一种针对阿尔兹海默症的早期智能分类方法及装置

1.本发明涉及生命健康技术领域，具体而言，涉及一种针对阿尔兹海默症的早期智能分类方法及装置。


背景技术：

2.据中国阿尔茨海默病协会2011年的公布调查结果显示，全球有约3650万人患有痴呆症，每7秒就有一个人患上此病，平均生存期只有5.9年，是威胁老人健康的“四大杀手”之一。现目前的医疗技术水平，尚未发现对应阿尔茨海默症的有效疗法，但如果能在早期尽快发现并加以干预治疗，就能大大延缓疾病发展趋势，延长患者寿命。
3.目前，阿尔兹海默症早期筛查常用的方法包括核磁共振(mri)影像和认知量表评估。核磁共振(mri)影像可以反映出阿尔茨海默病各个演变阶段的大脑组织结构差异，但是核磁共振(mri)影像的设备和人力检测成本较高且花费时间长。认知量表评估方法，具体的，可以基于简易智力状态检查表(mmse)和蒙特利尔认知评估量表(moca)，通过评分测试来进行早期阿尔茨海默病的筛查，检测成本低，但诊断精度欠缺，且对被测试者的文化水平等条件要求较高。


技术实现要素：

4.本发明提供一种针对阿尔兹海默症的早期智能分类方法及装置，用以克服现有技术中存在的至少一个技术问题。
5.根据本发明一方面提供一种针对阿尔兹海默症的早期智能分类方法，所述方法包括：基于预设的第一脑电信号，根据本发明一方面提供一种针对阿尔兹海默症的早期智能分类方法，对所述脑电信号的不同频段进行滤波，生成脑电信号的度量结构，基于所述度量结构获取频段特征，基于所述频段特征生成第一分类结果；基于所述频段特征，将所述频段特征的分散数据集转移到同一分布进行去漂移化处理，生成标准特征集，基于所述标准特征集生成第二分类结果；基于所述标准特征集的能量分布区域，根据所述能量分布区域的差异获取最可分特征，基于最可分特征生成第三分类结果；对所述第一分类结果、所述第二分类结果和所述第三分类结果进行硬投票处理，生成最终分类结果。
6.可选的，所述基于预设的脑电信号，对所述脑电信号的不同频段进行滤波，生成脑电信号的度量结构，基于所述度量结构获取频段特征，基于所述频段特征生成第一分类结果的步骤，包括：将预设的脑电信号分成多个子频段，以及对所述子频段进行滤波处理，生成第二脑电信号；将所述第二脑电信号映射到黎曼流形中，生成所述第二脑电信号的度量结构；对所述度量结构进行降维处理，获取频段特征；基于所述频段特征进行第一分类，生成第一分类结果。
7.可选的，所述基于所述频段特征，将所述频段特征的分散数据集转移到同一分布进行去漂移化处理，生成标准特征集，基于所述标准特征集生成第二分类结果的步骤，包括：基于所述频段特征，将所述频段特征的分散数据集投射到黎曼流形中，并转移至同一分
布进行去漂移处理，生成所述频段特征的协方差特征；对所述协方差特征进行数据降维处理，获取所述标准特征集；基于所述标准特征集进行第二分类，生成第二分类结果。
8.可选的，所述基于所述标准特征集的能量分布区域，基于所述能量分布区域的差异获取最可分特征，基于最可分特征生成第三分类结果的步骤，包括：基于所述标准特征集，提取所述标准特征集相对应的能量分布区域；基于所述能量分布区域，对所述能量分布区域进行联合对角化处理，获取最可分特征；基于所述最可分特征进行第三分类，生成第三分类结果。
9.可选的，所述对所述度量结构进行降维处理，获取频段特征的步骤，包括：对所述度量结构的数据进行降维处理，获得低维的黎曼子流形；将所述度量结构投射到黎曼子流形对应的切空间中，获取频段特征。
10.根据本发明另一方面提供一种针对阿尔兹海默症的早期智能分类装置，所述装置包括：提取模块，用于基于预设的第一脑电信号，对所述脑电信号的不同频段进行滤波，生成脑电信号的度量结构，基于所述度量结构获取频段特征，基于所述频段特征生成第一分类结果；去漂移化模块，用于基于所述频段特征，将所述频段特征的分散数据集转移到同一分布进行去漂移化处理，生成标准特征集，基于所述标准特征集生成第二分类结果；最可分模块，用于基于所述标准特征集的能量分布区域，根据所述能量分布区域的差异获取最可分特征，基于最可分特征生成第三分类结果；输出模块，对所述第一分类结果、所述第二分类结果和所述第三分类结果进行硬投票处理，生成最终分类结果。
11.可选的，所述提取模块包括：第一提取子模块，用于将预设的脑电信号分成多个子频段，以及对所述子频段进行滤波处理，生成第二脑电信号；第二提取子模块，用于将所述第二脑电信号映射到黎曼流形中，生成所述第二脑电信号的度量结构；第三提取子模块，用于对所述度量结构进行降维处理，获取频段特征；第四提取子模块，用于基于所述频段特征进行第一分类，生成第一分类结果。
12.可选的，所述去漂移化模块包括：第一漂移化子模块，用于基于所述频段特征，将所述频段特征的分散数据集投射到黎曼流形中，并转移至同一分布进行去漂移处理，生成所述频段特征的协方差特征；第二漂移化子模块，用于对所述协方差特征进行数据降维处理，获取所述标准特征集；第三漂移化子模块，用于基于所述标准特征集进行第二分类，生成第二分类结果。
13.可选的，所述最可分模块包括：第一最可分子模块，用于基于所述标准特征集，提取所述标准特征集相对应的能量分布区域；第二最可分子模块，用于基于所述能量分布区域，对所述能量分布区域进行联合对角化处理，获取最可分特征；第三最可分子模块，用于基于所述最可分特征进行第三分类，生成第三分类结果。
14.可选的，所述第三提取子模块包括：第四提取子模块，用于对所述度量结构的数据进行降维处理，获得低维的黎曼子流形；第五提取子模块，用于将所述度量结构投射到黎曼子流形对应的切空间中，获取频段特征。
15.本发明实施例的创新点包括：
16.1、本发明可以通过针对早期阿尔茨海默症患者脑电信号的多频段、跨个体以及差异不显著的特点，对诱发到的脑电信号进行特征提取，提取到跨频段、去漂移的标准特征集，进行对所述特征集进行数据降维，得到差异化最大特征，并分类。所述可分特征之间的
差异化特点，可以使分类的结果更为精确。本发明提出的针对阿尔兹海默症的早期智能分类方法不仅检测成本低，对被测试者的文化水平要求较低，而且模型充分考虑阿尔茨海默病脑电特点，致使检测精度较高；是本发明实施例的创新点之一。
17.2、本发明可以通过针对任务态脑电信号特性的黎曼机器学习算法，将测试者在空间方向和词语理解上的认知障碍特性编码到脑电信号当中，再通过黎曼机器学习对被测试者的脑电信号进行处理，实现对阿尔茨海默病的认知编码和脑电解码，高效辨别早期阿尔茨海默症，具有一定的先进性。其中，黎曼机器学习算法具体可以包括基于多频段滤波的黎曼流形映射模块，基于跨个体迁移的黎曼中心化模块和基于差异最大化的黎曼联合对角化模块；是本发明实施例的创新点之一。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
19.图1为本发明的针对阿尔兹海默症的早期智能分类方法的流程示意图；
20.图2为本发明的第二种针对阿尔兹海默症的早期智能分类方法的处理流程示意图；
21.图3为本发明的针对阿尔兹海默症的早期智能分类装置的处理流程示意图；
22.图4为提取模块的处理流程示意图；
23.图5为去漂移化模块的处理流程示意图；
24.图6为最可分模块的处理流程示意图；
25.图7为第三提取子模块的处理流程示意图。
具体实施方式
26.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
28.实施例1
29.本发明实施例提出了第一种针对阿尔兹海默症的早期智能分类方法，参考图1，图1为本发明的第一种针对阿尔兹海默症的早期智能分类方法的处理流程示意图。如图1所示，针对阿尔兹海默症的早期智能分类方法包括如下步骤：
30.步骤101，基于预设的第一脑电信号，对所述脑电信号的不同频段进行滤波，生成脑电信号的度量结构，基于所述度量结构获取频段特征，基于所述频段特征生成第一分类
结果。
31.在本步骤中，可以通过输出预设的脑机接口刺激范式指引，以使被测试者做出反应动作，获取所述被者在做出所述反应动作时的脑电信号，即为所述预设的脑电信号。
32.首先，设计脑机接口刺激范式指引，并展示给被测试者，然后，被测试者根据刺激范式指引，做出相应的反应动作，接下来，脑接口机提取被测试者在做出相应的反应动作时将产生的脑电信号。
33.需要说明的是，预设的脑机接口刺激范式指引以阿尔茨海默病患者在空间方向和语言认知方面存在的认知障碍为基础，分别从“听、读、说、写”四个方面来引导被测试者做出反应动作。预设的脑机接口刺激范式融合空间方向和语言理解，能够有效将早期阿尔茨海默病患者在语言理解和空间方向的认知障碍的特性体现在获取到的脑电信号中，以便通过后续操作，从脑电信号中得到准确的分类结果。
34.具体的，由于早期阿尔茨海默症患者的脑电信号在不同频段上存在不同的脑电特性；因此，可以使用滤波器组的方法，通过对所述脑电信号的不同频段进行滤波，过滤掉无明显特征的噪声信息；接下来，可以通过黎曼流形获取到所述脑电信号的度量结构。可以理解的是，所述度量结构可以展现阿尔兹海默症患者的意识障碍特性。对所述度量结构进行数据降维处理获取频段特征。
35.采用基于信息熵的特征选择方法，从所述频段特征中筛选最优分类特征，并将所述分类特征传入神经网络模型中进行第一分类，生成第一分类结果。
36.可以理解的，本步骤可以提取所述脑电信号中的有效数据信息，降低数据大小，减少运算量。
37.步骤103，基于所述频段特征，将所述频段特征的分散数据集转移到同一分布进行去漂移化处理，生成标准特征集，基于所述标准特征集生成第二分类结果。
38.本步骤中，由于早期阿尔茨海默症脑电信号是从多个患者采集而来的，不同的患者在进行相同的实验时也会存在信号偏移的现象，这为分类带来了难度。因此，可以通过将所述频段特征的分散数据集投射到黎曼流形分布平面中，再使用一种基于黎曼流形的迁移算法进行去漂移化处理，生成标准特征集，基于所述标准特征集生成第二分类结果进行第二分类。
39.其中，被赋予黎曼度量结构的对称正定矩阵空间称为黎曼流形，当两个点集差异变化时，在黎曼流形上仍能保持较好的可分性，所以基于黎曼流形学习的脑电信号解码算法性能高，准确率高。
40.步骤105，基于所述标准特征集的能量分布区域，根据所述能量分布区域的差异获取最可分特征，基于最可分特征生成第三分类结果。
41.本步骤中，尽管通过所述刺激范式已将早期阿尔茨海默症患者的认知功能障碍特性编码到脑电信号中，但患病和非患病的差异仍然隐藏在脑电信号当中，区分难度较大。但患病和非患病的所述标准特征集的能量分布区域存在差异，可以根据所以于所述标准特征集的能量分布区域提取差异化最大的最可分特征，基于所述最可分特征进行第三分类，生成第三分类结果。可以达到精准分类的目的。
42.步骤107，对所述第一分类结果、所述第二分类结果和所述第三分类结果进行硬投票处理，生成最终分类结果。
43.可以理解的，所述硬投票规则为，将所述第一分类结果、所述第二分类结果和所述第三分类结果设置为正常或者有风险两种情况，如有风险的结果为两个以上，那么最终分类结果为有风险。
44.可见，本发明实施例提出的针对阿尔兹海默症的早期智能分类方法，本发明可以通过针对早期阿尔茨海默症患者脑电信号的多频段、跨个体以及差异不显著的特点，对诱发到的脑电信号进行特征提取，提取到跨频段、去漂移的标准特征集，进行对所述特征集进行数据降维，得到差异化最大特征，并分类。所述可分特征之间的差异化特点，可以使分类的结果更为精确。本发明提出的针对阿尔兹海默症的早期智能分类方法不仅检测成本低，对被测试者的文化水平要求较低，而且模型充分考虑阿尔茨海默病脑电特点，致使检测精度较高。
45.实施例2
46.本发明实施例提出了第二种针对阿尔兹海默症的早期智能分类方法，参考图2，图2为本发明的第二种针对阿尔兹海默症的早期智能分类方法的处理流程示意图。如图2所示，针对阿尔兹海默症的早期智能分类方法包括如下步骤：
47.步骤201，输出预设的脑机接口刺激范式指引，以使被测试者做出反应动作，获取所述被测试者在做出所述反应动作时的第一脑电信号。
48.本步骤中，所述刺激范式是以阿尔茨海默病患者在空间方向和语言认知方面存在的认知障碍为基础，分别从“听、读、说、写”四个方面来进行。
49.需要说明的是，所述刺激范式将空间方向和语言理解进行融合，能够有效的将早期阿尔茨海默病患者在语言理解和空间方向认知障碍特性编码到任务态脑电信号当中，为我们接下来的解码做好铺垫。
50.具体的，所述刺激范式包括：
51.子步骤11，播放一段预设的语音，使被测试者做出反应动作，语音的内容为词语所属的类别。
52.其中，词语所属的类别可以为“左边”、“右边”等方向性的词语，在具体实施过程中，试听时间为1s。
53.还需要说明的是，在做本操作前，所述被测试者的情绪是平静的。
54.子步骤12，播放一段预设的画面，使被测试者做出反应动作，画面内容为与所述语音内容配套的指示箭头。
55.本步骤中，所述指示箭头可以与所述语音内容同属一个类别，也可以不同属于一个类别，其中，同属和不同属的概率均为50％。
56.具体实施过程中，例如，所述语音内容为左边时，当所述指示箭头与所述语音内容同属一个类别时，所述指示箭头显示为向左的箭头，否则显示为其他方向的箭头。
57.需要说明的是，在实际操作过程中，播放时间为1s。
58.子步骤13，根据所述画面内容，获取所述被测试者反应信息。
59.本步骤中，测试的时长为3s。
60.子步骤14，获取被测试者对所述语音内容和所述被测试者反应信息的判断内容，并将结果记录下来。
61.本步骤中，测试的时长为2s。
62.步骤202，将所述第一脑电信号分成多个子频段，以及对所述子频段进行滤波处理，生成第二脑电信号。
63.本步骤中，可以针对所述子频段进行带通滤波。由于脑电信号的能量变化现象出现在theta、alpha和beta频段，因此这三个频段的现象最明显。
64.可以理解的是，主要是针对theta、alpha和beta频段这三个子频段进行滤波。
65.步骤203，将所述第二脑电信号映射到黎曼流形中，生成所述第二脑电信号的度量结构，以及对所述度量结构进行降维处理，获取频段特征。
66.其中，脑电信号在黎曼流形空间的可区分程度高，因此可以将所述第一脑电信号映射到对应的黎曼流形中；生成所述第二脑电信号的度量结构。
67.采用降维算法对所述度量结构的数据进行降维处理，获得低维的黎曼子流形；可以理解的，所述度量结构的数据量很大，直接处理的话耗费大量时间和资源，因此可以对其进行降维处理，减少消耗的时间和资源。
68.将所述度量结构投射到黎曼子流形对应的切空间中，获取频段特征。
69.步骤204，基于所述特征特征进行第一分类，生成第一分类结果。
70.具体的，可以采用基于信息熵的特征选择方法，从所述频段特征中筛选最优分类特征，并将所述最优分类特征传入预设的神经网络模型中进行第一分类，生成第一分类结果。
71.步骤205，基于所述频段特征，将所述频段特征的分散数据集投射到黎曼流形中，并转移至同一分布进行去漂移处理，生成所述频段特征的协方差特征。
72.本步骤中，由于早期阿尔茨海默症脑电信号是从多个患者采集而来的，不同的患者在进行相同的实验时也会存在信号偏移的现象。因此，可以所述频段特征的分散数据集投射到黎曼流形中，进行统一处理。可以理解的是，协方差是一种脑电数据的表示方式，因此，可以从所述脑电信号提取协方差特征，用于后续步骤的分类。
73.具体的，将预设的脑电信号的协方差矩阵均值为参考样本，对所述协方差特征做去漂移处理。
74.具体的，可以通过公式(1)获取到所述协方差矩阵均值：
[0075][0076]
其中，pi为对称正定矩阵空间任意一点的所述协方差特征，r是黎曼中心点。
[0077]
具体的，可以通过公式(2)对所述协方差特征做去漂移处理：
[0078][0079]
其中，pi为对称正定矩阵空间任意一点的所述协方差特征，r是黎曼中心点，是对pi去漂移后的点。
[0080]
步骤206，对所述协方差特征进行数据降维处理，获取所述标准特征集。
[0081]
具体的，基于所述协方差特征，可以采用降维算法对所述所述协方差特征进行数据降维处理，增强跨个体迁移的效果，生成所述标准特征集。
[0082]
步骤207，基于所述标准特征集进行第二分类，生成第二分类结果。
[0083]
其中，可以将所述标准特征集投射到黎曼流形分布平面中进行第二分类，生成第
二分类结果。
[0084]
步骤208，基于所述标准特征集，提取所述标准特征集相对应的能量分布区域。
[0085]
具体的，可以采用基于黎曼度量结构的联合差异化，从所述标准特征集的数据里面提取出相对应的能量分布区域。
[0086]
需要说明的是，由于不同脑区的反应不同，所述脑电信号的能量有着空间分布规律。因此需要获取所述脑电信号在电极通道的空间分布情况。所述电极通道为脑电信号采集时的不同采集通道，例如，可以通过电极帽采集脑电信号，所述电极帽上有32个电极，即为32个采集通道。
[0087]
步骤209，基于所述能量分布区域，对所述能量分布区域进行联合对角化处理，获取最可分特征。
[0088]
具体的，可以采用共模式算法中的矩阵对角化对所述能量分布区域进行处理，使得所述脑电信号的方差值差异最大化，从而得到具有较高区分度的最可分特征。
[0089]
步骤210，基于所述最可分特征进行第三分类，生成第三分类结果。
[0090]
步骤211，对所述第一分类结果、所述第二分类结果和所述第三分类结果进行硬投票处理，生成最终分类结果。
[0091]
可以理解的，所述硬投票规则为，将所述第一分类结果、所述第二分类结果和所述第三分类结果设置为正常或者有风险两种情况，如有风险的结果为两个以上，那么最终分类结果为有风险。
[0092]
可见，本发明实施例提出的针对阿尔兹海默症的早期智能分类方法，可以通过针对早期阿尔茨海默症患者脑电信号的多频段、跨个体以及差异不显著的特点，对提取到的脑电信号进行特征提取，提取到最可分的所述第一特征，进行对所所述第一特征进行数据降维处理并分类。所述第一特征之间的差异化特点，可以使分类的结果更为精确。本发明提出的针对阿尔兹海默症的早期智能分类方法不仅检测成本低，对被测试者的文化水平要求较低，而且检测精度较高；可以通过针对任务态脑电信号特性的黎曼流形机器学习算法，对被测试者的脑电信号进行处理，具有一定的先进性，能够高效辨别早期阿尔茨海默症的脑电特征信号，黎曼流形机器学习算法具体可以包括基于多频段滤波的黎曼流形学习算法，基于跨个体迁移的黎曼流形学习算法和基于差异最大化的黎曼流形学习算法。
[0093]
实施例3
[0094]
本发明实施例提出了一种针对阿尔兹海默症的早期智能分类方法的测评结果。
[0095]
需要说明的是，本发明设计的基于黎曼流形学习的脑电信号解码算法经过多次实验验证，算法性能高，准确率高达85％以上。
[0096]
具体的，如表1所示，表1为不同方法的kappa系数预测准确度比较，表2为不同方法预测的准确性比较，表3实验数据集：10倍交叉验证的分类准确性比较：
[0097]
表1
[0098][0099]
表2
[0100][0101]
表3
[0102][0103]
可见，本发明实施例提出的针对阿尔兹海默症的早期智能分类方法，可以通过针对早期阿尔茨海默症患者脑电信号的多频段、跨个体以及差异不显著的特点，对诱发到的脑电信号进行特征提取，提取到跨频段、去漂移的标准特征集，进行对所述特征集进行数据降维，得到差异化最大特征，并分类。所述可分特征之间的差异化特点，可以使分类的结果更为精确。本发明提出的针对阿尔兹海默症的早期智能分类方法不仅检测成本低，对被测试者的文化水平要求较低，而且模型充分考虑阿尔茨海默病脑电特点，致使检测精度较高。
[0104]
实施例4
[0105]
本发明实施例提出了一种针对阿尔兹海默症的早期智能分类装置，参考图3，图3为本发明的针对阿尔兹海默症的早期智能分类装置的处理流程示意图。如图3所示，针对阿尔兹海默症的早期智能分类装置包括：
[0106]
提取模块41，用于基于预设的第一脑电信号，对所述脑电信号的不同频段进行滤波，生成脑电信号的度量结构，基于所述度量结构获取频段特征，基于所述频段特征生成第一分类结果；
[0107]
去漂移化模块42，用于基于所述频段特征，将所述频段特征的分散数据集转移到同一分布进行去漂移化处理，生成标准特征集，基于所述标准特征集生成第二分类结果；
[0108]
最可分模块43，用于基于所述标准特征集的能量分布区域，根据所述能量分布区域的差异获取最可分特征，基于最可分特征生成第三分类结果；
[0109]
输出模块44，对所述第一分类结果、所述第二分类结果和所述第三分类结果进行
硬投票处理，生成最终分类结果。
[0110]
可选的，如图4所示，图4为提取模块的处理流程示意图；所述提取模块41包括：
[0111]
第一提取子模块411，用于将预设的脑电信号分成多个子频段，以及对所述子频段进行滤波处理，生成第二脑电信号；
[0112]
第二提取子模块412，用于将所述第二脑电信号映射到黎曼流形中，生成所述第二脑电信号的度量结构；
[0113]
第三提取子模块413，用于对所述度量结构进行降维处理，获取频段特征；
[0114]
第四提取子模块414，用于基于所述频段特征进行第一分类，生成第一分类结果。
[0115]
可选的，如图5所示，图5为去漂移化模块的处理流程示意图；所述去漂移化模块42包括：
[0116]
第一漂移化子模块421，用于基于所述频段特征，将所述频段特征的分散数据集投射到黎曼流形中，并转移至同一分布进行去漂移处理，生成所述频段特征的协方差特征；
[0117]
第二漂移化子模块422，用于对所述协方差特征进行数据降维处理，获取所述标准特征集；
[0118]
第三漂移化子模块423，用于基于所述标准特征集进行第二分类，生成第二分类结果。
[0119]
可选的，如图6所示，图6为最可分模块的处理流程示意图；所述最可分模块43包括：
[0120]
第一最可分子模块431，用于基于所述标准特征集，提取所述标准特征集相对应的能量分布区域；
[0121]
第二最可分子模块432，用于基于所述能量分布区域，对所述能量分布区域进行联合对角化处理，获取最可分特征；
[0122]
第三最可分子模块433，用于基于所述最可分特征进行第三分类，生成第三分类结果。
[0123]
可选的，如图7所示，图7为第三提取子模块的处理流程示意图；所述第三提取子模块413包括：
[0124]
第四提取子模块51，用于对所述度量结构的数据进行降维处理，获得低维的黎曼子流形；
[0125]
第五提取子模块52，用于将所述度量结构投射到黎曼子流形对应的切空间中，获取频段特征。
[0126]
可见，本发明实施例提出的针对阿尔兹海默症的早期智能分类装置，可以通过针对早期阿尔茨海默症患者脑电信号的多频段、跨个体以及差异不显著的特点，对诱发到的脑电信号进行特征提取，提取到跨频段、去漂移的标准特征集，进行对所述特征集进行数据降维，得到差异化最大特征，并分类。所述可分特征之间的差异化特点，可以使分类的结果更为精确。本发明提出的针对阿尔兹海默症的早期智能分类方法不仅检测成本低，对被测试者的文化水平要求较低，而且模型充分考虑阿尔茨海默病脑电特点，致使检测精度较高。
[0127]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0128]
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分
布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0129]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。