一种基于静息态脑电数据的年龄段分类方法技术

本发明专利技术涉及一种基于静息态脑电数据的年龄段分类方法，包括以下步骤：S1、采集各年龄段对应的原始静息态脑电数据；S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；S3、构建卷积神经网络，并将去除伪迹的静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；S4、由训练好的卷积神经网络对实际静息态脑电数据进行年龄段分类。与现有技术相比，本发明专利技术将静息态脑电数据按脑区划分并进行去伪迹处理，通过卷积神经网络分别提取不同脑区上的特征，以根据不同脑区的特征进行年龄段分类，不仅降低了脑电数据预处理的复杂性，也解决了针对脑电数据无法选择合适模型的问题。

A method of age classification based on resting EEG data

The invention relates to a method for classifying the age groups based on the resting EEG data, which comprises the following steps: S1. Collecting the original resting EEG data corresponding to each age group; S2. Preprocessing the original resting EEG data to obtain the resting EEG data for removing artifacts; S3. Constructing a convolution neural network and inputting the resting EEG data for removing artifacts to convolution God After the training and testing of convolution neural network, the trained convolution neural network is obtained; S4. The actual resting EEG data are classified into age groups by the trained convolution neural network. Compared with the prior art, the invention divides the resting EEG data into brain regions and carries out the anti-counterfeiting processing, extracts the features on different brain regions through convolution neural network, and classifies the age segments according to the features of different brain regions, which not only reduces the complexity of the EEG data preprocessing, but also solves the problem that the EEG data cannot be selected the appropriate model.

【技术实现步骤摘要】
一种基于静息态脑电数据的年龄段分类方法
本专利技术涉及深度学习神经网络和脑科学
，尤其是涉及一种基于静息态脑电数据的年龄段分类方法。
技术介绍
在脑科学中，已经有大量研究表明不同年龄阶段的大脑是存在差异的，2017年发表的Nature期刊上，有文章对286名受试者的大脑进行了研究，这些受试者的年龄分布在20～65岁之间，这些受试者按照年龄被划分为三组(年轻组、中年组和老年组)，将每组受试者的不同脑区激活状态进行可视化，结果表明，处于不同年龄阶段的大脑在视觉网络、运动感知网络以及显著性网络方面均存在差异，随着年龄的增长，这些网络中的功能连接呈现出逐渐下降的趋势，具体表现为：随着年龄的增长，大脑组成成分中神经细胞的大小、数量以及神经胶质上都会产生差异，并且随着脑容量、血流量的变化，大脑的认知能力也会随之下降。由于不同脑区的激活程度能够体现在静息态脑电数据中，因此静息态脑电数据能够作为年龄段分类的一个可靠依据，但脑电数据通常没有规范的采集步骤，且具有表现抽象、难于预处理的特点，所以在利用机器学习方法对脑电数据进行分析时，无法找到一个合适的模型：首先，脑电数据的采集过程中会伴随很多噪声，在预处理过程中很难对其进行过滤；其次，在选择机器学习分类器的时候，比如SVM或者决策树，不同的数据预处理对模型的结果会产生不同的影响。通过大脑数据进行年龄段分类，目前主要借助fMRI技术对大脑组成成分进行研究，并通过观察受试者在某些任务下的表现以进行大脑认知能力的研究，但是这两种方法均无法使用静息态脑电数据进行分析研究，即无法通过静息态脑电数据进行年龄段的分类。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于静息态脑电数据的年龄段分类方法。本专利技术的目的可以通过以下技术方案来实现：一种基于静息态脑电数据的年龄段分类方法，包括以下步骤：S1、根据实际年龄段分类情况，采集各年龄段对应的原始静息态脑电数据；S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；S3、构建卷积神经网络，并将去除伪迹的静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；S4、由训练好的卷积神经网络对实际静息态脑电数据进行年龄段分类。优选地，所述步骤S2具体包括以下步骤：S21、将原始静息态脑电数据进行脑区划分，得到包括F、C、P、O和T共五个脑区，其中，F脑区的脑电数据对应于视觉网络，C脑区的脑电数据对应于运动感知网络，P脑区的脑电数据对应于显著性网络，O脑区的脑电数据具有抗噪能力；S22、将F、C、P和O这四个脑区中脑电数据的数据量统一化；S23、去除F、C、P和O这四个脑区中脑电数据的眼电信号，得到去除伪迹的静息态脑电数据。优选地，所述步骤S23具体是采用独立成分分析法，对F、C、P和O这四个脑区的脑电数据进行分解，删除分解之后脑电数据中眼电信号对应的分量，以去除脑电数据的眼电信号，得到去除伪迹的静息态脑电数据。优选地，所述步骤S3具体包括以下步骤：S31、构建卷积神经网络，所述卷积神经网络包括依次连接的卷积层、平均池化层和softmax分类器；S32、将去除伪迹的静息态脑电数据分为训练集和测试集；S33、将训练集输入卷积神经网络，以预设的训练轮数进行训练；S34、每完成一次预设的训练轮数，则将测试集输入卷积神经网络，记录一次卷积神经网络输出分类结果的准确率；S35、重复步骤S34，并判断卷积神经网络输出分类结果的准确率是否收敛，若收敛，则该卷积神经网络已经训练好，否则返回步骤S33。优选地，所述步骤S31中卷积层用于对静息态脑电数据进行特征提取，所述卷积层由多个子卷积层组成。优选地，所述步骤S31中平均池化层用于对静息态脑电数据的特征进行降维处理，并将降维后的静息态脑电数据特征输入softmax分类器进行年龄段分类，以输出分类结果。优选地，所述步骤S34和步骤S35中卷积神经网络输出分类结果的准确率是通过比较卷积神经网络输出分类结果与测试集的真实年龄段类别得到的。优选地，所述步骤S35中判断卷积神经网络输出分类结果的准确率是否收敛的具体过程为：记录N次准确率数值，并依次比较第i个准确率数值与第i-1个准确率数值的变化率，得到N-1个变化率，判断这N-1个变化率是否均小于或等于预设的收敛阈值，若判断为是，则卷积神经网络输出分类结果的准确率已经收敛，否则判断不收敛，其中，N≥5，i∈N。与现有技术相比，本专利技术将静息态脑电数据按脑区进行划分，并提取分别对应于视觉网络、运动感知网络和显著性网络的脑电数据，通过卷积神经网络提取不同脑区中脑电数据的抽象特征，实现了利用静息态脑电数据进行年龄段分类的目的；本专利技术通过保留具有抗噪能力的O脑区脑电数据，能够保证静息态脑电数据的完整性，同时对不同脑区的脑电数据进行去伪迹处理，有效减少了静息态脑电数据中的噪声，克服了静息态脑电数据预处理的复杂性；本专利技术利用卷积神经网络自身的拟合性、采用反向传播算法自动学习适合于脑电数据的参数，能够对表现抽象的静息态脑电数据进行建模分析，解决了静息态脑电数据无法获得合适模型的问题。附图说明图1为本专利技术的方法流程示意图；图2为实施例中按脑区划分的静息态脑电数据示意图；图3为实施例中卷积神经网络输出分类结果的准确率示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。如图1所示，一种基于静息态脑电数据的年龄段分类方法，包括以下步骤：S1、根据实际年龄段分类情况，采集各年龄段对应的原始静息态脑电数据；S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；S3、构建卷积神经网络，并将去除伪迹的静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；S4、由训练好的卷积神经网络对实际静息态脑电数据进行年龄段分类。本实施例是从56名包含不同年龄段的受试者采集其静息态脑电数据，这56名受试者的年龄段分类以及数据集划分(分为训练集和测试集)情况如表1所示：表1年龄段总人数训练集人数测试集人数18～302012831～451710746～6019127本实施例中，步骤S2的具体过程为：在进行年龄段分类时，将静息态脑电数据按脑区进行划分，得到了如图2所示的F、C、P、O和T这五个脑区所对应的32个导联的脑电数据，其中，F脑区是额区、C脑区是中央区、P脑区是顶区、O脑区是枕区、T脑区是颞区，F、C、P这三个脑区分别对应于视觉网络、运动感知网络和显著性网络，O脑区的脑电本文档来自技高网...

【技术保护点】
1.一种基于静息态脑电数据的年龄段分类方法，其特征在于，包括以下步骤：/nS1、根据实际年龄段分类情况，采集各年龄段对应的原始静息态脑电数据；/nS2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；/nS3、构建卷积神经网络，并将去除伪迹的静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；/nS4、由训练好的卷积神经网络对实际静息态脑电数据进行年龄段分类。/n

【技术特征摘要】
1.一种基于静息态脑电数据的年龄段分类方法，其特征在于，包括以下步骤：
S1、根据实际年龄段分类情况，采集各年龄段对应的原始静息态脑电数据；
S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；
S3、构建卷积神经网络，并将去除伪迹的静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；
S4、由训练好的卷积神经网络对实际静息态脑电数据进行年龄段分类。


2.根据权利要求1所述的一种基于静息态脑电数据的年龄段分类方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、将原始静息态脑电数据进行脑区划分，得到包括F、C、P、O和T共五个脑区，其中，F脑区的脑电数据对应于视觉网络，C脑区的脑电数据对应于运动感知网络，P脑区的脑电数据对应于显著性网络，O脑区的脑电数据具有抗噪能力；
S22、将F、C、P和O这四个脑区中脑电数据的数据量统一化；
S23、去除F、C、P和O这四个脑区中脑电数据的眼电信号，得到去除伪迹的静息态脑电数据。


3.根据权利要求2所述的一种基于静息态脑电数据的年龄段分类方法，其特征在于，所述步骤S23具体是采用独立成分分析法，对F、C、P和O这四个脑区的脑电数据进行分解，删除分解之后脑电数据中眼电信号对应的分量，以去除脑电数据的眼电信号，得到去除伪迹的静息态脑电数据。


4.根据权利要求1所述的一种基于静息态脑电数据的年龄段分类方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、构建卷积神经网络，所述卷积神经网络包括依次连接的卷积层、平均池化层和softmax分...

【专利技术属性】
技术研发人员：何良华，任强，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31