用于ADHD的辅助诊断模型构建方法、控制装置、存储介质及设备与流程

本发明涉及脑科学，具体地涉及一种用于adhd的辅助诊断模型构建方法、控制装置、存储介质及设备。

背景技术：

1、注意缺陷与多动障碍(attention deficit and hyperactivitydisorder，adhd)，俗称多动症，是儿童与青少年人群中的一种多发疾病。adhd是由非智力因素引起的一组症候群，其特征是与年龄不相适应的注意力不集中、多动和冲动行为。常规的adhd治疗包括药物治疗、心理治疗、行为治疗、支持小组、育儿技能培训等方法。不过，adhd的早期诊断在儿童及青少年社交活动及学习生活方面具有重要作用，并且可以维持家庭正常和睦的生活。在医院中，普遍使用的是《精神疾病诊断和统计手册》(diagnostic and statisticalmanual of mental disorders，简称dsm)或国际疾病分类》(internationalclassification of diseases，简称icd)的标准来诊断adhd。而心理学家或临床医生对问题的解释和反映高度依赖患者对答案的诚实度，这一主观的问卷是当今adhd诊断的一项挑战。在精神科的临床工作中，同样的患者不同的病史叙述者及不同的精神科医生对该症的认识也不一致，诊断结果也不尽相同。

2、就目前的情况，adhd的病因与发病机制都还不清楚，传统诊断技术一致性差且误诊率、漏诊率也较高，缺乏客观有效及快捷的定量诊断指标和方法。传统的adhd诊断方式具有一定的主观性和在分类模型上的局限性，缺少多中心的稳定性及较低的判别准确性。

技术实现思路

1、本发明实施例的目的是提供一种用于adhd的辅助诊断模型构建方法，该用于adhd的辅助诊断模型构建方法可以客观有效及快捷的定量诊断指标。

2、为了实现上述目的，本发明实施例提供一种用于adhd的辅助诊断模型构建方法，所述辅助诊断模型构建方法包括：基于脑电图数据，构建用于adhd辅助诊断的训练集和测试集；基于卷积神经网络，构建adhd辅助诊断模型；以及通过所述训练集对所述adhd辅助诊断模型进行训练，通过所述测试集对所述adhd辅助诊断模型进行测试。

3、可选的，所述基于脑电图数据，构建用于adhd辅助诊断的训练集和测试集，包括：以预设的通道数和预设的采集频率，对adhd患者和健康人群采集预设的采集时间的所述脑电图数据，所述预设的采集时间包括睁眼时间和闭眼时间；通过折叠交叉，将所采集的脑电图数据划分为训练样本集和测试样本集；对所划分的训练样本集和测试样本集中每个样本数据，通过重置采集时间，进行数据增强处理，数据增强处理后的样本数据为对应的所述每个样本数据的部分；根据脑电图数据的频段属性，将数据增强处理后的训练样本集和测试样本集中每个样本数据的delta频率范围、alpha频率范围及beta与低频gamma混合频率范围内的数据映射到彩色图像的rgb通道之一，生成所述训练样本集和所述测试样本集中每个样本数据对应的彩色图像；以及将样本数据为彩色图像的训练样本集和测试样本集，作为对应的所述训练集和所述测试集。

4、可选的，在所述通过折叠交叉，将所采集的脑电图数据划分为训练样本集和测试样本集之前，所述辅助诊断模型构建方法还包括对所采集的脑电图数据进行数据预处理，包括：通过预设频率的滤波器对所采集的脑电图数据进行滤波；以及消除滤波后的脑电图数据中的噪声和伪影。

5、可选的，所述通过折叠交叉，将所采集的脑电图数据划分为训练样本集和测试样本集，包括：将所采集的m组脑电图数据通过k倍折叠交叉，对应划分为k个不同的子样本集；以及将所述k个不同子样本集中的k-1个子样本集作为训练样本集，将另外一个子样本集作为测试样本集。

6、可选的，所述对所划分的训练样本集和测试样本集中每个样本数据，通过重置采集时间，进行数据增强处理，包括：通过hanning窗口，对所述每个样本数据以重置的采集时间进行重叠截取，形成对应的多个具有重叠数据的样本数据以增强所述训练样本集和所述测试样本集的样本数量。

7、可选的，所述adhd辅助诊断模型包括卷积层、汇集层、扁平层和全连接层，其中，所述卷积层以所述训练集的样本数据为输入，提取所述样本数据的特征向量，所述汇集层对所提取的特征向量进行降维，所述扁平层将所降维的特征向量转换为一维向量，所述全连接层对多个所述一维向量进行全连接后，输出训练结果，所述汇集层包括池化层和遗弃层。

8、可选的，所述adhd辅助诊断模型为十三层二维神经卷积模型，所述adhd辅助诊断模型包括三个卷积层、三个池化层、四个遗弃层、一个扁平层和两个全连接层。

9、可选的，在所述通过所述训练集对所述adhd辅助诊断模型进行训练之时，所述辅助诊断模型构建方法还包括：当所述adhd辅助诊断模型的准确性在上一个周期得到提高时，使用modelcheckpoint回调函数来修正模型权值，并存储修正后的模型权值；当所述adhd辅助诊断模型的准确性在连续提升第一预设数量的周期后停止时，使用reducelronplateau回调函数来降低所述adhd辅助诊断模型的学习率；以及当所述adhd辅助诊断模型的准确性在连续第二预设数量的周期没有提高时，使用earlystopping回调函数来停止对所述adhd辅助诊断模型的训练。

10、可选的，所述辅助诊断模型构建方法还包括对所训练后的adhd辅助诊断模型进行临床验证，包括：构建验证集；将所述验证集通过所训练后的adhd辅助诊断模型后输出的诊断结果与专家组提供的诊断结果进行比较；以及通过比较结果优化所述adhd辅助诊断模型。

11、本发明实施例还提供一种控制装置，所述控制装置包括：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计算机程序，所述处理器执行所述计算机程序，以实现上述的用于adhd的辅助诊断模型构建方法。

12、本发明实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令使得机器执行上述的用于adhd的辅助诊断模型构建方法。

13、本发明实施例还提供一种用于adhd的辅助诊断设备，该设备包含：存储器及处理器，该处理器被配置为：获取脑电图数据；以及将所述脑电图数据输入通过上述的用于adhd的辅助诊断模型构建方法所构建的adhd辅助诊断模型，对adhd进行辅助诊断。

14、通过上述技术方案，本发明实施例基于卷积神经网络，构建adhd辅助诊断模型，辅助诊断及分类算法能为医生提供一个智能决策的模型，能高精准度的区分adhd患者与健康人群，对adhd患者进行有效判别。该adhd辅助诊断模型可适应不同adhd患者样本群及不同跨设备之间的数据采集后的判别，较大程度提高算法模型的稳定性及通用性；该adhd辅助诊断模型具备可视化综合性的评估结果的产出，支撑现有的临床检测报告，提高项目研究的推广及应用价值。

15、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

技术特征：

1.一种用于adhd的辅助诊断模型构建方法，其特征在于，所述辅助诊断模型构建方法包括：

2.根据权利要求1所述的用于adhd的辅助诊断模型构建方法，其特征在于，所述基于脑电图数据，构建用于adhd辅助诊断的训练集和测试集，包括：

3.根据权利要求2所述的用于adhd的辅助诊断模型构建方法，其特征在于，在所述通过折叠交叉，将所采集的脑电图数据划分为训练样本集和测试样本集之前，所述辅助诊断模型构建方法还包括对所采集的脑电图数据进行数据预处理，包括：

4.根据权利要求2所述的用于adhd的辅助诊断模型构建方法，其特征在于，所述通过折叠交叉，将所采集的脑电图数据划分为训练样本集和测试样本集，包括：

5.根据权利要求2所述的用于adhd的辅助诊断模型构建方法，其特征在于，所述对所划分的训练样本集和测试样本集中每个样本数据，通过重置采集时间，进行数据增强处理，包括：

6.根据权利要求1所述的用于adhd的辅助诊断模型构建方法，其特征在于，所述adhd辅助诊断模型包括卷积层、汇集层、扁平层和全连接层，

7.根据权利要求6所述的用于adhd的辅助诊断模型构建方法，其特征在于，所述adhd辅助诊断模型为十三层二维神经卷积模型，所述adhd辅助诊断模型包括三个卷积层、三个池化层、四个遗弃层、一个扁平层和两个全连接层。

8.根据权利要求1所述的用于adhd的辅助诊断模型构建方法，其特征在于，在所述通过所述训练集对所述adhd辅助诊断模型进行训练之时，所述辅助诊断模型构建方法还包括：

9.根据权利要求1所述的用于adhd的辅助诊断模型构建方法，其特征在于，所述辅助诊断模型构建方法还包括对所训练后的adhd辅助诊断模型进行临床验证，包括：

10.一种控制装置，其特征在于，所述控制装置包括：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计算机程序，所述处理器执行所述计算机程序，以实现根据权利要求1-9中任意一项所述的用于adhd的辅助诊断模型构建方法。

11.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令使得机器执行根据权利要求1-9中任意一项所述的用于adhd的辅助诊断模型构建方法。

12.一种用于adhd的辅助诊断设备，其特征在于，该设备包含：存储器及处理器，该处理器被配置为：

技术总结
本发明实施例提供用于ADHD的辅助诊断模型构建方法、控制装置、存储介质及设备，属于脑科学技术领域。所述辅助诊断模型构建方法包括：基于脑电图数据，构建用于ADHD辅助诊断的训练集和测试集；基于卷积神经网络，构建ADHD辅助诊断模型；以及通过所述训练集对所述ADHD辅助诊断模型进行训练，通过所述测试集对所述ADHD辅助诊断模型进行测试。本发明实施例基于卷积神经网络，构建ADHD辅助诊断模型，辅助诊断及分类算法能为医生提供一个智能决策的模型，能高精准度的区分ADHD患者与健康人群，对ADHD患者进行有效判别。该ADHD辅助诊断模型可适应不同ADHD患者样本群及不同跨设备之间的数据采集后的判别，较大程度提高算法模型的稳定性及通用性。

技术研发人员：卿坤强,王晓岸
受保护的技术使用者：北京脑陆科技有限公司
技术研发日：
技术公布日：2024/1/11