一种基于孤独症儿童左右脑差异性建模的脑电分析方法

本发明涉及生物医学信息，尤其是一种基于孤独症儿童左右脑差异性建模的脑电分析方法。

背景技术：

1、孤独症是一种广泛性脑功能发育障碍，其基本特征为社会交往障碍、语言发育障碍、兴趣狭隘即行为刻板。迄今为止原因不明，孤独症通常起病于三岁之前，有临床研究表示越早干预、教育、临床治疗可以越明显改善患者的认知和交流功能，更有轻症患者可通过早期干预达到与常人无异的治疗效果。同时由于孤独症儿童年龄较小，广泛研究使用的功能性核磁共振成像(fmri)、脑磁图和眼动技术等也就具有了一定的局限性。

2、脑电技术作为一种非侵入式的采集方式，具有较高的时间分辨率，是研究复杂神经障碍的有力工具。静息态脑电检测是在没有外界刺激和任务下的大脑活动，对于年龄较小且认知水平和任务配合程度低的孤独症儿童来说，静息态脑电则具有一定的优势，也因此更易于在临床辅助分析判断领域中应用。

3、脑电信号的分类现已有大量研究结合了当前热门计算机技术-卷积神经网络，现有的技术中大多使用先提供脑电信号的功率熵、样本熵等脑电量化特征，再使用简单分类器进行分类，但脑电信号具有强烈的复杂性，并且上述技术的实现前提是脑电信号具有随机平稳性，但实际上并非如此。

4、因此需要研发一种基于孤独症儿童左右脑差异性建模的脑电分析方法以解决这一问题。

技术实现思路

1、本发明需要解决的技术问题是提供一种基于孤独症儿童左右脑差异性建模的脑电分析方法，使用卷积神经网络对原始脑电信号进行端到端的特征提取，可学习到目前量化技术难以解释的特征规律，进而达到提高分类精度的效果，并会提升在实际应用中的工作效率。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于孤独症儿童左右脑差异性建模的脑电分析方法，包括：

4、采用脑电数据获取模块采集正常儿童和孤独症儿童的静息态脑电数据，并预处理成模型输入所需的多变量时间序列矩阵；

5、采用时序多尺度特征学习模块捕获脑电信号时间维度上不同尺度的特征，并使用卷积层对多尺度时间特征进行融合；

6、采用空间特征学习与融合模块分别对左右半脑进行空间维度上的卷积操作，提取更为丰富的通道间特征，并使用注意力机制最大化左右半脑特征差异性，最后通过加权平均进行数据融合；

7、采用分类模块通过分类损失优化模型完成训练过程，得到被分析者的患孤独症概率。

8、本发明技术方案的进一步改进在于：所述采用脑电数据获取模块采集正常儿童和孤独症儿童的静息态脑电数据，是使用128导脑电系统进行采集，选择覆盖四个功能脑区的46个电极，所有电极以cz为参考，阻抗控制在50kω以下。

9、本发明技术方案的进一步改进在于：所述预处理具体包括：将采集的原始静息态脑电数据以采样频率fs为单位进行切片处理，将每个切片作为一个样本，再将每个样本数据分成左右半脑数据，左右半脑通道数分别为n1、模型的输入分别为左半脑脑电数据和右半脑脑电数据

10、本发明技术方案的进一步改进在于：所述时序多尺度特征学习模块包括多尺度时间特征提取子模块和多尺度时间特征融合子模块；

11、所述捕获脑电信号时间维度上不同尺度的特征，并使用卷积层对多尺度时间特征进行融合；具体包括以下步骤：

12、步骤21，将预处理后的左右半脑脑电原始数据矩阵输入到多尺度时间特征提取子模块；

13、步骤22，多尺度时间特征提取子模块包含卷积层和池化层，并通过relu激活函数获得三个不同尺度下的时间特征矩阵，其中具体尺度分别为时间维度的1/2、1/4和1/8的二维卷积；

14、步骤23，每个多尺度时间特征提取子模块在卷积层后接池化层，在时间维度上对输入数据使用均值池化层进行压缩，压缩至1/2，得到左右半球脑电数据不同尺度的时间特征和

15、

16、

17、其中，ap(·)是池化窗口为(1,2)的平均池化，conv2d(·,si)为卷积核尺度为si的二维卷积，i＝{1,2,3}，表示三个不同尺度的卷积核，分别为和relu(·)为relu激活函数；

18、步骤24，采用多尺度时间特征融合子模块将拼接后的左右半脑多尺度时间特征ml和mr,,在时间维度上使用卷积操作对三个尺度的时间特征进行融合，并使用均值池化层进行压缩，压缩至1/2，作为时序多尺度特征学习模块的输出teml和temr：

19、

20、

21、

22、

23、其中，bn{·}为批归一化操作，[·,]为通道维的concatenate级联，为随机率为0.5的dropout层，st为多尺度时间特征融合模块中的卷积层使用的卷积核尺度。

24、本发明技术方案的进一步改进在于：所述空间特征学习与融合模块包括空间特征提取子模块和注意力空间特征融合子模块；

25、所述分别对左右半脑进行空间维度上的卷积操作，提取更为丰富的通道间特征，并使用注意力机制最大化左右半脑特征差异性，最后通过加权平均进行数据融合；具体包括以下步骤：

26、步骤31，采用空间特征提取子模块将左右脑脑电的时间特征矩阵分别在空间维度上，使用包括一个二维卷积层、一个relu激活函数以及一个均值池化层进行特征提取，得到左右脑的时空特征矩阵spal和spar：

27、

28、

29、其中，空间特征提取子模块中的卷积层使用的卷积核尺度

30、步骤32，在空间维度上进行级联，并采用批归一化的方法对时空特征矩阵在batch维度上进行标准化处理，得到注意力空间特征融合子模块的输入features：

31、features＝bn{[spal,spar]}＝[l,r]  (9)

32、步骤33，注意力空间特征融合子模块使用注意力机制att(·)得到左右脑的特征权重β1和β2，与左右脑时空特征矩阵相乘在空间上对时空特征矩阵使用注意力重新加权，得到使用左右脑差异增强的时空特征矩阵；

33、步骤34，使用全局平均池化层对左右脑时空特征矩阵进行融合，作为注意力空间特征融合子模块的输出fusion：

34、

35、其中，gap(·)是全局平均池化，k″为上一卷积层的卷积核个数，q为注意力机制中的压缩比率。

36、本发明技术方案的进一步改进在于：所述通过分类损失优化模型完成训练过程，得到被分析者的患孤独症概率，具体是指：将时空融合特征矩阵输入到包含两个全连接层，一个relu激活函数以及一个softmax激活函数的分类层，并且使用交叉熵损失函数优化训练得到最终分析结果，交叉熵损失函数具体公式如下：

37、

38、其中，yi为被试i的真实标签，正类为1，负类为0，pi表示被试i的预测为正类的概率。

39、由于采用了上述技术方案，本发明取得的技术进步是：

40、本发明利用孤独症儿童各频带异常分布和左右脑不对称性的特点，设计出能够高效提取孤独症儿童原始脑电数据中学习时空特征的网络；通过提出一种左右脑时空特征融合策略，使用多尺度提取多重频带特征，同时使用注意力机制最大化左右脑差异特点，即使用注意力机制对左右脑重新加权，在有效的提取以及融合了时空特征的同时，一定程度的解决了个体差异大的问题，增加了模型的鲁棒性；能够提取更为高效的提升孤独症分析判断的效率，能够增强孤独症分析判断的性能和精度，为孤独症辅助分析判断提供了新的途径。