CN117457189A - 一种用于耳迷走神经刺激治疗的疗效预测装置 - Google Patents

Abstract

本申请涉及神经精神疾病疗效预测设备的技术领域，尤其是涉及一种用于耳迷走神经刺激治疗的疗效预测装置，技术方案在于包括：数据扫描模块，所述数据扫描模块被配置为获取待测人状态数据；数据导入模块，所述数据导入模块连接数据扫描模块，所述数据导入模块被配置为对待测人状态数据进行质量控制，得到参数特征；疗效预测模块，所述疗效预测模块连接数据导入模块，所述疗效预测模块被配置为将参数特征进行疗效预测，将疗效预测得到的若干组预测效能进行比对，选取预测效能最优的疗效预测方式为最优预测模型，提高耳迷走神经刺激疗效预测的效能，实现更精准的预测，提升预测效率。

Description

一种用于耳迷走神经刺激治疗的疗效预测装置

技术领域

本申请涉及神经精神疾病疗效预测设备的技术领域，尤其是涉及一种用于耳迷走神经刺激治疗的疗效预测装置。

背景技术

耳迷走神经刺激能够治疗的神经精神疾病有癫痫、抑郁、偏头痛等，其疗效确切、安全、经济，因此具有广阔的应用前景。但在使用耳迷走神经刺激方式进行治疗时，疗效存在着明显的个体差异，而在治疗前对待治疗者进行磁共振扫描，采用脑功能多模态指标为特征，结合人工智能的算法，可以在治疗前实现适宜耳迷走神经刺激疗法的患者遴选，从而实现该疗法的疗效优化。

目前有采用深度学习进行2型糖尿病患者脑结构认知障碍分类的装置，通过2型糖尿病待测人的脑结构与常规的脑结构差异作为特征，对2型糖尿病的伴有与不伴有认知障碍进行分类，从而进行治疗前的检测和筛选，但该装置通常需要获取大量样本进行学习才能达到一定的效果，需要耗费的经济成本和时间成本多，增大了对待测人预测的难度，且该模型仅仅采用了大脑结构的指标，只能反映大脑的片面信息，无法客观、准确的反映大脑的实际状态，上述问题有待解决。

发明内容

为了提高耳迷走神经刺激疗效预测的效能，实现更精准的预测，提升预测效率，本申请提供一种用于耳迷走神经刺激治疗的疗效预测装置，采用如下技术方案：

第一方面，本申请提供一种用于耳迷走神经刺激治疗的疗效预测装置，包括：

数据扫描模块，所述数据扫描模块被配置为获取待测人状态数据；

数据导入模块，所述数据导入模块连接数据扫描模块，所述数据导入模块被配置为对待测人状态数据进行质量控制，得到参数特征；

疗效预测模块，所述疗效预测模块连接数据导入模块，所述疗效预测模块被配置为将参数特征进行疗效预测，将疗效预测得到的若干组预测效能进行比对，选取预测效能最优的疗效预测方式为最优预测模型。

优选的，其中响应于所述数据导入模块被配置为对待测人状态数据进行质量控制，所述数据导入模块将完成质量控制筛选得出的待测人状态数据进行分类处理，得到参数特征。

优选的，所述疗效预测模块包括特征拼接预测单元，所述特征拼接预测单元获取单个参数特征或多个参数特征组合进行多指标预测，对预测结果进行检验，得到特征拼接的预测效能。

优选的，所述疗效预测模块包括决策层面融合预测单元，所述决策层面融合预测单元获取若干个参数特征分别进行单指标预测，对预测结果进行检验，得到决策层面融合的预测效能。

优选的，所述数据导入模块包括第一处理芯片、第二处理芯片和第三处理芯片，所述第一处理芯片、第二处理芯片和第三处理芯片用于进行分类处理。

优选的，所述第一处理芯片进行Bold数据分析和第一指标计算，所述第一指标包括有若干个第一子指标，得到其中一部分适配于疗效预测模块的参数特征。

优选的，所述第二处理芯片进行T1WI数据分析或APT数据分析或QSM数据分析，且所述第二处理芯片进行第二指标计算，所述第二指标包括有若干个第二子指标，得到其中一部分适配于疗效预测模块的参数特征。

优选的，所述第三处理芯片进行DTI数据分析、第三指标计算和ASL计算，所述第三指标包括有若干个第三子指标，得到其中一部分适配于疗效预测模块的参数特征。

优选的，还包括结果存储发送模块，所述结果存储发送模块将从疗效预测模块获取得到的最优预测模型进行存储保存，并将实时获取的最优预测模型发送到待测人接收端。

优选的，所述结果存储发送模块采用蓝牙通讯的方式将实时获取的最优预测模型发送到待测人接收端。

综上所述，与现有技术相比，本申请提供的技术方案带来的有益效果至少包括：

本申请通过采用数据扫描模块，获取到待测人状态数据，使得对待测人的各项大脑指标进行获取，获取得到的待测人状态数据传输至数据导入模块，数据导入模块对待测人状态数据进行质量控制，将待测人状态数据的冗杂数据进行筛除，并且将完成质量控制后的待测人状态数据进行转换，使待测人状态数据转换为疗效预测模块能够识别处理的参数特征，疗效预测模块根据参数特征，采用特征拼接以及多预测器决策层面融合手段进行疗效预测，得到多组预测效能，将多组预测效能进行比对，得到的最优预测模型表示待测人的最佳疗效，根据对最优预测模型进行分析，判断待测人是否适合耳迷走神经刺激治疗，提高耳迷走神经刺激疗效预测的效能，实现更精准的预测，提升预测效率。

附图说明

图1是本申请实施例所述一种用于耳迷走神经刺激治疗的疗效预测装置的模块示意图。

图2是本申请实施例所述用于耳迷走神经刺激治疗的疗效预测装置的结构示意图。

图3是本申请实施例所述特征拼接预测单元的模块示意图。

图4是本申请实施例所述决策层面融合预测单元的模块示意图。

附图标记说明：

1、数据扫描模块；2、数据导入模块；21、质量控制单元；22、第一处理芯片；23、第二处理芯片；24、第三处理芯片；3、疗效预测模块；31、特征拼接预测单元；32、决策层面融合预测单元；4、结果存储发送模块。

具体实施方式

以下结合图1-图4对本申请作进一步详细说明，在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制。

参照图1，本申请所涉及的一种用于耳迷走神经刺激治疗的疗效预测装置，具体包括：

数据扫描模块1，数据扫描模块1被配置为获取待测人状态数据；

数据导入模块2，数据导入模块2连接数据扫描模块1，数据导入模块2被配置为对待测人状态数据进行质量控制，得到参数特征；

疗效预测模块3，疗效预测模块3连接数据导入模块2，疗效预测模块3被配置为将参数特征进行疗效预测，将疗效预测得到的若干组预测效能进行比对，选取预测效能最优的疗效预测方式为最优预测模型。

具体地，本申请实施例通过采用数据扫描模块1，获取到待测人状态数据。使得获取到待测人的各项大脑指标，待测人状态数据传输至数据导入模块2，数据导入模块2将待测人状态数据进行质量控制，将待测人状态数据的冗杂数据进行筛除，减少疗效预测模块3受到无效数据的干扰，直接对有效数据进行处理。并且数据导入模块2将完成质量控制后的待测人状态数据进行转换，使待测人状态数据转换为疗效预测模块3能够识别处理的参数特征。疗效预测模块3根据参数特征进行疗效预测，得到多组预测效能，将多组预测效能进行比对，得到的最优预测模型表示待测人的最佳疗效，根据对最优预测模型进行分析，判断待测人是否适合耳迷走神经刺激治疗，实现治疗前适宜患者的遴选，满足耳迷走神经刺激治疗神经精神疾病疗效优化的需求，提高耳迷走神经刺激疗效预测的效能，实现更精准的预测，从而提升预测效率。

参照图2，作为其中一种实施方式，数据扫描模块1用于扫描待测人的头部从而获取待测人状态数据，待测人状态数据具体包括有待Bold数据、T1WI数据、APT数据、QSM数据、DTI数据、ASL数据等。

具体地，Bold数据由Bold磁共振成像得到，采用磁共振快成像的方法来检测大脑功能区活动时内部血氧水平的变化，从而对大脑的功能进行分析检测。即磁共振扫描后得到的功能相，经标准的预处理后，可对指标进行计算。T1WI数据即磁共振扫描后得到的高清T1结构相。APT是一种化学交换饱和转移成像技术，是在磁化转移和化学交换理论基础上发展起来的一种新型的磁共振分子影像技术。QSM定量磁化率成像用于反映大脑内物质，例如铁的沉积。DTI是目前唯一能够对活体人脑内的白质纤维结构进行非侵入性检测的影像技术，能以三维的形式显示活体脑白质纤维束，能够立体、直观的显示纤维束的走行变化，从而实现对人的神经纤维精细成像。ASL动脉自旋标记是一种在体、无创观察大脑血流灌注的一种成像方法。

作为其中一种实施方式，其中响应于数据导入模块2被配置为对待测人状态数据进行质量控制，数据导入模块2将完成质量控制筛选得出的待测人状态数据进行分类处理，得到参数特征。

具体地，数据导入模块2包括有质量控制单元21，质量控制单元21负责为对待测人状态数据进行质量控制，完成质量控制后的数据进行分类处理，数据导入模块2在完成质量控制操作步骤后，将完成质量控制筛选得出的待测人状态数据进行分类处理，本申请实施例分为三类，分别输入至对应的芯片中处理，得到能够让疗效预测模块3进行数据分析的参数特征。

数据导入模块2包括第一处理芯片22、第二处理芯片23和第三处理芯片24，第一处理芯片22、第二处理芯片23和第三处理芯片24用于进行分类处理，且同时进行处理，没有先后执行顺序区分。

第一处理芯片22进行Bold数据分析和第一指标计算，第一指标包括有若干个第一子指标，具体包括有ALFF值、fALFF值、ReHo值、FCS值、FCD值和功能连接矩阵，第一处理芯片22对该部分数值处理，成为其中一部分适配于疗效预测模块3的参数特征。其中计算ALFF低频振幅，通过对Bold时间序列图像在0.01-0.08HZ下信号的功率谱进行开方，得到ALFF值，ALFF值反映的是大脑局部区域的自发活动。fALFF全称fractional amplitude of lowfrequency fluctuation，具体是比率低频振幅，fALFF值同样反映的是大脑局部区域的自发活动，且对揭示某些网络，例如默认网络的活动相对更敏感，fALFF的计算方法为得到某脑区的ALFF值后，计算该脑区0.01-0.25全频段的ALFF总值，将某脑区的ALFF值除以该脑区的全频段的ALFF总值，所得到的一个比值。ReHo具体是局部一致性，ReHo值通过计算肯德尔和谐系数，其值反应了目标区域内某一体素与周围27个体素之间在时间序列上的一致性，可用来反应局部脑组织的同步性活动。FC矩阵为functional connectivity，功能连接反映全脑任意一个脑区功能活动的同步性，通过计算AAL脑模板上每一个脑区间的皮尔逊相关系数，即得到一个功能连接矩阵。功能连接强度FCS，即全脑每一个体素与全脑其余体素间功能连接值的总和。功能连接密度FCD及卡一个阈值，例如0.6，即每一个体素间的皮尔逊相关系数为0.6的功能连接才算，此时赋值为1，其余赋值为0，最后把每一个体素与全脑其它体素的功能连接求和得到FCD。

第二处理芯片23进行T1WI数据分析或APT数据分析或QSM数据分析，且第二处理芯片23进行第二指标计算，第二指标包括有若干个第二子指标。其中本申请实施例中，对T1WI数据计算得到的指标具体包括有VBM和SBM，反映大脑的皮层厚度及皮层表面积。APT是一种基于化学转换饱和转移的分子成像技术，可以探测内源性的游离蛋白以及多肽含量，可以客观反映大脑发育和成熟、神经精神疾病的发生发展的演变过程。QSM为定量磁化率成像，广泛用于定量大脑中铁的分布。据此得到其中一部分适配于疗效预测模块3的参数特征。

第三处理芯片24进行DTI数据分析和第三指标以及ASL指标计算，第三指标包括有若干个第三子指标，通过计算DTI后得到各向异性分数FA、描述了组织内水分子扩散的方向性、平均扩散率MD、轴向弥散系数AD、径向弥散系数RD来更加具体地描述组织中的水分子扩散的方向和大小；ASL常用指标主要是CBF，CBF即血流量，可客观反映大脑的血流供应情况，进而得到其中一部分适配于疗效预测模块3的参数特征。

参照图3-图4，作为其中一种实施方式，疗效预测模块3包括特征拼接预测单元31，特征拼接预测单元31获取单个参数特征或多个参数特征组合进行多指标预测，对预测结果进行检验，得到特征拼接的预测效能。

具体地，特征拼接预测单元31采用单指标或者多指标组合同时进行处理的方式，以治疗前后疾病评分的改善作为预测标签，治疗前后疾病评分的改善具体为治疗前后量表的差值，采用十折折交叉验证和权重特征选择的方法，在本申请实施例中结合SVR算法进行训练及测试的过程，将预测结果的得分与实际标签行相关分析，得到回归系数，回归系数即预测效能，并对预测效能并进行5000次置换检验的过程，最终以回归系数最高值作为预测模型构建的最终标准，并依据最终标准确定相应指标、模型及参数，得到最优预测模型。

疗效预测模块3包括决策层面融合预测单元32，决策层面融合预测单元32获取若干个参数特征分别进行单指标预测，对预测结果进行检验，得到决策层面融合的预测效能。

具体地，决策层面融合预测单元32首先将各指标进行单指标预测采用预测相关系数达0.35以上的指标作为存在潜在预测效果的指标进行分析。分析的具体步骤为按进入指标的数据涉及相应的预测器，一个指标对于一个预测器分别进行预测分析，采用以治疗前后疾病评分的改善作为预测标签，具体是以治疗前后量表的差值作为预测标签，采用十折交叉验证、权重特征选择的方法，在本申请实施例中结合SVR算法进行训练及测试的过程，最后将预测得分与实际标签行相关分析，得到回归系数，回归系数即预测效能，对预测效能进行5000次置换检验的过程，并在多个预测器的层面，对每个预测器得到的回归系数值进行加权，每个指标对于一个预测器，并将加权总和或预测器数据做为该预测模型的预测效能，最终得到最佳预测模型。具体来说，假设10个被试，指标1，预测出10个被试值分别是s11，s12,s13,...,s10；指标2预测10个被试值分别是s21，s22,...,s20,指标3预测10个被试分别是s31，s32，...,s30。然后，第一个被试预测值(s11+s21+s31...)/3，第二个被试(s12+s22+s32...)/3，依次类推，据此确定预测模式的参数以及使用的脑功能指标。

作为另外一种实施方式，训练及测试的过程还能采用LASSO、岭回归、弹性网络回归、XGBOOST、隐马尔科夫等算法进行，以获取的结果最优为标准进行算法的选取，以提高耳迷走神经刺激疗效预测的效能，实现更精准的预测，提升预测效率。

在取得特征拼接预测单元31和决策层面融合预测单元32得出的两组预测效能后进行比对，选取预测效能好的方法最为最终、最优预测模型。本申请实施例的装置是在待测人新入组时，给予治疗前fMRI检查，并将相关脑功能指标代入本预测模型，可直接给出预测得分，并按该预测得分的具体数字来预测患者将进行的若干周内进行的耳迷走神经刺激疗效的好坏，不仅能在治疗前给予患者适不适合进行耳迷走神经刺激治疗的建议，而且可以给出患者经过治疗后神经精神疾病相关指标改善的具体值，给予患者充分的自主选择权，从而实现治疗前适宜患者的遴选，满足耳迷走神经刺激治疗神经精神疾病疗效优化的需求，同时也避免了患者不必要的时间及经济浪费。且本申请实施例采用多模态的fMRI指标，包括：脑功能、结构、血流、微结构等指标，更能客观反映大脑的实际状态及情况。本申请实施例采用LASSO、岭回归、弹性网络回归、XGBOOST、隐马尔科夫等机器学习的算法，代替卷积神经网络，减少了信息总量的获取，增多了信息种类的判断，针对脑功能数据的特殊需求，同时，创新性的采用了特征拼接以及多预测器的决策层面融合，真正的实现了从多个层面反映大脑实际状态相关指标的多模态融合，凸显了多预测器的优势，可以获得更好的预测效能。

作为其中一种实施方式，用于耳迷走神经刺激治疗的疗效预测装置还包括结果存储发送模块4，结果存储发送模块4将从疗效预测模块3获取得到的最优预测模型进行存储保存，并将实时获取的最优预测模型发送到待测人接收端。

具体地，结果存储发送模块4获取每一次检测时，疗效预测模块3测得的多个预测效能和最优预测模型的数据进行存储，使得能够随时获取该参数进行分析，便于对多个待测人的历史数据进行研究。且获取最新一次的最优预测模型和对该模型分析判断的结果，将该模型和结果发送至待测人接收端，通常为配置给待测人的手环，增设了预测结果的自动化发射系统，以实现实时反馈，满足患者对结果即时反馈需求，提升了预测的便利性。

作为其中一种实施方式，结果存储发送模块4采用蓝牙通讯的方式将实时获取的最优预测模型发送到待测人接收端。

具体地，通过蓝牙通讯的方式能够便捷的将信息传输至配置给待测人的手环中，满足患者对结果即时反馈需求，提升了预测的便利性。还能够采用有线传输、无线传输等多种传输方式。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和产品的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所披露的方法、系统、装置和程序产品，可以通过其它的方式实现。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种用于耳迷走神经刺激治疗的疗效预测装置，其特征在于，包括：

数据扫描模块，所述数据扫描模块被配置为获取待测人状态数据；

数据导入模块，所述数据导入模块连接数据扫描模块，所述数据导入模块被配置为对待测人状态数据进行质量控制，得到参数特征；

疗效预测模块，所述疗效预测模块连接数据导入模块，所述疗效预测模块被配置为将参数特征进行疗效预测，将疗效预测得到的若干组预测效能进行比对，选取预测效能最优的疗效预测方式为最优预测模型。

2.根据权利要求1所述的用于耳迷走神经刺激治疗的疗效预测装置，其特征在于，其中响应于所述数据导入模块被配置为对待测人状态数据进行质量控制，所述数据导入模块将完成质量控制筛选得出的待测人状态数据进行分类处理，得到参数特征。

3.根据权利要求1所述的用于耳迷走神经刺激治疗的疗效预测装置，其特征在于，所述疗效预测模块包括特征拼接预测单元，所述特征拼接预测单元获取单个参数特征或多个参数特征组合进行多指标预测，对预测结果进行检验，得到特征拼接的预测效能。

4.根据权利要求3所述的用于耳迷走神经刺激治疗的疗效预测装置，其特征在于，所述疗效预测模块包括决策层面融合预测单元，所述决策层面融合预测单元，获取若干个参数特征分别进行单指标预测，对预测结果进行检验，得到决策层面融合的预测效能。

5.根据权利要求2所述的用于耳迷走神经刺激治疗的疗效预测装置，其特征在于，所述数据导入模块包括第一处理芯片、第二处理芯片和第三处理芯片，所述第一处理芯片、第二处理芯片和第三处理芯片用于进行分类处理。

6.根据权利要求5所述的用于耳迷走神经刺激治疗的疗效预测装置，其特征在于，所述第一处理芯片进行Bold数据分析和第一指标计算，所述第一指标包括有若干个第一子指标，得到其中一部分适配于疗效预测模块的参数特征。

7.根据权利要求5所述的用于耳迷走神经刺激治疗的疗效预测装置，其特征在于，所述第二处理芯片进行T1WI数据分析或APT数据分析或QSM数据分析，且所述第二处理芯片进行第二指标计算，所述第二指标包括有若干个第二子指标，得到其中一部分适配于疗效预测模块的参数特征。

8.根据权利要求5所述的用于耳迷走神经刺激治疗的疗效预测装置，其特征在于，所述第三处理芯片进行DTI数据分析、第三指标计算和ASL计算，所述第三指标包括有若干个第三子指标，得到其中一部分适配于疗效预测模块的参数特征。

9.根据权利要求1所述的用于耳迷走神经刺激治疗的疗效预测装置，其特征在于，还包括结果存储发送模块，所述结果存储发送模块将从疗效预测模块获取得到的最优预测模型进行存储保存，并将实时获取的最优预测模型发送到待测人接收端。

10.根据权利要求9所述的用于耳迷走神经刺激治疗的疗效预测装置，其特征在于，所述结果存储发送模块采用蓝牙通讯的方式将实时获取的最优预测模型发送到待测人接收端。