显著差异。比如，在本申请实施例中，当对健康组的正常人员和微意识状态人员进行统计检验时，发现V2v-R的参与系数存在显著差异，说明V2v-R脑区的参与系数特征可以作为健康组和微意识状态分类的特征；对于MCS和VS来说，V1-L、V3a-L、IPS0-L等脑区的模块内Z分数存在显著性差异，则这三个脑区的模块内Z分数特征就可以作为MCS和VS分类的特征。
因此，本申请实施例中，可以通过统计分析结合对比的方式确定出存在显著差异的特征类别，然后从拓扑特征数据中提取存在显著差异的特征类别对应的数据，作为目标拓扑特征数据。如此，能够挑选出对检测分类有较大贡献的特征数据，有利于提高检测的准确度，且可以减少后续模型处理的数据量，降低数据处理压力。
本申请实施例中，意识状态检测模型可以采用任一种机器学习算法搭建，本申请对此不作限制。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。具体地，在一些实施例中，意识状态检测模型可以使用在DOC分类中表现较好的支持向量机SVM，如LIBSVM。相比深度学习网络，SVM能提高分类的速度，以及对小样本数据比较友好。
需要说明的是，本申请实施例中，在意识状态检测模型投入使用前，需要对其进行训练，以调整其内部的参数。在一些实施例中，所述意识状态检测模型通过以下步骤训练得到：
获取批量样本人员的样本拓扑特征数据和所述样本人员对应的意识状态标签；
将所述样本拓扑特征数据进行统计检验，将存在显著差异的节点输入到初始化的意识状态检测模型中，对所述意识状态检测模型的模型参数进行更新，得到训练好的意识状态检测模型。
本申请实施例中，在对意识状态检测模型进行训练时，具体可以采用监督学习的训练方式，比如说，可以获取批量的样本人员的样本拓扑特征数据，该数据的获取过程和前述的目标拓扑特征数据类似，在此不作赘述。并且，可以同步获取样本人员对应的意识状态标签，该标签用于表征样本人员的意识状态，可以由人工标注。然后，可以将每个样本人员的样本拓扑特征数据、意识状态标签作为一组训练数据，模型的输入数据为样本拓扑特征数据，模型的输出数据为第二预测结果，第二预测结果为模型预测的样本人员的意识状态。在得到模型输出的预测结果，即第二预测结果后，可以根据第二预测结果和意识状态标签评估模型预测的准确性，从而对模型的参数进行更新，得到训练好的模型。
特别地，参照图3，本申请实施例中，在使用意识状态检测模型时，不仅仅可以使用拓扑特征数据作为输入数据，还可以将构建的功能连接矩阵也作为输入数据，以证明所使用的目标拓扑特征数据确实提高模型判别的准确度。
在一些实施例中，所述方法还包括：
对所述目标拓扑特征数据进行可视化显示。
本申请实施例中，还可以包括可视化视觉网络的内容，该部分主要是对所选择的目标拓扑特征数据进行可视化，描述不同意识状态下视觉网络的变化，包括中介中心性，这里为了突出可视化效果，除了节点的中介中心性还增加了边的中介中心性，这个板块可以了解不同脑区在视觉网络中的重要性，当意识发生改变后，脑区和脑区之间连接性也发生变化、模块，这个板块可以用来可视化不同意识状态下的子网络划分情况，以及核心，这一板块是基于模块的参与系数和模块内z分数进行可视化的，相比前一板块，可以说明随着意识发生变化视觉网络整体连接发生变化的情况。并且，在进行可视化时，可以显示出网络内的连接核心和周边核心，这里的连接核心主要指的是模块之间的连接，周边核心主要指的是模块内的连接。模块内z分数和参与系数用来描述网络中节点分别和模块内和模块间的连接情况。根据一些参考文献，当节点的模块内Z分数大于0和参与系数大于等于前15％的值时为连接节点，当节点的模块内Z分数大于0和参与系数小于前15％的值时为周边连接节点。
下面参照附图描述根据本申请实施例提出的基于视觉脑网络的意识检测系统。
参照图4，本申请实施例中提出的基于视觉脑网络的意识检测系统，包括：
获取单元201，用于获取目标人员的脑信号数据；
预处理单元202，用于对所述脑信号数据进行预处理后，通过视觉感兴趣区域模板提取所述目标对象的视觉脑区的时间序列数据；
提取单元203，用于对所提取的视觉脑区的时间序列数据进行平均，构建功能连接矩阵，并基于所述功能连接矩阵提取视觉脑区的拓扑特征数据；
选择单元204，用于从所述拓扑特征数据中，提取具有显著差异的脑区的拓扑特征数据，得到目标拓扑特征数据；
预测单元205，用于将所述目标拓扑特征数据输入到意识状态检测模型中，通过所述意识状态检测模型对所述目标人员的意识状态进行检测，得到对应的第一意识状态检测结果。
可以理解的是，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图5，本申请实施例提供了一种计算机设备，包括：
至少一个处理器301；
至少一个存储器302，用于存储至少一个程序；
当至少一个程序被至少一个处理器301执行时，使得至少一个处理器301实现的基于视觉脑网络的意识检测方法。
同理，上述方法实施例中的内容均适用于本计算机设备实施例中，本计算机设备实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本申请实施例还提供了一种计算机可读存储介质，其中存储有处理器301可执行的程序，处理器301可执行的程序在由处理器301执行时用于执行上述的基于视觉脑网络的意识检测方法。
同理，上述方法实施例中的内容均适用于本计算机可读存储介质实施例中，本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本申请的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本申请，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本申请的范围，本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
功能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介质中，包括若干指令用以使得一台设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明，但本申请并不限于实施例，熟悉本领域的技术人员在不违背本申请精神的前提下可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种基于视觉脑网络的意识检测方法，其特征在于，包括：
获取目标人员的脑信号数据；
对所述脑信号数据进行预处理后，通过视觉感兴趣区域模板提取所述目标人员的视觉脑区的时间序列数据；
对所提取的视觉脑区的时间序列数据进行平均，构建功能连接矩阵，并基于所述功能连接矩阵提取视觉脑区的拓扑特征数据；
从所述拓扑特征数据中，提取具有显著差异的脑区的拓扑特征数据，得到目标拓扑特征数据；
将所述目标拓扑特征数据输入到意识状态检测模型中，通过所述意识状态检测模型对所述目标人员的意识状态进行检测，得到对应的第一意识状态检测结果；
从所述拓扑特征数据中，提取具有显著差异的脑区的拓扑特征数据，得到目标拓扑特征数据，包括：
获取正常人员的第一脑信号数据、植物状态人员的第二脑信号数据以及微意识状态人员的第三脑信号数据；
根据所述第一脑信号数据，提取得到第一拓扑特征数据；
根据所述第二脑信号数据，提取得到第二拓扑特征数据；
根据所述第三脑信号数据，提取得到第三拓扑特征数据；
对所述第一拓扑特征数据、所述第二拓扑特征数据和所述第三拓扑特征数据进行统计分析，确定存在显著差异的目标脑区；
从所述拓扑特征数据中提取所述存在显著差异的目标脑区对应的数据，得到所述目标拓扑特征数据。
2.根据权利要求1所述的基于视觉脑网络的意识检测方法，其特征在于，所述脑信号包括静息态磁共振成像数据、静息态脑电信号数据或者静息态脑磁图数据。
3.根据权利要求2所述的基于视觉脑网络的意识检测方法，其特征在于，所述拓扑特征数据包括度、中介中心性、基于模块的参与系数以及模块内的z分数中的至少一种。
4.根据权利要求1所述的基于视觉脑网络的意识检测方法，其特征在于，所述意识状态检测模型通过以下步骤训练得到：
获取批量样本人员的样本拓扑特征数据和所述样本人员对应的意识状态标签；
将所述样本拓扑特征数据进行统计检验，将存在显著差异的节点输入到初始化的意识状态检测模型中，通过所述意识状态检测模型对所述样本人员的意识状态进行检测，确定参数，得到训练好的意识状态检测模型。
5.根据权利要求4所述的基于视觉脑网络的意识检测方法，其特征在于，所述意识状态检测模型采用支持向量机搭建得到。
6.根据权利要求1-5中任一项所述的基于视觉脑网络的意识检测方法，其特征在于，所述方法还包括：
对所述目标拓扑特征数据进行可视化显示。
7.一种基于视觉脑网络的意识检测系统，其特征在于，包括：
获取单元，用于获取目标人员的脑信号数据；
预处理单元，用于对所述脑信号数据进行预处理后，通过视觉感兴趣区域模板提取所述目标人员的视觉脑区的时间序列数据；
提取单元，用于对所提取的视觉脑区的时间序列数据进行平均，构建功能连接矩阵，并基于所述功能连接矩阵提取视觉脑区的拓扑特征数据；
选择单元，用于从所述拓扑特征数据中，提取具有显著差异的脑区的拓扑特征数据，得到目标拓扑特征数据；
预测单元，用于将所述目标拓扑特征数据输入到意识状态检测模型中，通过所述意识状态检测模型对所述目标人员的意识状态进行检测，得到对应的第一意识状态检测结果；
所述选择单元具体用于：
获取正常人员的第一脑信号数据、植物状态人员的第二脑信号数据以及微意识状态人员的第三脑信号数据；
根据所述第一脑信号数据，提取得到第一拓扑特征数据；
根据所述第二脑信号数据，提取得到第二拓扑特征数据；
根据所述第三脑信号数据，提取得到第三拓扑特征数据；
对所述第一拓扑特征数据、所述第二拓扑特征数据和所述第三拓扑特征数据进行统计分析，确定存在显著差异的目标脑区；
从所述拓扑特征数据中提取所述存在显著差异的目标脑区对应的数据，得到所述目标拓扑特征数据。
8.一种计算机设备，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-6中任一项所述的基于视觉脑网络的意识检测方法。
9.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于：所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-6中任一项所述的基于视觉脑网络的意识检测方法。
CN202310395334.2A 2023-04-13 2023-04-13 基于视觉脑网络的意识检测方法、系统、设备及介质 Active CN116458869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310395334.2A CN116458869B (zh) 2023-04-13 2023-04-13 基于视觉脑网络的意识检测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310395334.2A CN116458869B (zh) 2023-04-13 2023-04-13 基于视觉脑网络的意识检测方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN116458869A CN116458869A (zh) 2023-07-21
CN116458869B true CN116458869B (zh) 2024-03-26

Family

ID=87181826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310395334.2A Active CN116458869B (zh) 2023-04-13 2023-04-13 基于视觉脑网络的意识检测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN116458869B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108257657A (zh) * 2016-12-28 2018-07-06 复旦大学附属华山医院 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法
CN110363242A (zh) * 2019-07-11 2019-10-22 中南大学 一种基于支持向量机的大脑意识多分类方法及系统
CN113509148A (zh) * 2021-04-28 2021-10-19 东北大学 一种基于混合高阶脑网络的精神分裂症检测系统
CN113598790A (zh) * 2021-07-13 2021-11-05 杭州电子科技大学 基于听觉刺激的意识障碍脑功能网络的意识评估方法
WO2021237429A1 (en) * 2020-05-25 2021-12-02 Center For Excellence In Brain Science And Intelligence Technology, Chinese Academy Of Sciences A systematic device and scheme to assess the level of consciousness disorder by using language related brain activity
CN113762104A (zh) * 2021-08-23 2021-12-07 北京航空航天大学 基于脑电信号的情景意识评估方法、装置及电子设备
CN113768519A (zh) * 2021-09-16 2021-12-10 天津大学 基于深度学习和静息态脑电数据分析病人意识水平的方法
CN115115896A (zh) * 2022-07-28 2022-09-27 华南师大(清远)科技创新研究院有限公司 一种脑功能磁共振图像分类方法、装置、终端及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2789293A1 (en) * 2013-04-12 2014-10-15 Commissariat à l'Énergie Atomique et aux Énergies Alternatives Methods to monitor consciousness
US11000224B2 (en) * 2017-09-05 2021-05-11 Korea University Research And Business Foundation Method and apparatus of monitoring anaesthesia and consciousness depth through brain network analysis

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108257657A (zh) * 2016-12-28 2018-07-06 复旦大学附属华山医院 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法
CN110363242A (zh) * 2019-07-11 2019-10-22 中南大学 一种基于支持向量机的大脑意识多分类方法及系统
WO2021237429A1 (en) * 2020-05-25 2021-12-02 Center For Excellence In Brain Science And Intelligence Technology, Chinese Academy Of Sciences A systematic device and scheme to assess the level of consciousness disorder by using language related brain activity
CN113509148A (zh) * 2021-04-28 2021-10-19 东北大学 一种基于混合高阶脑网络的精神分裂症检测系统
CN113598790A (zh) * 2021-07-13 2021-11-05 杭州电子科技大学 基于听觉刺激的意识障碍脑功能网络的意识评估方法
CN113762104A (zh) * 2021-08-23 2021-12-07 北京航空航天大学 基于脑电信号的情景意识评估方法、装置及电子设备
CN113768519A (zh) * 2021-09-16 2021-12-10 天津大学 基于深度学习和静息态脑电数据分析病人意识水平的方法
CN115115896A (zh) * 2022-07-28 2022-09-27 华南师大(清远)科技创新研究院有限公司 一种脑功能磁共振图像分类方法、装置、终端及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Two-Stream Graph Convolutional Network Based on Brain Connectivity for Anesthetized States Analysis;Kun Chen et.al;IEEE Transactions on Neural Systems and Rehabilitation Engineering;第30卷;第2077-2087页 *
静息态脑电在意识诊断中的临床应用;王勇 等;中国生物医学工程学报;第40卷(第2期);第154-162页 *

Also Published As

Publication number Publication date
CN116458869A (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
Şen et al. A comparative study on classification of sleep stage based on EEG signals using feature selection and classification algorithms
AlHinai Introduction to biomedical signal processing and artificial intelligence
Zou et al. Constructing multi-scale entropy based on the empirical mode decomposition (EMD) and its application in recognizing driving fatigue
Arnau-González et al. ES1D: A deep network for EEG-based subject identification
Wessam et al. K-complexes detection in EEG signals using fractal and frequency features coupled with an ensemble classification model
Siuly et al. Exploring Rhythms and Channels-Based EEG Biomarkers for Early Detection of Alzheimer's Disease
Tripathi et al. Automatic seizure detection and classification using super-resolution superlet transform and deep neural network-A preprocessing-less method
CN112842363A (zh) 一种睡眠脑电检测方法及系统
Sharma Localization of epileptic surgical area using automated hybrid approach based on higher-order statistics with sensitivity analysis and residual wavelet transform
CN116458869B (zh) 基于视觉脑网络的意识检测方法、系统、设备及介质
Dutta et al. A predictive method for emotional sentiment analysis by machine learning from electroencephalography of brainwave data
Luo et al. Exploring adaptive graph topologies and temporal graph networks for EEG-based depression detection
da Silva Lourenço et al. Ultrafast review of ambulatory EEGs with deep learning
Sanamdikar et al. Classification of ECG Signal for Cardiac Arrhythmia Detection Using GAN Method
Anchana et al. Comparative study of detection of ADHD using EEG signals
Bay et al. Survey of fuzzy logic applications in brain-related researches
Gini et al. An improved optimization algorithm for epileptic seizure detection in EEG signals using random forest classifier
Srinivasan et al. A hybrid approach for analysis of brain lateralisation in autistic children using graph theory techniques and deep belief networks
Paisarnsrisomsuk et al. Capturing the development of internal Representations in a High-Performing Deep Network for sleep stage classification
Hurr et al. Feature extraction and recognition of human physiological signals based on the convolutional neural network
Hasan et al. Emotion prediction through EEG recordings using computational intelligence
Rosenman et al. Pre-training transformers for fingerprinting to improve stress prediction in fmri
Li et al. A smart detection technology for personal ECG monitoring via chaos-based data mapping strategy
Yu et al. Autism spectrum disorder identification with brain functional connectivity map extracted from EEG signals
Ramadan et al. Computer-aided diagnosis Application by using Nonlinear Dynamics of EEG Signals to detect Depression State

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