CN116469579A - 脑部状态监测方法、设备、存储介质及装置 - Google Patents
脑部状态监测方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN116469579A CN116469579A CN202310339784.XA CN202310339784A CN116469579A CN 116469579 A CN116469579 A CN 116469579A CN 202310339784 A CN202310339784 A CN 202310339784A CN 116469579 A CN116469579 A CN 116469579A
- Authority
- CN
- China
- Prior art keywords
- brain
- result
- preset
- image
- segmentation
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 189
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 152
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 109
- 230000008451 emotion Effects 0.000 claims abstract description 83
- 238000010191 image analysis Methods 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims description 96
- 210000001638 cerebellum Anatomy 0.000 claims description 37
- 230000002739 subcortical effect Effects 0.000 claims description 28
- 230000001054 cortical effect Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 17
- 238000009792 diffusion process Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000001149 cognitive effect Effects 0.000 claims description 15
- 238000012806 monitoring device Methods 0.000 claims description 15
- 102000006386 Myelin Proteins Human genes 0.000 claims description 14
- 108010083674 Myelin Proteins Proteins 0.000 claims description 14
- 230000003930 cognitive ability Effects 0.000 claims description 14
- 210000005012 myelin Anatomy 0.000 claims description 14
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 11
- 210000004884 grey matter Anatomy 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 11
- 210000004885 white matter Anatomy 0.000 claims description 11
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 5
- 239000002699 waste material Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006996 mental state Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000019771 cognition Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008449 language Effects 0.000 description 4
- 230000002980 postoperative effect Effects 0.000 description 4
- 208000010877 cognitive disease Diseases 0.000 description 3
- 230000003920 cognitive function Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 210000000653 nervous system Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 208000027061 mild cognitive impairment Diseases 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000002742 anti-folding effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 238000005537 brownian motion Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000013068 control sample Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000003800 pharynx Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种脑部状态监测方法、设备、存储介质及装置,本发明通过基于预设MRI分析模型对脑部磁共振成像信息进行分析,获得影像分析结果,基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果;基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息,相较于现有技术中监测方式单一,导致不能精确确定待监测对象全方面的脑部状态信息,导致医疗资源浪费,本发明解决了监测方式单一的问题,通过结合影像分析结果、情感分析结果确定目标对象的脑部状态信息,可以实现更加精准的脑部状态监测,精确脑部状态变化规律,以减少医生工作量,减少医疗资源浪费。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种脑部状态监测方法、设备、存储介质及装置。
背景技术
随着医疗技术的逐步发展,检查技术也在随着改进,现有的检查技术可以通过核磁共振及其他的成像技术,并以人工阅片的方式确定病灶类型及大小,进而根据人工检查结果完成对目标检查区域的评估,从而确定人体状态信息;
但是上述现有方式会因为就医人口基数大,导致医生在处理相关信息时任务量繁重,不能高效的处理检查信息,因此导致患者就医周期长,以至于住院人员与门诊人员难以均衡集中调配医疗资源,并且现有的状态监测方法仅仅考虑了生理因素方面,由于现有监测方式单一,导致不能精确确定待监测对象全方面的状态信息,以至于医生根据现有状态信息不能作出精准的结果判断,导致医疗资源的浪费。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种脑部状态监测方法、设备、存储介质及装置,旨在解决现有技术中监测方式单一,导致不能精确确定待监测对象全方面的状态信息,导致医疗资源浪费的技术问题。
为实现上述目的,本发明提供一种脑部状态监测方法,所述脑部状态监测方法包括以下步骤:
从预设生理数据库中获取目标对象的脑部磁共振成像信息以及问卷信息;
基于预设MRI分析模型对所述脑部磁共振成像信息进行分析,获得影像分析结果,所述预设MRI分析模型集成了结构MRI、rs-fMRI、扩散加权MRI和髓鞘敏感MRI,用于对皮层几何和微观结构进行分析的模型;
基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果;
基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息。
可选地,所述基于预设MRI分析模型对所述脑部磁共振成像信息进行分析,获得影像分析结果的步骤,包括:
基于贝叶斯模型和所述脑部磁共振成像信息在预设虚拟空间中构建三维脑部结构图像;
基于预设MRI分析模型对所述三维脑部结构图像对应的相邻图像进行分割,获得第一分割结果和第二分割结果;
根据所述第一分割结果中包含的皮层、皮层下以及小脑分割图像和所述第二分割结果中包含的皮层、皮层下以及小脑分割图像进行对比,获得脑部对比结果;
根据所述脑部对比结果和预设指标确定所述相邻影像之间的指标变化结果;
根据所述指标变化结果确定影像分析结果。
可选地,所述基于预设MRI分析模型对所述三维脑部结构图像对应的相邻图像进行分割,获得第一分割结果和第二分割结果的步骤,包括:
基于预设MRI分析模型对所述三维脑部结构图像对应的相邻图像进行伪影预处理,获得处理后的目标影像图像集合;
将目标影像图像集合中相邻影像图像按照脑部解剖结构进行图像分割,获得第一分割结果和第二分割结果。
可选地,所述根据所述第一分割结果中包含的皮层、皮层下以及小脑分割图像和所述第二分割结果中包含的皮层、皮层下以及小脑分割图像进行对比,获得脑部对比结果的步骤,包括:
将所述第一分割结果中的皮层分割图像与第二分割结果中的皮层分割图像进行对比,获得皮层对比结果;
将所述第一分割结果中的皮层下分割图像与第二分割结果中的皮层下分割图像进行对比,获得灰质、白质以及脑脊液相应的对比结果;
将所述第一分割结果中的小脑分割图像与第二分割结果中的小脑分割图像进行对比,获得小脑对比结果;
根据所述皮层对比结果、灰质、白质以及脑脊液相应的对比结果以及小脑对比结果确定脑部对比结果。
可选地,所述基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果的步骤,包括:
基于预设情感分析模型对所述问卷信息进行愉悦度分析,获得愉悦度分析结果;
基于预设情感分析模型对所述问卷信息进行、激活度分析,获得激活度分析结果;
基于预设情感分析模型对所述问卷信息进行优势度分析,获得优势度分析结果;
根据所述愉悦度分析结果、所述激活度分析结果以及所述激活度分析结果确定情感分析结果。
可选地,所述预设标准条件包括预设脑部条件和预设认知条件,所述基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息的步骤,包括:
基于所述影像分析结果和所述预设脑部条件确定所述目标对象的脑部图像差异信息;
基于所述情感分析结果和所述预设认知条件确定所述目标图像的认知能力信息;
根据所述脑部图像差异信息和所述认知能力信息确定所述目标对象的脑部状态信息。
可选地所述基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息的步骤之后,还包括:
对所述状态信息中的异常状态信息进行标记,并根据标记后的异常状态信息生成预警信息;
将所述预警信息上传至预设管理平台。
此外,为实现上述目的,本发明还提出一种脑部状态监测设备,所述脑部状态监测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的脑部状态监测程序,所述脑部状态监测程序配置为实现如上文所述的脑部状态监测的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有脑部状态监测程序,所述脑部状态监测程序被处理器执行时实现如上文所述的脑部状态监测方法的步骤。
此外,为实现上述目的,本发明还提出一种脑部状态监测装置,所述脑部状态监测装置包括:
信息获取模块,用于从预设生理数据库中获取目标对象的脑部磁共振成像信息以及问卷信息;
成像分析模块,用于基于预设MRI分析模型对所述脑部磁共振成像信息进行分析,获得影像分析结果,所述预设MRI分析模型集成了结构MRI、rs-fMRI、扩散加权MRI和髓鞘敏感MRI,用于对皮层几何和微观结构进行分析的模型;
情感分析模块,用于基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果;
状态确定模块,用于基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息。
本发明通过从预设生理数据库中获取目标对象的脑部磁共振成像信息以及问卷信息;基于预设MRI分析模型对所述脑部磁共振成像信息进行分析,获得影像分析结果,所述预设MRI分析模型集成了结构MRI、rs-fMRI、扩散加权MRI和髓鞘敏感MRI,用于对皮层几何和微观结构进行分析的模型;基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果;基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息,本发明相较于现有技术中监测方式单一,导致不能精确确定待监测对象全方面的脑部状态信息,导致医疗资源浪费,本发明解决了监测方式单一的问题,通过结合影像分析结果、情感分析结果确定目标对象的脑部状态信息,可以实现更加精准的脑部状态监测,精确脑部状态变化规律,以减少医生工作量,减少医疗资源浪费。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的脑部状态监测设备的结构示意图;
图2为本发明脑部状态监测方法第一实施例的流程示意图;
图3为本发明脑部状态监测方法第二实施例的流程示意图;
图4为本发明脑部状态监测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的脑部状态监测设备结构示意图。
如图1所示,该脑部状态监测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM),也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对脑部状态监测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及脑部状态监测程序。
在图1所示的脑部状态监测设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述脑部状态监测设备通过处理器1001调用存储器1005中存储的脑部状态监测程序,并执行本发明实施例提供的脑部状态监测方法。
基于上述硬件结构,提出本发明脑部状态监测方法的实施例。
参照图2,图2为本发明脑部状态监测方法第一实施例的流程示意图,提出本发明脑部状态监测方法第一实施例。
在本实施例中,所述脑部状态监测方法包括以下步骤:
步骤S10:从预设生理数据库中获取目标对象的脑部磁共振成像信息以及问卷信息。
需说明的是,本方案中主要针对神经系统的状态进行监测,以确定目标对象的神经系统功能发生的变化状态,本实施例中的执行主体可以是包含状态监测系统的设备,如:计算机,还可为其他可实现相同或相似功能的设备,本实施例对此不做限制。所述状态监测系统可以是安装在医疗机构平台用于监测患者实时状态信息,也可以是安装在智能移动终端上以使患者能够获取自身的状态监测结果信息,其中状态监测系统包含了各个人体部位的监测分析模型,其中包括内脏、耳鼻喉、神经系统以及心理等部分,在本实施例以及下述各实施例中以状态监测系统为例对本发明状态监测方法进行说明。
应理解的是,预设生理数据库可以是预先设置的用于存储患者各个检测项目对应的数据信息的数据库,所述检测项目包含了生理以及心理方面的项目,例如:核磁共振成像信息或心理测试问卷信息。所述目标对象可以是门诊患者(如:需要排队取结果的患者),也可以是住院患者(如:术后患者),也可以是居家监测治疗的患者(如:术后居家患者)。
可理解的是,现有的检查技术是可以通过核磁共振及其他的成像技术,并以人工阅片的方式确定病灶类型及大小,进而根据人工检查结果完成对目标检查区域的评估,从而确定人体状态信息,但是上述确定方式仅针对生理因素患者能够确定患者状态信息,并未结合心理因素导致的病因,因此在针对生理方面未出现异常状态时,可以通过结合心理因素监测目标对象的状态,以实现全方面的状态监测。
具体实现中,不管是针对何种类型的目标对象,都需要结合生理状态和心理状态确定病因,因此状态信息对于后期医生的诊断治疗尤为重要,并且在实际生活中,针对术后人员的状态监测对患者痊愈尤为重要,通过对患者状态的全方面监测,可以便于医生判断患者术后恢复情况,以保证在后续治疗过程中及时调整治疗方案。并且患者可以通过移动终端上传自己的疾病问卷信息,状态监测系统在接收到疾病问卷信息时,可以及时确定患者心理状态信息,并将心理状态信息上传至医疗机构平台以供医生参考,进而作出相应的方案调整。
步骤S20:基于预设MRI分析模型对所述磁共振成像信息进行分析,获得影像分析结果,所述预设MRI分析模型集成了结构MRI、rs-fMRI、扩散加权MRI和髓鞘敏感MRI,用于对皮层几何和微观结构进行分析的模型。
需说明的是,预设MRI分析模型可以是预先设置的针对核磁共振成像信息进行图像识别的模型,其中所述MRI分析模型可以集成了结构MRI、rs-fMRI、扩散加权MRI和髓鞘敏感MRI,用于对皮层几何和微观结构进行分析的模型。即所述分析模型可以针对上述四种状态进行分析,所述结构MRI是用于评估大脑结构变化状态,fMRI包括任务态和静息态对应的磁共振,任务态fMRI(task-fMRI)是指在大脑执行具体任务时的fMRI影像,静息态fMRI(rs-fMRI)是在大脑不执行具体认知任务、保持安静、放松、清醒状态时的fMRI影像。扩散加权MRI是指扩散(或弥散)加权成像,是通过利用水分子布朗运动反应病变内部情况,髓鞘敏感MRI是针对主要感觉运动区髓鞘含量变化进行成像。
可理解的是,为了保证对脑部磁共振图像精确分析,从而精确获得脑部变化状态,本方案通过预先训练好的MRI分析模型中结构MRI、rs-fMRI、扩散加权MRI和髓鞘敏感MRI的四种成像状态对目标对象的脑部磁共振成像信息进行分析,获得影像分析结果,所述影像分析结果包含了皮层、皮层下以及小脑的状态参数,所述状态参包括区域灰质、大脑和脑脊液体积、局部皮质表面积、体积和厚度、皮质灰白对比、白质高信号体积。
步骤S30:基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果。
需说明的是,预设情感分析模型可以是预先设置的用于预测人类情绪的模型,所述模型可以是基于深度神经网络构建包含离散模式以及连续模式的模型,通过预设情感分析模型可以预测目标对象的认知能力以及精神状态,其中所述问卷信息的形式不仅限于文本形式,还可以是语音形式,其中通过对目标用户完成的问卷的信息预测认知能力以及精神状态。
可理解的是,所述问卷信息可以是蒙特利尔认知评估量表和智能精神状态检查量表构成的问卷信息,可以采用蒙特利尔认知评估量表(MoCA)和简易智能精神状态检查量表(MMSE)进行认知测试。MoCA问卷主要是用于轻度认知障碍的快速筛查,评定的认知领域包括注意与集中、执行功能、记忆、语言、视结构技能、抽象思维以及计算和定向力,MMSE为认知和智能功能方面有无衰退的筛查工具;全量表分为5个认知方面的内容:定向力分、记忆力、注意力和计算力、回忆能力、语言能力,通过对上述内容的测试,可以预测目标对象的认知能力以及精神状态。
具体实现中,由于大部分地区的医疗模式还是以患者到医疗机构挂号或小程序上进行挂号,再到医疗机构进行相应的检查,根据检查结果进行相应治疗,但是由于许多医疗机构距离患者太远,且医生以坐班形式人工查看患者检查结果以确定相应的治疗手段,因此会导致患者在拿到检查结果后需要根据医生排班情况进行再次面诊,而医生需要根据患者提供的检查结果确定患者的状态信息。因此本方案中问卷信息可以有目标用户在智能终端完成后上传保存至预设生理数据库中。
进一步地,所述步骤S30还包括:基于预设情感分析模型对所述问卷信息进行愉悦度分析,获得愉悦度分析结果;基于预设情感分析模型对所述问卷信息进行、激活度分析,获得激活度分析结果;基于预设情感分析模型对所述问卷信息进行优势度分析,获得优势度分析结果;根据所述愉悦度分析结果、所述激活度分析结果以及所述激活度分析结果确定情感分析结果。
需说明的是,愉悦度可以表示目标对象情感状态的正负相关性,激活度可以表示目标对象的神经生理激活水平,优势度可以表示目标对象对情景和他人的控制状态,可以指个体情绪被控制时和个体主导时的状态,由内而外的自发情绪就是支配性的情绪(如:愤怒),由外而内的被动情绪就是服从性的情绪(如:害怕)。
可理解的是,通过上述三个维度可以精确的表征出目标对象的情感状态,因此通过上述三个维度并结合蒙特利尔认知评估量表、简易智能精神状态检查量表对目标对象的情感认知进行分析,获得情感分析结果。所述情感分析结果包括情感认知正常和情感认知异常两种结果。
具体实现中,可以以打分评估的方式确定目标对象的情感认知能力,例如:MoCA问卷主要是用于轻度认知障碍的快速筛查,评定的认知领域包括注意与集中、执行功能、记忆、语言、视结构技能、抽象思维以及计算和定向力,量表总分为30分,结果≥26分,为正常;针对认知能力的评估可以分为定向力(10分)、记忆力(3分)、注意力和计算力(5分)、回忆能力(3分)、语言能力(9分),总分30分,27~30分为正常,分数<27分为认知功能障碍。
步骤S40:基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息。
需说明的是,预设标准条件可以是预先设置的用于判断影响分析结果和情感分析结果中是否存在异常的条件,所述条件可以是基于正常对照样本生成的判断条件,本方案通过结合影像分析结果、情感分析结果确定目标对象的脑部状态信息,精确确定待监测对象全方面的状态信息,以便于后期辅助医生作出精确判断。
具体实现中,相较于现有方案中通过人工确定病灶位置及大小,本方案除确定位置及大小,还可以可以精确标注出病灶的密度(可以通过信号所确定)、分布、形态、边缘、数目、周围情况,以综合确定功能变化及动态变化情况。
进一步地,所述预设标准条件包括预设脑部条件和预设认知条件,所述步骤S40还包括:基于所述影像分析结果和所述预设脑部条件确定所述目标对象的脑部图像差异信息;基于所述情感分析结果和所述预设认知条件确定所述目标图像的认知能力信息;根据所述脑部图像差异信息和所述认知能力信息确定所述目标对象的脑部状态信息。
需说明的是,预设脑部条件可以是预先基于正常脑部发育所设定的条件,所述条件包含脑部各类基础参数,预设认知条件可以是预先基于认知功能所设定的条件。
具体实现中,基于影像分析结果和预设脑部条件确定目标对象的脑部图像差异信息;基于情感分析结果和预设认知条件确定目标图像的认知能力信息;根据脑部图像差异信息和认知能力信息可以确定目标对象的脑部图像和认知功能的差异及总结脑部图像的变化规律。
进一步地,所述步骤S40之后还包括:对所述状态信息中的异常状态信息进行标记,并根据标记后的异常状态信息生成预警信息;将所述预警信息上传至预设管理平台。
需说明的是,异常状态信息可以是标注了异常标识符的数据集合,所述数据集合是指不符合预设标准条件的状态信息集合,包括生理状态及心理状态相关的数据信息。
具体实现中,为了提升医生工作效率以及减少医疗资源浪费,本方案可以将预警信息发至目标对象及目标对象对应的主治医生,所述预设管理平台可以是指医疗机构管理平台。
本实施例通过从预设生理数据库中获取目标对象的脑部磁共振成像信息以及问卷信息;基于预设MRI分析模型对所述脑部磁共振成像信息进行分析,获得影像分析结果,所述预设MRI分析模型集成了结构MRI、rs-fMRI、扩散加权MRI和髓鞘敏感MRI,用于对皮层几何和微观结构进行分析的模型;基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果;基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息,本实施例相较于现有技术中监测方式单一,导致不能精确确定待监测对象全方面的脑部状态信息,导致医疗资源浪费,本实施例解决了监测方式单一的问题,通过结合影像分析结果、情感分析结果确定目标对象的脑部状态信息,可以实现更加精准的脑部状态监测,精确脑部状态变化规律,以减少医生工作量,减少医疗资源浪费。
参照图3,图3为本发明脑部状态监测方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明脑部状态监测方法的第二实施例。
在本实施例中,所述步骤S20,包括:
步骤S201:基于贝叶斯模型和所述脑部磁共振成像信息在预设虚拟空间中构建三维脑部结构图像。
需说明的是,贝叶斯模型可以是预先设置的用于基于脑部磁共振成像信息进行三维建模的模型,以便于后期精确定位病灶位置的模型,所述贝叶斯模型相较于现有三维构建模型来说,有效降低了模型复杂性,更适用于多变量神经影像学数据分析。
可理解的是,脑部磁共振成像信息包括时间序列和扩散数据等信息,临床医生无法直接解读,或者需要花费大量精力去获取或解读,如手动病变检测和分割。因此,可以结合模型进行辅助识别,而对大脑的生物物理过程进行真实的建模比较困难,模型参数的估计需要大量的数据,因此相较于现有模型,针对可估计性和复杂性方面,贝叶斯模型介于基于生物标志物的模型和物理模型之间,因此本方案选取贝叶斯模型进行三维建模,以供后期预设MRI分析模型对其进行精确分割及识别。
具体实现中,通过采用不同的颜色图填充不同的脑网络区域,以标记不同的功能区域,所述颜色分区可以采用布罗德曼分区方法将脑补位置的颜色与功能相对应,以便于后期预测功能异常。
步骤S202:基于预设MRI分析模型对所述三维脑部结构图像对应的相邻图像进行分割,获得第一分割结果和第二分割结果。
需说明的是,通过将图像映射至三维空间进行图像展示,并且由于磁共振影像是由多张图像构成的动态影像,因此为了确定脑部状态的变化规律,通过选取两张相邻的三维图像进行分割对比,从而确定变化规律。
可理解的是,第一分割结果是针对相邻两张图像按照时间序列排在前的一张图像的分割结果,第二分割结果是针对相邻两张图像按照时间序列排在后的一张图像的分割结果,所述分割结果可以按照脑部解剖结构分割的图像信息。
具体实现中,可以通过点云分割算法将三维脑部结构按照解剖结构进行分割,获得点云数据集,并对分割后的点云数据集中的点云数据进行位置标记,以便于后期生成的皮层、皮层下以及小脑分割图像。
进一步地,所述步骤S202还包括:基于预设MRI分析模型对所述三维脑部结构图像对应的相邻图像进行伪影预处理,获得处理后的目标影像图像集合;将目标影像图像集合中相邻影像图像按照脑部解剖结构进行图像分割,获得第一分割结果和第二分割结果。
需说明的是,磁共振伪影可以是由于某些因素的影响导致图像质量下降的一种影像,为了避免伪影对磁共振图像识别的影响,可以通过在磁共振成像重建前先做伪影消除预处理,其中预处理可以是通过基于小波模糊理论图像增强的算法辅助提取兴趣区进行坐标转换以及反折叠运算,进行多次的迭代,一直到形成满意的图像,获得获得处理后的目标影像图像集合;将目标影像图像集合中相邻影像图像按照脑部解剖结构进行图像分割,获得第一分割结果和第二分割结果。
步骤S203;根据所述第一分割结果中包含的皮层、皮层下以及小脑分割图像和所述第二分割结果中包含的皮层、皮层下以及小脑分割图像进行对比,获得脑部对比结果。
需说明的是,脑部对比结果是将第一分割结果中包含的皮层、皮层下以及小脑分割图像和所述第二分割结果中包含的皮层、皮层下以及小脑分割图像进行一一对比,获得的对比结果。
可理解的是,大脑皮层是指调节躯体运动或者说控制躯体运动的最高级中枢。它由初级感觉区、初级运动区和联合区三部分构成,大脑皮层下是指大脑皮层以下的脑部结构,小脑包含皮质以及髓质。
具体实现中,通过对皮层、皮层下以及小脑分割图像进行一一对比,可以确定脑部图像的变化规律,进而能够精确病灶区域。
进一步地,所述步骤S203还包括:将所述第一分割结果中的皮层分割图像与第二分割结果中的皮层分割图像进行对比,获得皮层对比结果;将所述第一分割结果中的皮层下分割图像与第二分割结果中的皮层下分割图像进行对比,获得灰质、白质以及脑脊液相应的对比结果;将所述第一分割结果中的小脑分割图像与第二分割结果中的小脑分割图像进行对比,获得小脑对比结果;根据所述皮层对比结果、灰质、白质以及脑脊液相应的对比结果以及小脑对比结果确定脑部对比结果。
需说明的是,根据皮层对比结果、灰质、白质以及脑脊液相应的对比结果以及小脑对比结果中存在的异常结果进行标记,并保存标记后的异常对比结果。
步骤S204:根据所述脑部对比结果和预设指标确定所述相邻影像之间的指标变化结果。
需说明的是,预设指标可以预先设置的用于判断脑部变化是否超过正常指标范围,指标变化结果可以是指超过正常指标范围和未超过正常指标范围两种结果。
步骤S205:根据所述指标变化结果确定影像分析结果。
需说明的是,影响分析结果中包含异常标记后的影像,指标变化结果以及脑部相应的参数信息。所述参数信息包括区域灰质、大脑和脑脊液体积、局部皮质表面积、体积和厚度、皮质灰白对比、白质高信号体积。
本实施例通过从预设生理数据库中获取目标对象的脑部磁共振成像信息以及问卷信息;基于贝叶斯模型和所述脑部磁共振成像信息在预设虚拟空间中构建三维脑部结构图像;基于预设MRI分析模型对所述三维脑部结构图像对应的相邻图像进行分割,获得第一分割结果和第二分割结果;根据所述第一分割结果中包含的皮层、皮层下以及小脑分割图像和所述第二分割结果中包含的皮层、皮层下以及小脑分割图像进行对比,获得脑部对比结果;根据所述脑部对比结果和预设指标确定所述相邻影像之间的指标变化结果;根据所述指标变化结果确定影像分析结果,所述预设MRI分析模型集成了结构MRI、rs-fMRI、扩散加权MRI和髓鞘敏感MRI,用于对皮层几何和微观结构进行分析的模型;基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果;基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息,本实施例相较于现有技术中监测方式单一,导致不能精确确定待监测对象全方面的脑部状态信息,导致医疗资源浪费,本实施例解决了监测方式单一的问题,通过结合影像分析结果、情感分析结果确定目标对象的脑部状态信息,可以实现更加精准的脑部状态监测,精确脑部状态变化规律,以减少医生工作量,减少医疗资源浪费。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有脑部状态监测程序,所述脑部状态监测程序被处理器执行时实现如上文所述的脑部状态监测方法的步骤。
参照图4,图4为本发明脑部状态监测装置第一实施例的结构框图。
如图4所示,本发明实施例提出的脑部状态监测装置包括:
信息获取模块10,用于从预设生理数据库中获取目标对象的脑部磁共振成像信息以及问卷信息;
成像分析模块20,用于基于预设MRI分析模型对所述脑部磁共振成像信息进行分析,获得影像分析结果,所述预设MRI分析模型集成了结构MRI、rs-fMRI、扩散加权MRI和髓鞘敏感MRI,用于对皮层几何和微观结构进行分析的模型;
情感分析模块30,用于基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果;
状态确定模块40,用于基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息。
本实施例通过从预设生理数据库中获取目标对象的脑部磁共振成像信息以及问卷信息;基于预设MRI分析模型对所述脑部磁共振成像信息进行分析,获得影像分析结果,所述预设MRI分析模型集成了结构MRI、rs-fMRI、扩散加权MRI和髓鞘敏感MRI,用于对皮层几何和微观结构进行分析的模型;基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果;基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息,本实施例相较于现有技术中监测方式单一,导致不能精确确定待监测对象全方面的脑部状态信息,导致医疗资源浪费,本实施例解决了监测方式单一的问题,通过结合影像分析结果、情感分析结果确定目标对象的脑部状态信息,可以实现更加精准的脑部状态监测,精确脑部状态变化规律,以减少医生工作量,减少医疗资源浪费。
进一步地,所述成像分析模块20还用于基于贝叶斯模型和所述脑部磁共振成像信息在预设虚拟空间中构建三维脑部结构图像;基于预设MRI分析模型对所述三维脑部结构图像对应的相邻图像进行分割,获得第一分割结果和第二分割结果;根据所述第一分割结果中包含的皮层、皮层下以及小脑分割图像和所述第二分割结果中包含的皮层、皮层下以及小脑分割图像进行对比,获得脑部对比结果;根据所述脑部对比结果和预设指标确定所述相邻影像之间的指标变化结果;根据所述指标变化结果确定影像分析结果。
进一步地,所述成像分析模块20还用于基于预设MRI分析模型对所述三维脑部结构图像对应的相邻图像进行伪影预处理,获得处理后的目标影像图像集合;将目标影像图像集合中相邻影像图像按照脑部解剖结构进行图像分割,获得第一分割结果和第二分割结果。
进一步地,所述成像分析模块20还用于将所述第一分割结果中的皮层分割图像与第二分割结果中的皮层分割图像进行对比,获得皮层对比结果;将所述第一分割结果中的皮层下分割图像与第二分割结果中的皮层下分割图像进行对比,获得灰质、白质以及脑脊液相应的对比结果;将所述第一分割结果中的小脑分割图像与第二分割结果中的小脑分割图像进行对比,获得小脑对比结果;根据所述皮层对比结果、灰质、白质以及脑脊液相应的对比结果以及小脑对比结果确定脑部对比结果。
进一步地,所述情感分析模块30还用于基于预设情感分析模型对所述问卷信息进行愉悦度分析,获得愉悦度分析结果;基于预设情感分析模型对所述问卷信息进行、激活度分析,获得激活度分析结果;基于预设情感分析模型对所述问卷信息进行优势度分析,获得优势度分析结果;根据所述愉悦度分析结果、所述激活度分析结果以及所述激活度分析结果确定情感分析结果。
进一步地,所述状态确定模块40还用于基于所述影像分析结果和所述预设脑部条件确定所述目标对象的脑部图像差异信息;基于所述情感分析结果和所述预设认知条件确定所述目标图像的认知能力信息;根据所述脑部图像差异信息和所述认知能力信息确定所述目标对象的脑部状态信息。
进一步地,所述状态确定模块40还用于对所述状态信息中的异常状态信息进行标记,并根据标记后的异常状态信息生成预警信息;将所述预警信息上传至预设管理平台。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的脑部状态监测方法,此处不再赘述。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种脑部状态监测方法,其特征在于,所述脑部状态监测方法包括以下步骤:
从预设生理数据库中获取目标对象的脑部磁共振成像信息以及问卷信息;
基于预设MRI分析模型对所述脑部磁共振成像信息进行分析,获得影像分析结果,所述预设MRI分析模型集成了结构MRI、rs-fMRI、扩散加权MRI和髓鞘敏感MRI,用于对皮层几何和微观结构进行分析的模型;
基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果;
基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息。
2.如权利要求1所述的脑部状态监测方法,其特征在于,所述基于预设MRI分析模型对所述脑部磁共振成像信息进行分析,获得影像分析结果的步骤,包括:
基于贝叶斯模型和所述脑部磁共振成像信息在预设虚拟空间中构建三维脑部结构图像;
基于预设MRI分析模型对所述三维脑部结构图像对应的相邻图像进行分割,获得第一分割结果和第二分割结果;
根据所述第一分割结果中包含的皮层、皮层下以及小脑分割图像和所述第二分割结果中包含的皮层、皮层下以及小脑分割图像进行对比,获得脑部对比结果;
根据所述脑部对比结果和预设指标确定所述相邻影像之间的指标变化结果;
根据所述指标变化结果确定影像分析结果。
3.如权利要求2所述的脑部状态监测方法,其特征在于,所述基于预设MRI分析模型对所述三维脑部结构图像对应的相邻图像进行分割,获得第一分割结果和第二分割结果的步骤,包括:
基于预设MRI分析模型对所述三维脑部结构图像对应的相邻图像进行伪影预处理,获得处理后的目标影像图像集合;
将目标影像图像集合中相邻影像图像按照脑部解剖结构进行图像分割,获得第一分割结果和第二分割结果。
4.如权利要求2所述的脑部状态监测方法,其特征在于,所述根据所述第一分割结果中包含的皮层、皮层下以及小脑分割图像和所述第二分割结果中包含的皮层、皮层下以及小脑分割图像进行对比,获得脑部对比结果的步骤,包括:
将所述第一分割结果中的皮层分割图像与第二分割结果中的皮层分割图像进行对比,获得皮层对比结果;
将所述第一分割结果中的皮层下分割图像与第二分割结果中的皮层下分割图像进行对比,获得灰质、白质以及脑脊液相应的对比结果;
将所述第一分割结果中的小脑分割图像与第二分割结果中的小脑分割图像进行对比,获得小脑对比结果;
根据所述皮层对比结果、灰质、白质以及脑脊液相应的对比结果以及小脑对比结果确定脑部对比结果。
5.如权利要求1所述的脑部状态监测方法,其特征在于,所述基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果的步骤,包括:
基于预设情感分析模型对所述问卷信息进行愉悦度分析,获得愉悦度分析结果;
基于预设情感分析模型对所述问卷信息进行、激活度分析,获得激活度分析结果;
基于预设情感分析模型对所述问卷信息进行优势度分析,获得优势度分析结果;
根据所述愉悦度分析结果、所述激活度分析结果以及所述激活度分析结果确定情感分析结果。
6.如权利要求1所述的脑部状态监测方法,其特征在于,所述预设标准条件包括预设脑部条件和预设认知条件,所述基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息的步骤,包括:
基于所述影像分析结果和所述预设脑部条件确定所述目标对象的脑部图像差异信息;
基于所述情感分析结果和所述预设认知条件确定所述目标图像的认知能力信息;
根据所述脑部图像差异信息和所述认知能力信息确定所述目标对象的脑部状态信息。
7.如权利要求1所述的脑部状态监测方法,其特征在于,所述基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息的步骤之后,还包括:
对所述状态信息中的异常状态信息进行标记,并根据标记后的异常状态信息生成预警信息;
将所述预警信息上传至预设管理平台。
8.一种脑部状态监测设备,其特征在于,所述脑部状态监测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的脑部状态监测程序,所述脑部状态监测程序被所述处理器执行时实现如权利要求1至7中任一项所述的脑部状态监测方法。
9.一种存储介质,其特征在于,所述存储介质上存储有脑部状态监测程序,所述脑部状态监测程序被处理器执行时实现如权利要求1至7中任一项所述的脑部状态监测方法。
10.一种脑部状态监测装置,其特征在于,所述脑部状态监测装置包括:
信息获取模块,用于从预设生理数据库中获取目标对象的脑部磁共振成像信息以及问卷信息;
成像分析模块,用于基于预设MRI分析模型对所述脑部磁共振成像信息进行分析,获得影像分析结果,所述预设MRI分析模型集成了结构MRI、rs-fMRI、扩散加权MRI和髓鞘敏感MRI,用于对皮层几何和微观结构进行分析的模型;
情感分析模块,用于基于预设情感分析模型对所述问卷信息进行分析,获得情感分析结果;
状态确定模块,用于基于所述影像分析结果、所述情感分析结果以及预设标准条件确定所述目标对象的脑部状态信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339784.XA CN116469579A (zh) | 2023-03-27 | 2023-03-27 | 脑部状态监测方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339784.XA CN116469579A (zh) | 2023-03-27 | 2023-03-27 | 脑部状态监测方法、设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116469579A true CN116469579A (zh) | 2023-07-21 |
Family
ID=87183528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310339784.XA Pending CN116469579A (zh) | 2023-03-27 | 2023-03-27 | 脑部状态监测方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116469579A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117457234A (zh) * | 2023-11-20 | 2024-01-26 | 四川互慧软件有限公司 | 基于神经网络模型的蛇伤等级预测方法与系统 |
-
2023
- 2023-03-27 CN CN202310339784.XA patent/CN116469579A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117457234A (zh) * | 2023-11-20 | 2024-01-26 | 四川互慧软件有限公司 | 基于神经网络模型的蛇伤等级预测方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Floyd et al. | Decoding the representation of code in the brain: An fMRI study of code review and expertise | |
Aslan et al. | A deep learning approach in automated detection of schizophrenia using scalogram images of EEG signals | |
US9510756B2 (en) | Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images | |
US20200037732A1 (en) | Beauty counseling information providing device and beauty counseling information providing method | |
US11693071B2 (en) | Systems and methods for mapping neuronal circuitry and clinical applications thereof | |
JP5058064B2 (ja) | 絵画療法の模様選択及び配列、色塗り分析方法、絵画療法の模様分析による心理症状の診断方法、及びこれを行うためのプログラムを記録した記録媒体 | |
CN112614126B (zh) | 基于机器学习的磁共振图像脑区划分方法、系统和装置 | |
CN110322554B (zh) | 一种脑动态功能模式稳定性计算方法 | |
CN114970599A (zh) | 注意缺陷关联脑电信号的识别方法、识别装置、存储介质 | |
Martínez-Murcia et al. | Periodogram connectivity of EEG signals for the detection of dyslexia | |
CN116469579A (zh) | 脑部状态监测方法、设备、存储介质及装置 | |
Shahdloo et al. | Task-dependent warping of semantic representations during search for visual action categories | |
Williams et al. | Reward prediction errors reflect an underlying learning process that parallels behavioural adaptations: a trial-to-trial analysis | |
Chen et al. | DCTNet: Hybrid deep neural network-based EEG signal for detecting depression | |
CN111938671A (zh) | 一种基于多维度内感知特征的焦虑特质量化方法 | |
CN115337000B (zh) | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 | |
Mahim et al. | Unlocking the Potential of XAI for Improved Alzheimer’s Disease Detection and Classification Using a ViT-GRU Model | |
Zhu et al. | A tensor statistical model for quantifying dynamic functional connectivity | |
CN114926396A (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
CN115937129A (zh) | 基于多模态磁共振影像的左右半脑关系的处理方法及装置 | |
Kay et al. | Bottom-up and top-down computations in high-level visual cortex | |
CN112052882B (zh) | 磁共振脑结构影像的分类模型构建、分类与可视化方法 | |
Jafarpour et al. | Population level inference for multivariate MEG analysis | |
Elakkiya | Toward improving the accuracy in the diagnosis of schizophrenia using functional magnetic resonance imaging (fMRI) | |
Heyi et al. | Development of a retinal image segmentation algorithm for the identifying prevalence markers of diabetic retinopathy using a neural network |
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 |