基于微状态与深度学习的意识水平评定方法及系统

本发明属于脑电信号分析，具体涉及一种基于微状态与深度学习的意识水平评定方法及系统。

背景技术：

1、随着信号处理技术的发展与脑机接口设备的普及，基于脑电信号的意识障碍诊断技术成为了研究的热点之一。目前，主要的基于脑电信号的意识障碍诊断技术包括特征提取、微状态分析和深度学习三种方法。

2、基于脑电微状态分析的意识障碍诊断技术可通过分析患者脑电信号中的微状态时间特征差异，来判断患者所处的意识障碍水平。与基于信号处理特征提取的方法相比，微状态分析方法具有更高的准确率；与基于深度学习的方法相比，微状态分析具有以下优势：①可以直观地解释意识障碍水平识别的过程和结果。基于微状态分析的方法是一种人类可读的方法，可以直观地解释意识障碍水平识别的过程和结果；相比之下，基于深度学习的方法通常是黑盒子，难以解释。②可以适用于小数据集和低计算能力的设备。基于深度学习的方法通常需要大量的数据和强大的计算能力，而基于微状态分析的方法可以适用于低计算能力的设备，这使得基于微状态分析的方法更加实用和可行。因此，基于微状态分析的意识障碍水平识别方法具有简单、直观、实用、可解释等优点，适用于低计算能力的设备。

3、但需要关注的是，传统方法依赖于人工设计的固定算法来提取固定的特征，无法根据患者的脑电信号自动提取显著性差异，例如公开号为cn114376524a的中国专利申请中提出的基于语音统计学习的意识评估方法，虽然可以提取出有效的特征，但难以根据数据集的变化进一步优化诊断结果。而基于深度学习的方法虽然可以根据数据集自动提取出显著的特征，但受限于数据集的数量，难以确定特征的通用性，例如公开号为cn113598791a的中国专利申请，虽然通过神经网络训练对意识障碍患者进行分类，但无法确定神经网络提取出的特征是可解释的。

4、因此，现有相关意识障碍水平诊断技术尚未满足人们在意识障碍水平诊断的准确性、全面性等方面的需求。

技术实现思路

1、鉴于上述，本发明提供了一种基于微状态与深度学习的意识水平评定方法及系统，通过数据处理、特征提取与计算、意识状态分析及意识障碍水平结果与建议输出，实现一体化意识障碍水平诊断平台。

2、一种基于微状态与深度学习的意识水平评定方法，包括如下步骤：

3、(1)采集患者的多通道脑电信号并对其进行预处理；

4、(2)对预处理后的脑电信号进行微状态分析，生成脑电信号的微状态序列；

5、(3)利用微状态序列对脑电信号进行分割，并基于功率谱密度将脑电信号转化为二维图像序列；

6、(4)利用基于深度学习的网络模型对二维图像序列进行特征提取及分析判断，从而预测输出患者的意识水平。

7、进一步地，所述步骤(2)的具体实现方式如下：

8、2.1计算脑电信号各采样点不同通道间数据的标准差，提取标准差极大值所在的采样点；

9、2.2对提取出的采样点数据进行聚类分析计算，筛选出其中最具代表性的n类地形图作为微状态模板并进行编号，n为特定的数目；

10、2.3对于脑电信号的任一采样点，计算其与各个微状态模板之间的相关性，选择相关性最高的微状态模板并将其编号对采样点进行标记，从而得到一个与脑电信号同步且记录采样点标记的微状态序列。

11、进一步地，所述步骤(3)的具体实现方式如下：

12、3.1利用微状态序列将脑电信号划分成多个数据组，每个数据组包含连续且标记相同的多个采样点；

13、3.2对于任一数据组，计算组内各个通道数据的功率谱密度；

14、3.3将患者头皮表面视为一张二维图像，使组内各个通道数据的功率谱密度的非振荡成分赋值给二维图像中对应脑电电极所在的像素点，并采用插值算法对其他像素点数值进行填充，使得数据组映射至该二维图像中；

15、3.4根据步骤3.2～3.3遍历所有数据组，从而将脑电信号转化为一组二维图像序列。

16、一种基于微状态与深度学习的意识水平评定系统，包括：

17、脑电信号采集单元，通过脑电电极采集患者的多通道脑电信号；

18、预处理单元，用于对所述脑电信号进行预处理；

19、微状态分析单元，用于对预处理后的脑电信号进行微状态分析，生成脑电信号的微状态序列；

20、数据转化单元，利用微状态序列对脑电信号进行分割，并基于功率谱密度将脑电信号转化为二维图像序列；

21、意识水平评定单元，利用基于深度学习的网络模型对二维图像序列进行特征提取及分析判断，从而预测输出患者的意识水平。

22、进一步地，所述预处理模块由信号读取模块和信号预处理模块两部分来实现，其中信号读取模块用于读取不同格式的多通道脑电信号，预处理模块用于对读取到的脑电信号进行包括重采样、滤波、去除眼电伪迹在内的预处理操作。

23、进一步地，所述微状态分析单元包括：

24、数据选择模块，用于计算脑电信号各采样点不同通道间数据的标准差，提取标准差极大值所在的采样点；

25、聚类分析模块，用于对提取出的采样点数据进行聚类分析计算，筛选出其中最具代表性的n类地形图作为微状态模板并进行编号，n为特定的数目；

26、反向拟合模块，用于计算脑电信号采样点与各个微状态模板之间的相关性，选择相关性最高的微状态模板并将其编号对采样点进行标记，从而得到一个与脑电信号同步且记录采样点标记的微状态序列。

27、进一步地，所述数据转化单元包括：

28、数据分割模块，利用微状态序列将脑电信号划分成多个数据组，每个数据组包含连续且标记相同的多个采样点；

29、特征计算模块，用于计算数据组内各个通道数据的功率谱密度，并分离出其中的振荡成分和非振荡成分；

30、转化模块，将患者头皮表面视为一张二维图像，用于使数据组内各个通道数据的功率谱密度的非振荡成分赋值给二维图像中对应脑电电极所在的像素点，并采用插值算法对其他像素点数值进行填充，使得数据组映射至该二维图像中，依此遍历所有数据组，从而将脑电信号转化为一组二维图像序列。

31、进一步地，所述意识水平评定单元包括：

32、深度学习模块，使用现有脑电数据进行训练学习，通过数据特征解析用以预测患者的意识水平；

33、意识水平评定模块，利用深度学习模块对患者的二维图像序列进行分析判断，从而预测输出患者的意识水平。

34、本发明通过接收用户的脑电信号，对信号进行信号预处理，获取微状态模板及序列，使用微状态序列分割原始数据，计算各通道的特征值，并通过空间映射将脑电数据转化为二维图像组，提取二维图像组中的特征，计算、判断并输出患者的意识水平(包括健康、最小意识状态、无意识反应综合征)。相较于基于微状态分析特征的传统分类方法，本发明理论上具备更高的分类精度上限；相较于使用深度学习的其他方法，本发明结论上具备更高的可解释度。

技术特征：

1.一种基于微状态与深度学习的意识水平评定方法，包括如下步骤：

2.根据权利要求1所述的意识水平评定方法，其特征在于：所述步骤(2)的具体实现方式如下：

3.根据权利要求1所述的意识水平评定方法，其特征在于：所述步骤(3)的具体实现方式如下：

4.一种基于微状态与深度学习的意识水平评定系统，其特征在于，包括：

5.根据权利要求4所述的意识水平评定系统，其特征在于：所述预处理模块由信号读取模块和信号预处理模块两部分来实现，其中信号读取模块用于读取不同格式的多通道脑电信号，预处理模块用于对读取到的脑电信号进行包括重采样、滤波、去除眼电伪迹在内的预处理操作。

6.根据权利要求4所述的意识水平评定系统，其特征在于：所述微状态分析单元包括：

7.根据权利要求4所述的意识水平评定系统，其特征在于：所述数据转化单元包括：

8.根据权利要求4所述的意识水平评定系统，其特征在于：所述意识水平评定单元包括：

技术总结
本发明提供了一种基于微状态与深度学习的意识水平评定方法及系统，其通过接收用户的脑电信号，对信号进行信号预处理，获取微状态模板及序列，使用微状态序列分割原始数据，计算各通道的特征值，并通过空间映射将脑电数据转化为二维图像组，提取二维图像组中的特征，计算、判断并输出患者的意识水平(包括健康、最小意识状态、无意识反应综合征)，实现一体化意识障碍水平诊断平台。相较于基于微状态分析特征的传统分类方法，本发明理论上具备更高的分类精度上限；相较于使用深度学习的其他方法，本发明结论上具备更高的可解释度。

技术研发人员：刘家序,郑婧,丁鼐
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/3/24