技术特征：
1.一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，其特征在于：所述方法包括按顺序进行的下列步骤：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；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；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；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；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；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；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。2.根据权利要求1所述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，其特征在于：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：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；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；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。3.根据权利要求1所述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，其特征在于：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：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；计算锁相值的方法是：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；道的脑电波信号的锁相值；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；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：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：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。4.根据权利要求1所述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，其特征在于：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：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；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；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。5.根据权利要求1所述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，其特征在于：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：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：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；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：指标为分类准确率acc；分类准确率acc和softmax的计算公式如下：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；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。6.根据权利要求1所述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，其特征在于：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：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：
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；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。
技术总结
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。其包括脑电波信号预处理；构建锁相值、全频带多通道功率谱密度周期分量和非周期分量矩阵；划分训练集和测试集；构建卷积神经网络模型并训练和验证；重构训练集和测试集；再次训练和验证卷积神经网络模型；获得患者最终分类结果及分类结果可信度等步骤。本发明使用的CNN模型无需大量特征提取工作，仍可发挥模式识别的优良性能。引入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，增加优势。可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。员对患者的意识水平进行初步的分析评估。员对患者的意识水平进行初步的分析评估。
技术研发人员：魏熙乐 青阳 蔡立辉 伊国胜 王江 卢梅丽
受保护的技术使用者：天津大学
技术研发日：2021.09.16
技术公布日：2021/12/10