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

1.本发明属于意识障碍分析技术领域，特别涉及一种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。


背景技术：

2.意识障碍(disorder of consciousness，doc)是一种成因诸多的脑功能紊乱疾病，表现为有觉醒无明确意识。临床上讨论的意识障碍主要包括无反应综合征(unresponsive wakefulness syndrome，uws)和最小意识状态(minimally conscious state，msc)。由于意识的不可测量性，目前难以确定有效的生物标记，因此诊疗评估手段也十分有限。现今临床评估意识依旧主要依靠修订版昏迷恢复量表(csr
‑
r)来完成，使用该方法需要多位专业医生在多个时间段进行多次评估，不仅耗费人力而且具有较强的主观性，为弥补这一缺陷，最近引入了结合功能性磁共振成像(fmri)或正电子发射型计算机成像(pet)的评估方法，但存在成本较高，不易实施，实时性较差等缺点。相比之下，具有检测成本低、容易获得、时间分辨率高等特点的脑电波(eeg)如果能够有效地投入使用，则能进一步弥补这些不足。近年来，eeg与传统机器学习结合存在着一个主要的问题，即提取输入特征需要大量先验知识。而意识障碍的先验知识不足，是导致传统学习方法评估效果低下的重要原因。


技术实现要素：

3.为了解决上述问题，本发明的目的在于提供了一种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。
4.为了达到上述目的，本发明提供的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包括按顺序进行的下列步骤：
5.1)采集意识障碍患者的多通道静息态头皮脑电波信号，并根据患者类别参照昏迷恢复量表对上述脑电波信号进行标记，然后进行预处理；
6.2)对上述预处理后的脑电波信号分频带构建锁相值矩阵，并使用pwelch算法和fooof拟合算法构建全频带多通道功率谱密度周期分量矩阵和非周期分量矩阵；
7.3)分别使用按解剖学脑区重排法、按功能网络重排法对上述锁相值矩阵、全频带多通道功率谱密度周期分量矩阵和非周期分量矩阵中的脑电波信号欧式化，将其转化成适合卷积神经网络处理的信号，并划分成训练集和测试集；
8.4)构建卷积神经网络模型，然后将步骤3)获得的训练集输入卷积神经网络模型进行参数训练，之后输入测试集进行验证，直至参数达到最优，获得训练后的卷积神经网络模型；
9.5)基于上述训练好的卷积神经网络模型，生成梯度加权类激活热力图，然后利用梯度加权类激活热力图将上述训练集和测试集中的冗余脑电波信号去除，将保留下来的有效脑电波信号按步骤3)的方法重新构建成重构训练集和测试集；
10.6)将步骤5)获得的重构训练集和测试集输入步骤4)获得的训练后的卷积神经网络模型中，并按照步骤4)的方法进行训练和验证，获得训练好的卷积神经网络模型；
11.7)将需要分类的患者脑电波信号按照步骤2)、步骤3)的方法进行处理，然后输入步骤6)获得的训练好的卷积神经网络模型，获得该患者的最终分类结果以及分类结果的可信度。
12.在步骤1)中，所述采集意识障碍患者的多通道静息态头皮脑电波信号，并根据患者类别参照昏迷恢复量表对上述脑电波信号进行标记，然后进行预处理的具体方法如下：
13.1.1)采用脑电放大器和氯化银粉末电极帽采集脑电波信号，设定采样频率为1khz，信号采集范围为1
‑
60hz，采集时间大于15min；在采集过程中，记录患者的csr
‑
r评分，然后参照昏迷恢复量表将csr
‑
r评分在0
‑
8的患者划分成无反应综合征患者并标记为0，将csr
‑
r评分在9
‑
23的患者划分成最小意识状态患者并标记为1；
14.1.2)对上述带有标记的脑电波信号采用1
‑
45hz零相移滤波器进行滤波，并使用基于负熵的fastica算法结合皮尔逊相关系数去除眼电伪迹，然后进行人工筛选以剔除受患者移动而出现干扰的脑电波信号片段；
15.1.3)使用脑图谱分割的方法将上述筛选后的脑电波信号投射到包含68个感兴趣区域的desikan
‑
killiany图谱中，由此完成脑电波信号的预处理。
16.在步骤2)中，所述对上述预处理后的脑电波信号分频带构建锁相值矩阵，并使用pwelch算法和fooof拟合算法构建全频带多通道功率谱密度周期分量矩阵和非周期分量矩阵的具体方法如下：
17.2.1)构建五个频带的锁相值矩阵：对步骤1)中获得的预处理后的脑电波信号进行分频处理，共划分成频率为1
‑
4hz的delta、频率为4
‑
8hz的theta、频率为8
‑
12hz的alpha、频率为12
‑
30hz的beta以及频率为30
‑
45hz的gamma这五个频带；然后对分频后的脑电波信号分别计算锁相值，由每个频带的锁相值构成一个锁相值矩阵；由于锁相值表征的是两个信号的同步程度，针对68个感兴趣区域的脑电波信号，锁相值矩阵的大小为68x68；
18.计算锁相值的方法是：
19.在所需频带f范围内对两个通道的脑电波信号{x(t)}，{y(t)}分别进行希尔伯特变换，计算出复变换系数h
x
(t，f)，h
y
(t，f)；如果用来表示两通道脑电波信号在时间t、频带f上的相位差，结合欧拉公式可以得到式(1)，利用式(1)可以在不计算脑电波信号相位角的情况下获取两个通道脑电波信号的相位关系，进而使用式(2)获取两个通道的脑电波信号的锁相值；
[0020][0021][0022]
其中，n为两个通道的脑电波信号样本数；如果两个通道的脑电波信号在这段时间t内存在固定相位差或者相位同步，则锁相值plv
f
＝1；
[0023]
2.2)构建全频带多通道功率谱密度周期分量矩阵和全频带多通道功率谱密度非周期分量矩阵：基于步骤1)中获得的预处理后的脑电波信号，使用pwelch算法计算出全频
带多通道功率谱密度信号，然后截取其中1
‑
45hz的成分，共180个频率点；之后采用fooof拟合算法中逐点拟合的思想，使用式(3)、式(4)将全频带多通道功率谱密度信号分解为周期分量和非周期分量两种，并分别构建大小为68x180的全频带多通道功率谱密度周期矩阵和全频带多通道功率谱密度非周期矩阵；周期分量和非周期分量的计算公式分别如下：
[0024][0025][0026]
其中，f表示频率；a表示峰高，c表示峰的中心频率，w表示峰的带宽；b表示偏移量，x表示指数，k表示有无“膝值”，即是否为凸曲线。
[0027]
在步骤3)中，所述分别使用按解剖学脑区重排法、按功能网络重排法对上述锁相值矩阵、全频带多通道功率谱密度周期分量矩阵和非周期分量矩阵中的脑电波信号欧式化，将其转化成适合卷积神经网络处理的信号，并划分成训练集和测试集的具体方法如下：
[0028]
3.1)将步骤2)中获得的锁相值矩阵、全频带多通道功率谱密度周期分量矩阵和非周期分量矩阵按解剖学脑区重排，按68个感兴趣区域与7个解剖学脑区之间的对应关系将68个感兴趣区域投射为7个脑电波研究领域常用的解剖学脑区，分别为颞叶、额叶、中央区、顶叶、枕叶、扣带回和其他区域；
[0029]
3.2)将步骤2)中获得的锁相值矩阵、全频带多通道功率谱密度周期分量矩阵和非周期分量矩阵按功能网络重排，按68个感兴趣区域与6个功能网络之间的对应关系，将68个感兴趣区域投射为6个常用的功能网络，分别为默认模式网络、背侧注意网络、突显网络、听觉网络、视觉网络和其他网络；
[0030]
3.3)将上述重排后的锁相值矩阵、全频带多通道功率谱密度周期分量矩阵和非周期分量矩阵中的脑电波信号按比例分成训练集和测试集。
[0031]
在步骤4)中，所述构建卷积神经网络模型，然后将步骤3)获得的训练集输入卷积神经网络模型进行参数训练，之后输入测试集进行验证，直至参数达到最优，获得训练后的卷积神经网络模型的具体方法如下：
[0032]
4.1)构建卷积神经网络模型；所述卷积神经网络模型由三层卷积层、三层归一化层、全连接层和输出层组成；通过稀疏连接和参数共享的方式，卷积层中的神经元与上一次的神经元相连，其二维卷积运算公式如下：
[0033][0034]
三层卷积层的过滤器尺寸为3x3，采用交叉熵函数作为损失函数，relu作为激活函数，adam作为优化函数；输出层使用softmax函数将值映射到[0，1]区间内；设置学习率0.0001，batchsize为50；
[0035]
4.2)将步骤3)中获得的训练集输入上述卷积神经网络模型进行模型参数训练，之后输入测试集进行验证，获得分类结果；分类结果采用四叠交叉验证的方式进行评估，主要评估指标为分类准确率acc；分类准确率acc和softmax的计算公式如下：
[0036][0037][0038]
其中，tp表示被预测为正的正样本，tn表示被预测为负的负样本，fp表示被预测为正的负样本，fn表示被预测为负的正样本；这里规定无反应综合征患者为正样本，最小意识状态患者为负样本；y
i
表示原输出层输出，y
′
i
表示新输出层输出；输出层的每个神经元输出表示判断为无反应综合征患者或最小意识状态患者的概率；
[0039]
当分类准确率acc达到分类准确率阈值时，获得训练后的卷积神经网络模型；
[0040]
在步骤5)中，所述基于上述训练好的卷积神经网络模型，生成梯度加权类激活热力图，然后利用梯度加权类激活热力图将上述训练集和测试集中的冗余脑电波信号去除，将保留下来的有效脑电波信号按步骤3)的方法重新构建成重构训练集和测试集的具体方法如下：
[0041]
5.1)将上述训练好的卷积神经网络模型中的全连接层替换为全局池化层，将最后一层卷积层输出通道设置为分类类别数，由此针对每一个类别都有与卷积输出通道维数相同的一维向量表示权值，通过累加权值得到梯度加权类激活热力图；相关公式如下：
[0042][0043][0044]
5.2)将上述梯度加权类激活热力图进行归一化后，图中各点的数值对应该点的脑电波信号对分类结果的“贡献度”；将对本次分类结果产生主要影响的区域的脑电波信号作为有效脑电波信号；其余区域则对本次分类结果产生的影响不大，将其认为是冗余脑电波信号而用0代替；
[0045]
5.3)利用上述有效脑电波信号按照步骤3)的方法重新构建成重构测试集和验证集。
[0046]
本发明提供的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具有如下有益效果：本发明中使用的cnn模型无需大量特征提取的工作，即在缺乏先验知识的情况下，仍旧可以发挥模式识别的优良性能。不过深度学习在应用中存在的主要问题是可解释性不足，为了在临床上使用，必须增强其可解释性。因此，本发明方法引入了一种用于卷积神经网络模型的“梯度加权类激活映射”技术，以达到对学习结果可视化的目的，增加了本发明方法的优势。使用这一方法，可以找到静息态脑电波信号中与意识水平相关性较高的信息，以此建立具有较好分类性能的卷积神经网络模型，可辅助医护人员对患者的意识水平进行初步的分析评估，无需专业人员的多次重复评估。
附图说明
[0047]
图1为本发明提供的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流
程图。
[0048]
图2为重排后的锁相值矩阵、全频带多通道功率谱密度周期分量矩阵或非周期分量矩阵重排示意图。其中，图2a为锁相值矩阵按解剖学脑区重排结果；图2b为锁相值矩阵按按功能网络重排结果；图2c为全频带多通道功率谱密度周期分量矩阵或非周期分量矩阵按解剖学脑区重排结果；图2d为全频带多通道功率谱密度周期分量矩阵或非周期分量矩阵按功能网络重排结果。
[0049]
图3为本发明中构建的卷积神经网络模型示意图。
[0050]
图4为本发明中四叠交叉验证示意图。
[0051]
图5为梯度加权类激活热力图；其中图5a是输入的脑电波信号为按解剖学脑区重排后的锁相值矩阵时的梯度加权类激活热力图；图5b是输入的脑电波信号为按解剖学脑区重排后的全频带多通道功率谱密度周期分量矩阵或非周期分量矩阵梯度加权类激活热力图。
[0052]
图6为以全频带多通道功率谱密度周期分量矩阵为例的梯度加权类激活热力图。
[0053]
图7为本发明提供的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的具体流程图。
具体实施方式
[0054]
下面结合附图和具体实施例对本发明进行详细说明。
[0055]
如图1所示，本发明提供的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包括按顺序进行的下列步骤：
[0056]
1)采集意识障碍患者的多通道静息态头皮脑电波信号，并根据患者类别参照昏迷恢复(csr
‑
r)量表对上述脑电波信号进行标记，然后进行预处理；
[0057]
具体方法如下：
[0058]
1.1)采用北京中科信托uea
‑
32bz的脑电放大器和氯化银粉末电极帽采集脑电波信号，设定采样频率为1khz，信号采集范围为1
‑
60hz，采集时间大于15min；在采集过程中，记录患者的csr
‑
r评分，然后参照昏迷恢复量表将csr
‑
r评分在0
‑
8的患者划分成无反应综合征(uws)患者并标记为0，将csr
‑
r评分在9
‑
23的患者划分成最小意识状态(msc)患者并标记为1；
[0059]
1.2)对上述带有标记的脑电波信号采用1
‑
45hz零相移滤波器进行滤波，并使用基于负熵的fastica算法结合皮尔逊相关系数去除眼电伪迹，然后进行人工筛选以剔除受患者移动而出现干扰的脑电波信号片段；
[0060]
1.3)使用脑图谱分割的方法将上述筛选后的脑电波信号投射到包含68个感兴趣区域(roi)的desikan
‑
killiany图谱中，由此完成脑电波信号的预处理。
[0061]
2)对上述预处理后的脑电波信号分频带构建锁相值(plv)矩阵，并使用pwelch算法和fooof拟合算法构建全频带多通道功率谱密度(psd)周期分量矩阵和非周期分量矩阵；
[0062]
具体方法如下：
[0063]
2.1)构建五个频带的锁相值矩阵：对步骤1)中获得的预处理后的脑电波信号进行分频处理，共划分成频率为1
‑
4hz的delta、频率为4
‑
8hz的theta、频率为8
‑
12hz的alpha、频率为12
‑
30hz的beta以及频率为30
‑
45hz的gamma这五个频带；然后对分频后的脑电波信号
分别计算锁相值，由每个频带的锁相值构成一个锁相值矩阵；由于锁相值表征的是两个信号的同步程度，针对68个感兴趣区域的脑电波信号，锁相值矩阵的大小为68x68。
[0064]
计算锁相值的方法是：
[0065]
在所需频带f范围内对两个通道的脑电波信号{x(t)}，{y(t)}分别进行希尔伯特变换，计算出复变换系数h
x
(t，f)，h
y
(t，f)；如果用来表示两通道脑电波信号在时间t、频带f上的相位差，结合欧拉公式可以得到式(1)，利用式(1)可以在不计算脑电波信号相位角的情况下获取两个通道脑电波信号的相位关系，进而使用式(2)获取两个通道的脑电波信号的锁相值。
[0066][0067][0068]
其中，n为两个通道的脑电波信号样本数；如果两个通道的脑电波信号在这段时间t内存在固定相位差或者相位同步，则锁相值plv
f
＝1。在实际操作过程中，当锁相值plv
f
大于预先设定的锁相值阈值时，即认为两个通道信号锁相。
[0069]
2.2)构建全频带多通道功率谱密度周期分量矩阵和全频带多通道功率谱密度非周期分量矩阵：基于步骤1)中获得的预处理后的脑电波信号，使用pwelch算法计算出全频带多通道功率谱密度信号，然后截取其中1
‑
45hz的成分，共180个频率点；之后采用fooof拟合算法中逐点拟合的思想，使用式(3)、式(4)将全频带多通道功率谱密度信号分解为周期分量和非周期分量两种，并分别构建大小为68x180的全频带多通道功率谱密度周期矩阵和全频带多通道功率谱密度非周期矩阵；周期分量和非周期分量的计算公式分别如下：
[0070][0071][0072]
其中，f表示频率；a表示峰高，c表示峰的中心频率，w表示峰的带宽；b表示偏移量，x表示指数，k表示有无“膝值”，即是否为凸曲线；该fooof拟合算法使用峰高、中心频率、带宽来拟合周期分量，使用偏移量、指数、“膝值”来拟合非周期分量。当峰数选择适宜时(本发明中的峰数设置为10
‑
20时最优)，具有较好的拟合效果。
[0073]
3)分别使用按解剖学脑区重排法、按功能网络重排法对上述锁相值矩阵、全频带多通道功率谱密度周期分量矩阵和非周期分量矩阵中的脑电波信号欧式化，将其转化成适合卷积神经网络(cnn)处理的信号，并划分成训练集和测试集；
[0074]
研究表明，cnn模型在图像处理方面的优势在于图像是欧式数据，即相邻像素点具有一定的相似性，卷积可以总结相邻像素点的特征，传递到下一层中使用，因此经过层层卷积，可以得到高维特征，输出层再利用高维特征进行分类。但非欧式数据相邻的数据点往往毫不相关，不存在高度集中的特征，因此cnn的卷积操作难以奏效，导致分类效果较差。为解
决这一问题，本发明采用按解剖学脑区和功能网络这两种重排法，使步骤2)中的信号具有欧式特征。
[0075]
具体方法如下：
[0076]
3.1)将步骤2)中获得的锁相值矩阵、全频带多通道功率谱密度周期分量矩阵和非周期分量矩阵按解剖学脑区重排，按表1列出的68个感兴趣区域与7个解剖学脑区之间的对应关系将68个感兴趣区域投射为7个脑电波研究领域常用的解剖学脑区，分别为颞叶(temporal)、额叶(frontal)、中央区(central)、顶叶(parietal)、枕叶(occipital)、扣带回(gyrus)和其他区域(other)；
[0077]
3.2)将步骤2)中获得的锁相值矩阵、全频带多通道功率谱密度周期分量矩阵和非周期分量矩阵按功能网络重排，按表1列出的68个感兴趣区域与6个功能网络之间的对应关系，将68个感兴趣区域投射为6个常用的功能网络，分别为默认模式网络(dmn)、背侧注意网络(dan)、突显网络(san)、听觉网络(aud)、视觉网络(vis)和其他网络(other)；
[0078]
图2为重排后的锁相值矩阵、全频带多通道功率谱密度周期分量矩阵或非周期分量矩阵重排示意图。图中dm：dmn da：dan s：san a：aud v：vis o：other t：temporal f：frontal ce：central p：parietal o：occipital ci：cingulate o：other)。
[0079]
3.3)将上述重排后的锁相值矩阵、全频带多通道功率谱密度周期分量矩阵和非周期分量矩阵中的脑电波信号按比例分成训练集和测试集。本发明中训练集和测试集的比例为4∶1；
[0080]
4)构建卷积神经网络模型，然后将步骤3)获得的训练集输入卷积神经网络模型进行参数训练，之后输入测试集进行验证，直至参数达到最优，获得训练后的卷积神经网络模型；
[0081]
具体方法如下：
[0082]
4.1)构建如图3所示的卷积神经网络模型；所述卷积神经网络模型由三层卷积层、三层归一化层、全连接层和输出层组成；通过稀疏连接和参数共享的方式，卷积层中的神经元与上一次的神经元相连，其二维卷积运算公式如下：
[0083][0084]
实验数据表明，卷积核为3x3的非降采样卷积神经网络在处理输入数据时效果较好。本发明中卷积神经网络模型使用的三层卷积层的过滤器尺寸为3x3，采用交叉熵函数作为损失函数，relu作为激活函数，adam作为优化函数。输出层使用softmax函数将值映射到[0，1]区间内；设置学习率0.0001，batchsize为50；
[0085]
4.2)将步骤3)中获得的训练集输入上述卷积神经网络模型进行模型参数训练，之后输入测试集进行验证，获得分类结果。分类结果采用如图4所示的四叠交叉验证的方式进行评估，主要评估指标为分类准确率acc。分类准确率acc和softmax的计算公式如下：
[0086][0087]
[0088]
其中，tp表示被预测为正的正样本，tn表示被预测为负的负样本，fp表示被预测为正的负样本，fn表示被预测为负的正样本；这里规定无反应综合征患者为正样本，最小意识状态患者为负样本；y
i
表示原输出层输出，y
′
i
表示新输出层输出。输出层的每个神经元输出表示判断为无反应综合征患者或最小意识状态患者的概率。
[0089]
当分类准确率acc达到分类准确率阈值时，获得训练后的卷积神经网络模型；
[0090]
5)基于上述训练好的卷积神经网络模型，生成梯度加权类激活热力图，然后利用梯度加权类激活热力图将上述训练集和测试集中的冗余脑电波信号去除，将保留下来的有效脑电波信号按步骤3)的方法重新构建成重构训练集和测试集；
[0091]
具体方法如下：
[0092]
5.1)将上述训练好的卷积神经网络模型中的全连接层替换为全局池化层，将最后一层卷积层输出通道设置为分类类别数，由此针对每一个类别都有与卷积输出通道维数相同的一维向量表示权值，通过累加权值得到梯度加权类激活热力(grad
‑
cam)图；相关公式如下：
[0093][0094][0095]
5.2)图5为梯度加权类激活热力图；其中图5a是输入的脑电波信号为按解剖学脑区重排后的锁相值矩阵时的梯度加权类激活热力图；图5b是输入的脑电波信号为按解剖学脑区重排后的全频带多通道功率谱密度周期分量矩阵或非周期分量矩阵梯度加权类激活热力图；将上述梯度加权类激活热力图进行归一化后，图中各点的数值对应该点的脑电波信号对分类结果的“贡献度”。其中明度较高的区域是对本次分类结果产生主要影响的区域，说明模型主要由这些区域的信息得出分类结果，因此将这些区域的脑电波信号作为有效脑电波信号。其余区域则对本次分类结果产生的影响不大，为避免这部分信息对分类结果产生干扰，将其认为是冗余脑电波信号而用0代替。
[0096]
如图6所示，以全频带多通道功率谱密度周期分量矩阵为例，选取贡献度0.5以上的脑电波信号作为有效脑电波信号，而将贡献度0.5以下的脑电波信号作为冗余脑电波信号。
[0097]
5.3)利用上述有效脑电波信号按照步骤3)的方法重新构建成重构测试集和验证集。在本发明中，经过大量尝试，为按解剖学脑区重排的锁相值矩阵、按功能网络重排的锁相值矩阵、按解剖学脑区重排的全频带多通道功率谱密度周期分量矩阵或非周期分量矩阵、按功能网络重排的全频带多通道功率谱密度周期分量矩阵或非周期分量矩阵选取的合适贡献度分别如表2所示。
[0098]
6)将步骤5)获得的重构训练集和测试集输入步骤4)获得的训练后的卷积神经网络模型中，并按照步骤4)的方法进行训练和验证，获得训练好的卷积神经网络模型；
[0099]
结果显示，使用有效脑电波信号的分类准确率acc高于原始脑电波信号，且训练速度有较大提升，这样就解决了卷积神经网络面对大尺寸输入时训练时间较长的问题。锁相
值矩阵关注的是脑电波信号在特定频带范围内的区域连接性信息，而全频带多通道功率谱密度周期分量矩阵或非周期分量矩阵关注的是脑电波信号在全频带的独立性频域周期和非周期信息。我们发现，针对锁相值矩阵，alpha频带的分类准确率acc高于其他频带，且在alpha、beta、theta三个频带中，额叶、顶叶和枕叶这些区域间的连接信息和dmn、dan内部连接信息都属于“贡献区”，仅仅是利用这些区域训练模型，就可以达到较好的分类效果。但gamma和delta频带的信息在分类上的效果较差，将它们加入分类时，会使整体效果下降。针对全频带多通道功率谱密度周期分量矩阵或非周期分量矩阵，利用全频带多通道功率谱密度周期或非周期分量分类的效果略高于使用全频带多通道功率谱密度周期整体的分类效果，且从梯度加权类激活热力图可以看出，周期分量的“贡献区”与非周期分量的“贡献区”高度重合，主要集中在5
‑
20hz，这不仅说明周期分量是全频带多通道功率谱密度周期中对意识有分类作用的主要成分，更再次印证了使用锁相值矩阵作为输入时，alpha、beta、theta频带效果更好这一结论。
[0100]
7)将需要分类的患者脑电波信号按照步骤2)、步骤3)的方法进行处理，然后输入步骤6)获得的训练好的卷积神经网络模型，获得该患者的最终分类结果以及分类结果的可信度。
[0101]
本发明方法综合锁相值和全频带多通道功率谱密度周期结果，即，对应于同一锁相值矩阵作为输入的alpha、beta、theta三个频带，按照两种重排模式，共可得到6个分类结果，针于同一全频带多通道功率谱密度周期分量矩阵作为输入的周期分量，结合两种重排模式，共可得到2个分类结果，提取同一脑电波信号的8个分类结果的输出层，对其进行投票处理，得到最终的患者类型，具体流程如图7所示。该结果从综合性和准确性上来说，都比使用单一输入分类更优。表3至表5示出同一脑电波信号使用本发明方法各阶段模型得到的分类准确率和未使用本发明方法得到的分类准确率。
[0102]
根据结果可以看出，在使用本发明方法的各个阶段，分类准确率都有所提高。相较于传统机器学习(svm)和不加处理的卷积神经网络模型(cnn)，使用本发明方法的重排策略可以提高12.2％，这说明重排对于非欧式数据结合cnn的应用中具有重大意义。且综合投票法可以得到89.5％的分类准确率，说明时域信息和频域信息的结合使用对意识的鉴别具有积极作用。更重要的是，以“psd
‑
周期成分
‑
按解剖学脑区重排”这一输入为例，重构输入之前，一个epoch需要51ms进行训练，重构输入后，一个epoch仅需要38ms即可完成训练。由此可知，当epoch数量很大或者输入尺寸很大时，重构输入可以节省相当可观的时间，在投入实际应用时，将是一个极大的优势。
[0103]
表1、68个感兴趣区域与7个解剖学脑区、6个功能网络之间的对应关系
[0104]
[0105][0106]
表2、重构测试集和验证集时各输入使用的贡献度
[0107][0108]
表3、使用不做处理的plv和psd结合支持向量机(svm)和cnn的分类结果(acc％)
[0109][0110]
表4、使用本发明方法中的重排策略(策略1：按解剖学脑区，策略2：按功能网络)处理的plv和psd结合cnn的分类结果(acc％)
[0111][0112]
表5、使用本发明方法的多输入(斜线表示该部分数据不参与输入)投票法获得的分类结果(acc％)
[0113]