深部脑内刺激的干预方法、装置、电子设备及存储介质与流程

1.本技术涉及深部脑内刺激技术领域，具体而言，涉及一种深部脑内刺激的干预方法、装置、电子设备及存储介质。


背景技术：

2.深部脑内刺激(deep brain stimulation，dbs)主要是将电极植入到患者脑内，运用脉冲发生器刺激其大脑深部的某些神经核，纠正异常的大脑电环路，从而减轻神经方面的症状。
3.现有的dbs干预通常为固定强度下的放电干预，需要依靠医护人员对患者发病状况进行观察，然后依据经验和患者症状，调节放电的强度和频率，并在接下来一段时间的治疗中沿用此固定干预强度，直到下次有医护人员调试。
4.但医护人员依据经验和患者症状进行dbs干预时，确定出的干预强度不够准确，并且患者在一段时间内的干预强度不会随着发病状况的变化而发生改变。


技术实现要素：

5.有鉴于此，本技术的目的在于提供一种深部脑内刺激的干预方法、装置、电子设备及存储介质，在进行dbs干预时，可以根据患者的脑电波特征自动选择适合患者发病状况的干预相关信息，从而达到精准干预治疗的效果。
6.第一方面，本技术实施例提供了一种深部脑内刺激的干预方法，所述干预方法包括：
7.获取目标用户的脑电信号；
8.确定所述脑电信号的脑电波特征集；
9.基于所述脑电波特征集，确定针对所述目标用户的干预相关信息；
10.依据所述干预相关信息执行干预处理。
11.在本技术实施例中，作为一种可选的实施例，所述干预相关信息包括：
12.发病类型；
13.针对所述发病类型的干预强度。
14.在本技术实施例中，作为一种可选的实施例，所述基于所述脑电波特征集，确定针对所述目标用户的干预相关信息的步骤，包括：
15.将所述脑电波特征集分别输入至预设的多种第一疾病识别模型，得到多种所述第一疾病识别模型各自输出的发病概率；
16.若任一所述第一疾病识别模型输出的发病概率大于预设的针对该任一所述第一疾病识别模型的第一发病概率阈值，则将该任一所述第一疾病识别模型对应的疾病类型确定为发病类型；
17.依据预先设置的针对所述发病类型的各种发病概率分别对应的干预强度，以及该任一所述第一疾病识别模型输出的发病概率，确定针对所述发病类型的干预强度。
18.在本技术实施例中，作为一种可选的实施例，在所述依据所述干预相关信息执行干预处理的步骤之后，所述干预方法还包括：
19.获取执行干预处理后的待测脑电信号；
20.对所述待测脑电信号进行电势干扰减除处理，得到无电势干扰脑电信号；
21.对所述无电势干扰脑电信号执行所述确定所述脑电信号的脑电波特征集，基于所述脑电波特征集，确定针对所述目标用户的干预相关信息，依据所述干预相关信息执行干预处理的步骤。
22.在本技术实施例中，作为一种可选的实施例，在所述基于所述脑电波特征集，确定针对所述目标用户的干预相关信息的步骤之前，所述干预方法还包括：
23.确定所述目标用户的发病状态；
24.所述基于所述脑电波特征集，确定针对所述目标用户的干预相关信息的步骤，包括：
25.若所述目标用户的发病状态为发病，则基于所述脑电波特征集，确定针对所述目标用户的干预相关信息。
26.在本技术实施例中，作为一种可选的实施例，所述确定所述目标用户的发病状态的步骤，包括：
27.基于所输入的针对所述目标用户的发病标识，确定所述目标用户的发病状态。
28.在本技术实施例中，作为一种可选的实施例，所述确定所述目标用户的发病状态的步骤，包括：
29.将所述脑电波特征集分别输入至预设的多种第二疾病识别模型，得到多种所述第二疾病识别模型各自输出的发病概率；
30.若任一种所述第二疾病识别模型输出的发病概率大于预设的针对该任一种所述第二疾病识别模型对应的疾病类型的第二发病概率阈值，则确定所述目标用户的发病状态为发病。
31.在本技术实施例中，作为一种可选的实施例，所述确定所述脑电信号的脑电波特征集的步骤，包括：
32.对所述脑电信号进行预处理，得到预处理信号；
33.将所述预处理信号转换为频谱图；
34.确定所述频谱图中包括的多种预设频段分别对应的功率谱能量值；
35.依据所述频谱图中包括的多种预设频段分别对应的功率谱能量值，确定所述脑电特征集。
36.第二方面，本技术实施例还提供一种深部脑内刺激的干预装置，该干预装置包括：
37.信号获取模块，用于获取目标用户的脑电信号；
38.特征集确定模块，用于确定所述脑电信号的脑电波特征集；
39.干预信息确定模块，用于基于所述脑电波特征集，确定针对所述目标用户的干预相关信息；
40.干预处理模块，用于依据所述干预相关信息执行干预处理。
41.第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述
存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的深部脑内刺激的干预方法的步骤。
42.第四方面，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的深部脑内刺激的干预方法的步骤。
43.本技术实施例提供了一种深部脑内刺激的干预方法、装置、电子设备及存储介质，其中，干预方法包括：获取目标用户的脑电信号，确定脑电信号的脑电波特征集，基于脑电波特征集，确定针对目标用户的干预相关信息，依据干预相关信息执行干预处理。
44.与现有的医护人员依据经验和患者症状进行dbs干预的方法相比，本技术实施例在进行dbs干预时，可以根据患者的脑电波特征自动选择适合患者发病状况的干预相关信息，从而达到精准干预治疗的效果。
45.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
46.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
47.图1为本技术实施例所提供的一种深部脑内刺激的干预系统的结构示意图；
48.图2为本技术实施例所提供的一种深部脑内刺激的干预方法的流程图；
49.图3为本技术实施例所提供的一种应用第一疾病识别模型的流程图；
50.图4为本技术实施例所提供的一种应用标准干预模型的流程图；
51.图5为本技术实施例所提供的一种深部脑内刺激的干预方法的整体步骤流程图；
52.图6为本技术实施例所提供的一种深部脑内刺激的干预装置的结构示意图；
53.图7为本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
54.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本技术保护的范围。
55.另外，本技术所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在
没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
56.需要说明的是，本技术实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
57.为了使得本领域技术人员能够使用本技术内容，结合特定应用场景“深部脑内刺激”，给出以下实施方式。深部脑内刺激(deep brain stimulation，dbs)主要是将电极植入到患者脑内，运用脉冲发生器刺激其大脑深部的某些神经核，纠正异常的大脑电环路，从而减轻这些神经方面的症状。与永久性的不可调节和不可逆的损伤大脑的一些治疗方法(毁损或放疗)不同，dbs并不破坏大脑结构，可以允许今后的进一步治疗。dbs可治疗和干预的疾病主要包括：帕金森病、特发性震颤、肌张力障碍疾病、癫痫、强迫症、厌食症、老年痴呆等。
58.在本技术提出之前，现有的dbs干预通常为固定强度下的放电干预，需要依靠医护人员对患者发病状况进行观察，然后依据经验和患者症状，调节放电的强度和频率，并在接下来一段时间的治疗中沿用此固定干预强度，直到下次有医护人员调试。但是这种dbs干预是对患者发病后的干预治疗，无法做到在患者发病前进行抑制性干预；同时，医护人员依据经验和患者症状确定的干预强度不够准确，并且患者在一段时间内的干预强度不会随着发病状况的变化而发生改变。
59.基于此，本技术实施例提供一种深部脑内刺激的干预系统以解决上述存在的技术问题，该干预系统能够先获取目标用户的脑电信号，然后确定脑电信号的脑电波特征集，再基于脑电波特征集，确定针对目标用户的干预相关信息，最后依据干预相关信息执行干预处理。
60.这样一来，本技术实施例采用上述干预系统能够对患者神经类疾病发病情况进行实时监测，根据患者的脑电波特征自动选择适合患者发病状况的干预相关信息，从而实现在患者发病前进行干预，提高dbs干预的时间准确性；同时，dbs干预时，可以自动反馈选择合适的干预强度，可以达到精准干预治疗的效果。
61.图1为本技术实施例所提供的一种深部脑内刺激的干预系统的结构示意图。如图1中所示，干预系统包括脑机接口bci设备(图中未示出)、深部脑内刺激装置、终端设备20和服务器30。深部脑内刺激装置包括刺激发生器100、神经探针101和刺激器104，刺激器104安装在神经探针101上，将神经探针101植入脑区105中，刺激发生器100与刺激器104通过导线102连接，应用时，供电模块103为刺激发生器100供电，刺激发生器100产生的电流通过刺激器104作用至神经探针101，以完成对用户的干预。应用时，通过脑机接口bci来采集用户的脑电信号并发送至终端设备20，终端设备20将该脑电信号传输至服务器30上，以使服务器30分析接收到的脑电信号，通过对深部脑内刺激装置的控制来完成干预。
62.在一些实施例中，服务器可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器可以是分布式系统)。在一些实施例中，服务器相对于终端设备，可以是本地的、也可以是远程的。例如，服务器可以访问存储在终端设备、或数据库、或其任意组合中的信息和/或数据。作为另一示例，服务器可以直接连接到数据库中，以访问存储的信息和/或数据。在一些实施例中，服务器可以在云平台上实现。
63.在一些实施例中，服务器可以包括处理器。处理器可以处理与深部脑内刺激的干预有关的信息和/或数据，以执行本技术中描述的一个或多个功能。例如，处理器可以基于
从终端设备获得的脑电信号的编码信息来确定干预强度。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(s)或多核处理器(s))。仅作为举例，处理器可以包括中央处理单元(central processing unit,cpu)、专用集成电路(application specific integrated circuit,asic)、专用指令集处理器(application specific instruction
‑
set processor,asip)、物理处理单元(physics processing unit,ppu)、数字信号处理器(digital signal processor,dsp)、现场可编程门阵列(field programmable gate array,fpga)、可编程逻辑器件(programmable logic device,pld)、控制器、微控制器单元、简化指令集计算机(reduced instruction set computing,risc)、或微处理器等，或其任意组合。
64.在一些实施例中，终端设备可以包括但不限于以下设备中的任意一种：智能手机、平板电脑、便携式计算机、台式计算机、数字电视等。该终端设备中安装和运行有应用处理程序，比如安装有分析脑电信号的预警算法的应用程序和/或用于表征针对发病类型的发病概率与干预强度之间的对应关系的规则特征体系。在本技术实施例中以应用程序包括以上所述的两种应用程序进行介绍。
65.具体地，脑机接口bci设备可以为侵入式脑接接口bci设备，也可以是侵入式脑机接口bci设备。若为侵入式脑机接口bci设备，那么可以将深部脑内刺激装置的神经探针作为该侵入式脑机接口bci设备的采集端，即，脑机接口bci设备利用深部脑内刺激装置的神经探针采集脑电信号，并将神经探针采集到的脑电信号发送至终端设备。应用时，在目标用户的各个脑区插入神经探针，神经探针上的触点收集脑电信号(即大脑活动电信号)；其中，神经探针上的触点，也称为收集器，位于中央脑区、脑室外周的神经探针尖端，由铂金点阵组成，由神经探针中的光刻蚀电缆传输数据；这里，脑区指的是脑力功能分区，由多个脑力纬度组合而成，本技术实施例中的每个脑区位置与每种神经系统疾病相互对应，其中，刺激的脑区一般在中脑和脑室外周，神经系统疾病包括帕金森病、特发性震颤、肌张力障碍疾病、癫痫、强迫症、神经性厌食症以及老年痴呆等。脑机接口bci设备将神经探针上的脑电信号进行编码传输到终端设备上，进而通过终端设备传输到云端服务器进行计算；其中，脑机接口bci设备在进行脑电信号的编码传输时，采用高精度模数转换装置，将多通道的神经探针上的点阵信号集成，再转化为高频数字信号进行载波，通过高速蓝牙系统将脑电信号传输到终端设备上；终端设备采用5g网络将脑电信号实时传输到云端服务器进行解码；云端服务器对采集到的编码后的脑电信号进行解码分析，去噪等预处理；若是在dbs干预未发生时采集的脑电信号，则无需进行特殊处理，应用常规滤波等操作后，直接进行解码分析；若是在dbs干预发生时采集的脑电信号，则需要通过特定算法，减除由dbs干预造成的电势干扰。
66.在云端服务器对脑电信号进行解码和预处理之后，基于云端服务器上预存的基于深度学习模型的预警算法，分析预处理后的脑电信号，得到若干疾病是否发生的发病概率，以及疾病是否已经发生；此处所识别的疾病包括但不限于帕金森病、特发性震颤、肌张力障碍疾病、癫痫、强迫症、厌食症、老年痴呆，这里，可根据需要构建更多的不同疾病类型下的第一疾病识别模型，以实现对更广泛疾病类型的覆盖；举例说明，如果预警算法判别发病概率大于90％、或者已经发病，则向深部脑内刺激装置发送启动刺激的指令，其余情况则发送停止刺激的指令。
67.在云端服务器向深部脑内刺激装置发送启动刺激的指令时，预先按照云端服务器上预存的应用特征规则体系，针对患者实时的脑电活动，选取干预强度合适的刺激。
68.这里，特征规则体系可以通过基于个体患者患病特征的修正算法进行修正，其中，特征规则体系的定义如下：由于不同发病状态对应不同的干预需求，以专业医生经验为基础，将标准化的dbs干预强度作为基准，在疾病发病程度不同时选择对应不同的干预强度。个体修正算法为根据不同个体，需要事先收集患者发病的数据，调整针对发病类型的各种发病概率分别对应的干预强度，以契合不同患者不同的发病特征的算法。举例说明，以帕金森疾病为例，脑区的紊乱指数因人而异，将医护人员标注的标准单位刺激强度，以及对应采集的标准单位紊乱指数作为调整干预强度的重要参数。
69.本技术实施例提供的深部脑内刺激的干预系统，能够对患者神经类疾病发病情况进行实时监测，从而实现在患者发病前进行干预，提高dbs干预的时间准确性；同时，dbs干预时，可以自动反馈选择合适的干预强度，可以达到精准干预治疗的效果。
70.下面结合上述图1示出的深部脑内刺激的干预系统中描述的内容，对本技术实施例提供的深部脑内刺激的干预方法进行详细说明。
71.请参阅图2，图2为本技术实施例所提供的一种深部脑内刺激的干预方法的流程图，如图2中所示，具体执行过程为：
72.s210、获取目标用户的脑电信号。
73.s220、确定脑电信号的脑电波特征集。
74.s230、基于脑电波特征集，确定针对目标用户的干预相关信息。
75.s240、依据干预相关信息执行干预处理。
76.本技术实施例中的目标用户指的是患有神经系统疾病的，需要进行深部脑内刺激的患者，该目标用户可以是当前时刻处于正常状态的患者，也可以是当前时刻处于昏迷或植物人状态的患者。脑电信号即为脑神经信号，指的是由于大脑神经元活动，在不同脑区产生微弱的电势差变化，根据脑区位置和信号观察位置，可分为大脑皮层信号(eeg信号)、皮层内信号、神经元周围信号等。
77.本技术实施例提供的方法可以应用于脑机接口bci设备、终端、服务器等电子设备。下面以上述方法应用于服务器为例对本技术实施例提供的上述示例性的各步骤分别进行说明。
78.在步骤s210中，服务器获取目标用户的脑电信号，这里的脑电信号通过深部脑内刺激装置采集，其中，深部脑内刺激装置上的神经探针设置在目标用户的不同脑区，通过多个不同脑区位置的神经探针一起采集脑电信号，采集到的脑电信号被转化为高频数字信号，然后通过蓝牙系统将转化后的脑电信号传输到终端设备上，以使终端设备将脑电信号实时传输到服务器上。这里，可以采用编码的方式将采集到的脑电信号进行编码，将编码后的脑电信号传输到终端设备上，以使终端设备将该编码后的脑电信号实时传输到服务器上，使得服务器可以对该编码后的脑电信号进行解码和预处理。
79.在步骤s220中，服务器基于目标用户的脑电信号，确定脑电信号的脑电波特征集。这里，服务器对获取到的脑电信号进行分析处理，确定脑电信号的脑电波特征集。
80.具体地，通过以下步骤确定脑电信号的脑电波特征集：对脑电信号进行预处理，得到预处理信号，将预处理信号转换为频谱图，确定频谱图中包括的多种预设频段分别对应
的功率谱能量值，依据频谱图中包括的多种预设频段分别对应的功率谱能量值，确定脑电特征集。
81.这里，由于脑电信号的不稳定性和不规则性，通常需要对脑电信号进行一定的预处理，以得到一定规律的信号，即预处理信号；其中，预处理包括剔除干扰噪声，滤除低频干扰信号等；将预处理信号转换成频谱图，其中，频谱图用于表示信号频率与能量的关系，从而确定多种预设频段分别对应的功率谱能量值；进而，依据频谱图中包括的多种预设频段分别对应的功率谱能量值，确定脑电波特征集，其中，脑电波特征集包括多种预设频段各自对应的功率谱能量值，如α波、β波、θ波、δ波等的功率谱能量值。
82.在步骤s230中，基于脑电波特征集，确定针对目标用户的干预相关信息，这里，干预相关信息作为执行干预处理的参考信息。
83.具体地，干预相关信息包括：发病类型以及针对发病类型的干预强度。
84.这里，发病类型即为神经系统疾病包括的帕金森病、特发性震颤、肌张力障碍疾病、癫痫、强迫症、神经性厌食症以及老年痴呆中的至少一种。干预强度指的是对目标用户的脑区施加电流刺激的大小，在确定了干预强度以后，才能按照确定好的干预强度对目标用户施加干预。
85.在本技术实施例中，基于脑电波特征集，确定针对目标用户的发病类型以及针对发病类型的干预强度。
86.在基于脑电波特征集，确定针对目标用户的发病类型时，具体确定方式包括如下两种：
87.在一可选的实施方式中，可以在服务器上预先存储有脑电波特征集对应的波形区间与其对应的发病类型之间的关系对照表，其中，关系对照表用于表征脑电波的波形与发病类型之间的关系。这样，根据脑电波的波形以及关系对照表，即可从中确定该目标用户已经发病的发病类型。
88.在一可选的实施方式中，在服务器上设置第一疾病识别模型，将脑电波特征集输入至预先训练好的第一疾病识别模型中，得到目标用户在该第一疾病识别模型下的发病概率，其中，第一疾病识别模型有多个，针对每个疾病类型，都有一个与之对应的第一疾病识别模型。
89.具体地，将脑电波特征集分别输入至预设的多种第一疾病识别模型，得到多种第一疾病识别模型各自输出的发病概率；若任一第一疾病识别模型输出的发病概率大于预设的针对该任一第一疾病识别模型的第一发病概率阈值，则将该任一第一疾病识别模型对应的疾病类型确定为发病类型；依据预先设置的针对发病类型的各种发病概率分别对应的干预强度，以及该任一第一疾病识别模型输出的发病概率，确定针对发病类型的干预强度。
90.这里，第一疾病识别模型用于判断目标用户的发病概率，进而根据发病概率确定目标用户的发病类型，针对每种疾病类型，都有与该疾病类型对应的第一疾病识别模型，即每个第一疾病识别模型只能输出一种疾病类型对应的发病概率。
91.本技术实施例中的发病概率用于表征目标用户发病的可能性，发病通常指的是某种疾病在体内开始发作，概率通常指的是一个比值或者占比，进而，根据字面含义上来理解，发病概率通常指的是发病行为的比例，可以通过计算历史发病的时长与监测总时长之间的比值来计算。其中，当发病概率大于预设发病概率阈值且小于预设发病概率上限值时，
说明目标用户还没有发病，但是具有发病的征兆；当发病概率大于等于预设发病概率上限值时，可以认为目标用户已经发病，这时可以同时确定出目标用户的目标发病类型。其中，预设发病概率阈值表示目标用户具有发病征兆的临界值，是根据医护人员的历史经验确定出来的，预设发病概率上限值表示目标用户已经发病的临界值，也是根据医护人员的历史经验确定出来的。在本技术实施例中，预设发病概率阈值即为第一疾病识别模型对应的第一发病概率阈值。
92.需要说明的是，一个目标用户可能存在多种第一疾病识别模型各自输出的发病概率大于预设的针对该任一第一疾病识别模型的第一发病概率阈值的发病类型，即目标用户可能存在不只一种疾病的发病征兆。当存在这种情况时，将大于各个第一疾病识别模型的第一发病概率阈值的发病概率按照从大到小的顺序排列，以对目标用户按照从大到小的顺序依次对这些发病类型进行干预。
93.在本技术实施例中，通过以下步骤对每个第一疾病识别模型进行训练：
94.获取针对与该第一疾病识别模型对应的疾病类型的多个训练样本，每个训练样本包括训练用户历史发病周期的脑电波特征集，以及历史发病周期的发病概率；通过多个训练样本，对构建好的神经网络进行训练，直至达到预设训练条件，确定构建好的神经网络训练完毕，得到训练好的第一疾病识别模型。
95.这里，历史发病周期包括目标用户发病前的一段时长和发病中的一段时长。
96.其中，预设训练条件可以为一定数量的训练次数，也可以为第一疾病识别模型对应的损失函数趋于平衡。
97.具体地，获取多个训练用户的历史发病周期的发病数据，发病数据中包括训练用户在历史发病周期之前的脑电波特征集，以及历史发病周期之内的脑电波特征集，根据训练用户在历史发病周期之内的脑电波特征集中的脑波信号特征以及训练用户在历史发病周期之内的发病概率(这里的发病概率可以确定目标用户已经发病)，确定多个训练用户在发病时的发病概率区间以及对应的脑波信号特征区间，其中，确定发病时的发病概率区间内的训练用户为已经发病的用户；根据历史发病周期之前的脑电波特征集中的脑波信号特征与历史发病周期之内的脑电波特征集中的脑波信号特征之间的关系，这里的关系可以是线性关系，如正比例关系等，将历史发病周期之内的脑电波特征集中的脑波信号特征分成多个区间，并根据发病时的发病概率区间以及对应的脑波信号特征区间，确定历史发病周期之前各个脑波信号特征区间对应的发病概率区间，其中，历史发病周期之前的脑波信号特征区间有多个，相应的发病概率区间也有多个。
98.其中，针对发病前的第一疾病识别模型，将每一种疾病类型对应的训练样本中的训练用户在历史发病周期之前的脑电波特征集输入至构建好的神经网络进行学习，输出该训练用户在该疾病类型下的发病概率，将模型输出的发病概率与历史发病周期之前的发病概率进行比对，得到比对误差，当比对误差趋近于0时，可以认为神经网络训练完成，从而得到训练好的第一疾病识别模型。同理，针对发病中的第一疾病识别模型也采用同样的训练方式。
99.举例说明，训练用户的脑波信号频率在第一频率区间内，训练用户的发病概率对应第一发病概率，训练用户的脑波信号频率在第二频率区间内，训练用户的发病概率对应第二发病概率，以此类推，得到多个脑波信号频率的频率区间以及与其对应的发病概率，其
中，频率区间的确定是根据医务人员的历史工作经验确定的。示例性的，将发病概率按照一定精度进行区间划分，如90％，80％，70％，60％，50％，40％等，每个发病概率都对应一个脑波信号特征区间，可以规定发病概率大于90％，确定用户发病；发病概率大于80％，确定对用户进行干预；发病概率小于50％，确定不对用户进行干预。这里，发病概率的划分精度是可以选择的。
100.在一可选的实施方式中，分别针对每一种疾病类型进行建模，针对每种疾病类型，只得到一个第一疾病识别模型，该第一疾病识别模型可以分别对目标用户发病前和发病后的情况进行发病概率输出。具体地，在一个第一疾病识别模型中设置第一时间权重值，该第一时间权重值用于保证在历史发病周期内或历史发病周期之前使用对应的第一疾病识别模型，进而，在训练时，训练样本包括训练用户在历史发病周期内的脑电波特征集和在历史发病周期之前的脑电波特征集，以及在历史发病周期之前的发病概率和在历史发病周期内的发病结果(规定的发病概率)，通过该训练样本对第一疾病识别模型进行训练。
101.在一可选的实施方式中，分别针对每一种疾病类型进行建模，针对每种疾病类型，还可分为发病前的第一疾病识别模型和发病后的第一疾病识别模型。针对发病前的第一疾病识别模型，训练样本包括训练用户在历史发病周期之前的脑电波特征集，以及在历史发病周期之前的发病概率；针对发病后的第一疾病识别模型，训练样本包括训练用户在历史发病周期内的脑电波特征集，以及在历史发病周期内的发病结果(规定的发病概率)。
102.在一可选的实施方式中，对训练用户的发病数据按照用户属性特征进行分类，根据用户属性特征的种类确定属性发病数据的种类；这里，以用户属性特征包括年龄和性别为例，可以得到第一属性发病数据和第二属性发病数据，再对第一属性发病数据和第二属性发病数据按照发病类型进行分类，得到第一属性特征下的多个发病类型对应的发病数据以及第二属性特征下的多个发病类型对应的发病数据。将第一疾病识别模型按照用户属性特征进行分组，这里以用户属性特征包括年龄和性别为例，将第一疾病识别模型分成两组，得到第一组第一疾病识别模型和第二组第一疾病识别模型；再根据疾病类型的种类，分别将第一组第一疾病识别模型和第二组第一疾病识别模型进行分类，得到多个第一组的第一疾病识别子模型和第二组的第一疾病识别子模型；第一组的第一疾病识别子模型基于第一属性特征下的多个发病类型对应的发病数据进行训练；第二组的第一疾病识别子模型基于第二属性特征下的多个发病类型对应的发病数据进行训练。
103.举例说明，第一属性特征可以为性别特征，如男女；第二属性特征可以为年龄特征，如将年龄分成多个年龄段，1岁至10岁为一个年龄段，11岁至20岁为一个年龄段，21岁至30岁为一个年龄段，针对男性和女性建立两个第一疾病识别子模型，如男第一疾病识别子模型和女第一疾病识别子模型；针对各个年龄段，建立多个年龄第一疾病识别子模型。具体地，男第一疾病识别子模型、女第一疾病识别子模型以及多个年龄第一疾病识别子模型都包括多个根据疾病类型训练的第一疾病识别子模型。
104.例如，在一可选的实施方式中，先确定目标用户的属性特征，然后根据目标用户的属性特征选择对应的第一疾病识别子模型，如目标用户为24岁女性，则选择女第一疾病识别子模型和21岁至30岁对应的年龄第一疾病识别子模型，根据医护人员的实际经验为女第一疾病识别子模型和年龄第一疾病识别子模型附加相应的权重值，然后将目标用户的脑电波特征集输入到女第一疾病识别子模型和年龄第一疾病识别子模型中，以得到目标用户在
多种疾病类型下的发病概率，确定发病概率大于预设的针对任一第一疾病识别模型的第一发病概率阈值的疾病类型为目标用户的发病类型。
105.在一可选的实施方式中，为男第一疾病识别子模型、女第一疾病识别子模型以及每个年龄第一疾病识别子模型都设置一个权重值区间，根据目标用户的属性特征调节权重值区间内的权重值，如将女第一疾病识别子模型对应的权重值调大一些，将男第一疾病识别子模型对应的权重值调小一些，得到男第一疾病识别子模型、女第一疾病识别子模型以及每个年龄第一疾病识别子模型对应的目标权重值，然后将目标用户的脑电波特征集输入到各个第一疾病识别子模型中(男第一疾病识别子模型、女第一疾病识别子模型以及每个年龄第一疾病识别子模型)，综合得出目标用户在各个疾病类型下的发病概率，再根据发病概率与对应的第一发病概率阈值之间的发小关系，确定目标用户的发病类型。
106.举例说明，如图3所示，图3为本技术实施例所提供的一种应用第一疾病识别模型的流程图。如图3中所示，针对每种疾病类型来说，先采集脑电信号，将脑电信号进行编码传输到终端设备后，再通过终端设备将编码后的脑电信号进行解码和去躁，得到输入数据(脑电波特征集)，将输入数据输入到通过预先构建好的神经网络模型框架得到的各种疾病类型的模型库(第一疾病识别模型)中，通过该模型库(第一疾病识别模型)进行特征提取，根据提取到的特征来确定发病概率。
107.进而，本技术实施例依据预先设置的针对发病类型的各种发病概率分别对应的干预强度，以及该任一第一疾病识别模型输出的发病概率，确定针对发病类型的干预强度。具体实施方案包括如下两种：
108.在一可选的实施方式中，可以在服务器上建立针对发病类型的发病概率与干预强度之间的干预对照表，这样，根据干预对照表和确定出的目标用户与各个发病类型对应的发病概率，就可以从中确定出针对该目标用户的干预强度。
109.在一可选的实施方式中，在服务器上设置预先训练好的目标干预模型。将目标用户在第一疾病识别模型输出的发病概率输入至预先训练好的目标干预模型中，得到针对发病类型的干预强度，其中，目标干预模型为与目标用户的发病类型对应的干预模型。
110.在一可选的实施方式中，在服务器上设置预先训练好的目标干预模型，将目标用户的脑电特征集输入至预先训练好的目标干预模型中，得到针对发病类型的干预强度，其中，目标干预模型为与目标用户的发病类型对应的干预模型。
111.需要说明的是，可以建立发病概率与神经紊乱程度之间的关系，神经紊乱指的是由于某些刺激因素引起的大脑神经功能紊乱，程度指的是目标用户发生神经紊乱时的脑电信号的波动范围。脑电信号的波动范围越大，表示神经紊乱程度越大，反之越小；进而，神经紊乱程度越大，发病概率越大，反之越小。
112.具体地，通过以下步骤构建目标干预模型：建立标准干预模型，标准干预模型是基于不同疾病类型的发病数据确定的，用于表征在疾病类型下的发病概率与干预强度之间的对应关系；获取目标用户在发病类型下的历史发病周期内的发病概率和针对发病类型的干预强度；基于所获取的目标用户的发病概率和干预强度，对标准干预模型进行调整，以获得目标干预模型。
113.这里，标准干预模型是以专业医生经验为基础得出的，由于不同发病状态对应不同的干预需求，在目标用户的疾病发病程度不同时选择对应不同的干预强度。所以不同的
目标用户，采用的目标干预模型也应当是不同的，才能保证干预的准确度，因此，在标准干预模型的基础上，采用修正算法对标准干预模型进行修正，得到针对每个目标用户的目标干预模型。
114.举例说明，可以通过基于个体患者患病特征的修正算法进行修正标准干预模型，得到针对每个个体患者的目标干预模型。个体修正算法为根据不同个体患者，需要事先收集患者发病的数据，调整标准干预模型的参数，以契合不同患者不同的发病特征的算法。举例说明，以帕金森疾病为例，脑区的紊乱指数因人而异，将医护人员标注的标准单位刺激强度，以及对应采集的标准单位紊乱指数作为调整干预模型的重要参数。
115.具体地，通过以下步骤对每个标准干预模型进行训练：
116.获取针对与该标准干预模型对应的疾病类型的多个训练样本，每个训练样本包括训练用户在历史发病周期内的发病概率和在历史发病周期之前的发病概率，以及在历史发病周期之前的干预强度和在历史发病周期内的干预强度；通过多个训练样本，对构建好的神经网络进行训练，直至达到预设训练条件，确定构建好的神经网络训练完毕，得到训练好的标准干预模型。
117.在一可选的实施方式中，分别针对每一种疾病类型进行建模，针对每种疾病类型，还分为发病前的标准干预模型和发病后的标准干预模型。针对发病前的标准干预模型，训练样本包括训练用户在历史发病周期之前的发病概率，以及在历史发病周期之前的干预强度；针对发病中的标准干预模型，训练样本包括训练用户在历史发病周期内的发病概率，以及在历史发病周期内的干预强度。
118.在一可选的实施方式中，分别针对每一种疾病类型进行建模，针对每种疾病类型，只得到一个标准干预模型，该标准干预模型可以分别对目标用户发病前和发病后的发病概率确定干预强度。具体地，在一个标准干预模型中设置第二时间权重值，该第二时间权重值用于保证在历史发病周期内或历史发病周期之前使用对应的标准干预模型，进而，在训练时，训练样本包括训练用户在历史发病周期内的发病概率和在历史发病周期之前的发病概率，以及在历史发病周期之前的干预强度和在历史发病周期内的干预强度，通过该训练样本对标准干预模型进行训练。
119.其中，预设训练条件可以为一定数量的训练次数，也可以为标准干预模型对应的损失函数趋于平衡。
120.具体地，针对发病前的标准干预模型，将每一种疾病类型对应的训练样本中的训练用户在历史发病周期之前的发病概率输入至构建好的神经网络进行学习，输出该训练用户在该疾病类型下的干预强度，将模型输出的干预强度与历史发病周期之前的干预强度进行比对，得到比对误差，当比对误差趋近于0时，可以认为神经网络训练完成，从而得到训练好的标准干预模型。同理，针对发病中的标准干预模型也采用同样的训练方式。
121.进而，在得到训练好的标准干预模型之后，针对每个目标用户，采用修正算法对标准干预模型进行修正，以得到针对每个目标用户的目标干预模型，从而，利用该目标干预模型和目标用户的神经紊乱程度，自动得到针对该目标用户在当前神经紊乱程度下的干预程度，并以得出的干预程度对目标用户进行干预。
122.举例说明，如图4所示，图4为本技术实施例所提供的一种应用标准干预模型的流程图。如图4中所示，针对每种疾病类型来说，事先采集脑电信号，根据采集到的脑电信号进
行pd状态识别以及专业医生来判别发病程度，得到个体异质性模型参数，将个体异质性模型参数输入到通过预先构建好的神经网络模型框架得到的个体模型库(目标干预模型)中，通过该目标干预模型，可以得到该目标用户当前的干预强度。
123.除此之外，在步骤s220之前，该干预方法还包括：确定目标用户的发病状态；进而，步骤s220包括：若目标用户的发病状态为发病，则基于脑电波特征集，确定针对目标用户的干预相关信息。
124.这里，当确定目标用户的发病状态为发病时，再基于脑电波特征集，确定针对目标用户的干预相关信息。
125.其中，发病状态包括发病和未发病两种。
126.具体地，可以通过以下任意一种方式来确定目标用户的发病状态：
127.其一：基于所输入的针对目标用户的发病标识，确定目标用户的发病状态。
128.这里，发病标识指的是用于判断目标用户是否发病的特征，可以包括具体的发病结果，如：该目标用户已发病，该目标用户有癫痫症等；还可以包括预设的确定已发病的指代标识，如使用“1”表示目标用户已发病等。其中，发病标识可以由目标用户自己上传，也可以由他人(医生，护士，家属等)上传，上传时可以直接在干预系统的终端设备上填写输入，也可以直接在干预系统的深部脑内刺激装置上输入等。
129.其二：将脑电波特征集分别输入至预设的多种第二疾病识别模型，得到多种第二疾病识别模型各自输出的发病概率；若任一种第二疾病识别模型输出的发病概率大于预设的针对该任一种第二疾病识别模型对应的疾病类型的第二发病概率阈值，则确定目标用户的发病状态为发病。
130.这里，第二疾病识别模型输出的发病概率用于判断目标用户的发病状态是发病还是未发病。其中，通过第二疾病识别模型输出的发病概率与第二疾病识别模型对应的疾病类型的第二发病概率阈值进行比对，根据比对结果确定目标用户的发病状态为发病还是未发病。
131.其中，第一发病概率阈值和第二发病概率阈值可以根据实际情况进行设置。在本技术实施例中，作为一种优选的实施方式，第一发病概率阈值大于第二发病概率阈值。当第一发病概率阈值大于第二发病概率阈值时，可知本技术实施例在第二疾病识别模型输出的发病概率大于第二发病概率阈值时，确定目标用户发病(这里进行粗略的判断目标用户是否发病)；然后继续在第一疾病识别模型输出的发病概率大于第一发病概率阈值时，确定目标用户的发病类型(这里进行细致的判断目标用户的发病类型)，最后根据预设的第一疾病识别模型输出的发病概率与干预强度之间的对应关系，确定对目标用户进行干预的干预强度。
132.具体地，第二疾病识别模型的训练方式与第一疾病识别模型的训练方式相同，具体参见第一疾病识别模型的训练方式，在此不再赘述。
133.在步骤s240中，依据干预相关信息执行干预处理。即根据确定出的干预相关信息，控制深部脑内刺激装置(dbs装置)对目标用户进行干预。
134.该步骤中，将干预相关信息中的干预强度对应的控制信号发送给深部脑内刺激装置，由深部脑内刺激装置的发生器产生与干预强度相匹配的干预电流，干预电流作用到神经探针上，通过神经探针对目标用户进行电流刺激。
135.这里，对目标用户进行干预时可以采用电流干预，以刺激的电流强度作为刺激的强度判别依据。举例说明，以常规刺激为1个标准单位，刺激的强度由5％～195％，每5％一个等级，构成阶梯型的刺激选项；每10秒进行一次判别，实时根据发病脑区情况，调整刺激的强度。
136.在本技术实施例中，作为一种优选的实施例，在步骤s230之后，该干预方法还包括：获取执行干预处理后的待测脑电信号；对待测脑电信号进行电势干扰减除处理，得到无电势干扰脑电信号；对无电势干扰脑电信号执行确定脑电信号的脑电波特征集，基于脑电波特征集，确定针对目标用户的干预相关信息，依据干预相关信息执行干预处理的步骤。
137.这里，在对目标用户进行干预以后，获取目标用户的待测脑电信号，然后对待测脑电信号进行电势干扰减除处理，再对处理后的待测脑电信号执行步骤s210至步骤s240，实现实时对目标用户的脑电信号的分析，及时调整干预强度，直至目标用户的发病状态为未发病时停止执行。
138.这里，如果在预定时间段内向目标用户施加过干预，则对采集到的脑电信号进行电势干扰减除处理，从经过电势干扰减除处理后的脑电信号中确定脑电波特征集，基于得到的脑电波特征集确定针对目标用户的干预相关信息。
139.需要说明的是，如果在预定时间段内没有向目标用户施加过干预，则对采集到的脑电信号直接进行滤波处理，得到脑电波特征集，基于滤波处理后的脑电波特征集确定针对目标用户的干预相关信息。
140.这里，电势干扰减除处理用于减除由dbs干预造成的电势干扰，常见的处理为采用本领域的特定算法来降低电势干扰。
141.示例性的，请参阅图5，图5为本技术实施例所提供的一种深部脑内刺激的干预方法的整体步骤流程图。如图5中所示，深部脑内刺激装置先进行脑电信号的采集，然后将该脑电信号进行编码后传输到终端设备上，通过终端设备将该编码后的脑电信号再传输到服务器上，服务器对该编码后的脑电信号进行解码处理，通过第二疾病识别模型确定出目标用户在不同疾病类型下的发病概率，在任一第二疾病识别模型输出的发病概率大于预设的针对该任一种第二疾病识别模型对应的疾病类型的第二发病概率阈值时，确定目标用户的发病状态为发病；然后通过第一疾病识别模型确定出目标用户的发病概率，在第一疾病识别模型输出的发病概率大于第一发病概率阈值时，确定目标用户的发病类型，最后根据预先设置的针对发病类型的各种发病概率分别对应的干预强度，确定针对该目标用户的发病类型的干预强度，按照得出的干预强度向目标用户施加干预。
142.应理解，本技术实施例提供的深部脑内刺激的干预方法每隔一段时间进行一次脑电信号处理，以调整干预强度，这样一来，循环执行上述干预方法可以实时根据目标用户的发病脑区情况，调整干预强度。
143.综上，本技术实施例提供的深部脑内刺激的干预方法，能够对患者神经类疾病发病情况进行实时监测，从而实现在患者发病前进行干预，提高dbs干预的时间准确性；同时，dbs干预时，可以自动反馈选择合适的干预强度与频率，达到精准干预治疗的效果。
144.基于同一发明构思，本技术实施例中还提供了与深部脑内刺激的干预方法对应的深部脑内刺激的干预装置，由于本技术实施例中的装置解决问题的原理与本技术实施例上述深部脑内刺激的干预方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘
述。
145.请参阅图6，图6为本技术实施例所提供的一种深部脑内刺激的干预装置的结构示意图。如图6中所示，干预装置600包括：
146.信号获取模块610，用于获取目标用户的脑电信号；
147.特征集确定模块620，用于确定脑电信号的脑电波特征集；
148.干预信息确定模块630，用于基于脑电波特征集，确定针对目标用户的干预相关信息；
149.干预处理模块640，用于依据干预相关信息执行干预处理。
150.可选地，干预相关信息包括：
151.发病类型；
152.针对所述发病类型的干预强度。
153.可选地，干预信息确定模块630具体用于：
154.将脑电波特征集分别输入至预设的多种第一疾病识别模型，得到多种第一疾病识别模型各自输出的发病概率；
155.若任一第一疾病识别模型输出的发病概率大于预设的针对该任一第一疾病识别模型的第一发病概率阈值，则将该任一第一疾病识别模型对应的疾病类型确定为发病类型；
156.依据预先设置的针对发病类型的各种发病概率分别对应的干预强度，以及该任一第一疾病识别模型输出的发病概率，确定针对发病类型的干预强度。
157.可选地，干预装置600还包括信号干扰处理模块650，该信号干扰处理模块650用于：
158.获取执行干预处理后的待测脑电信号；
159.对待测脑电信号进行电势干扰减除处理，得到无电势干扰脑电信号；
160.对无电势干扰脑电信号执行确定脑电信号的脑电波特征集，基于脑电波特征集，确定针对目标用户的干预相关信息，依据干预相关信息执行干预处理的步骤。
161.可选地，干预装置600还包括发病状态确定模块660，该发病状态确定模块660用于确定目标用户的发病状态；
162.干预信息确定模块630用于：若目标用户的发病状态为发病，则基于脑电波特征集，确定针对目标用户的干预相关信息。
163.可选地，发病状态确定模块660具体用于：
164.基于所输入的针对目标用户的发病标识，确定目标用户的发病状态。
165.可选地，发病状态确定模块660具体还用于：
166.将脑电波特征集分别输入至预设的多种第二疾病识别模型，得到多种第二疾病识别模型各自输出的发病概率；
167.若任一种第二疾病识别模型输出的发病概率大于预设的针对该任一种第二疾病识别模型对应的疾病类型的第二发病概率阈值，则确定目标用户的发病状态为发病。
168.可选地，特征集确定模块620具体用于：
169.对脑电信号进行预处理，得到预处理信号；
170.将预处理信号转换为频谱图；
memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
183.最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。