用于检测阿兹海默症罹患风险的方法、装置及终端设备制造方法及图纸

本发明专利技术适用于计算机技术领域，提供了一种用于检测阿兹海默症罹患风险的方法、装置及终端设备，所述方法包括：获取被试者的N个通道对应的脑电数据；根据各个通道对应的脑电数据计算全局能量谱，并根据全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；根据全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；将全局特征及脑电数据输入深度卷积神经网络模型，得到被试者的阿兹海默症风险评估结果。本申请综合考虑脑电数据的电压幅值变化信息和全局特征的空间拓扑信息，能够使深度卷积神经网络模型的输出结果更加准确，既能提高阿兹海默症的风险评估效率，又能提高阿兹海默症风险评估结果的准确性。

【技术实现步骤摘要】
用于检测阿兹海默症罹患风险的方法、装置及终端设备
本专利技术属于计算机
，尤其涉及一种用于检测阿兹海默症罹患风险的方法、装置及终端设备。
技术介绍
阿兹海默症(AD)是一种常见中枢神经系统变性病，起病缓慢而且隐匿，病人及病人家属说不清何时起病。其临床表现为认知能力下降，记忆力减退，注意力难以集中，严重影响其日常生活，并伴随着脑部萎缩现象。目前，医学上通常采用脑电图作为阿兹海默症的诊断依据，脑电图具有高时间分辨率且相对廉价，医生对于获取的脑电图，多凭借经验给出风险评估结果，该方法需要医生大量的临床累积，处理效率慢且准确性低下。
技术实现思路
有鉴于此，本专利技术实施例提供了一种用于检测阿兹海默症罹患风险的方法、装置及终端设备，以解决现有技术中阿兹海默症罹患风险评估效率低下及准确性差的问题。本专利技术实施例的第一方面提供了一种用于检测阿兹海默症罹患风险的方法，包括：获取被试者的N个通道对应的脑电数据，所述N≥1；根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。本专利技术实施例的第二方面提供了一种用于检测阿兹海默症罹患风险的装置，包括：脑电数据获取模块，用于获取被试者的N个通道对应的脑电数据，所述N≥1；微状态特征获取模块，用于根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；全局特征获取模块，用于根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；风险评估结果确定模块，用于将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。本专利技术实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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时实现如上所述用于检测阿兹海默症罹患风险的方法的步骤。本专利技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述用于检测阿兹海默症罹患风险的方法的步骤。本专利技术实施例与现有技术相比存在的有益效果是：本实施例首先获取被试者的N个通道对应的脑电数据，所述N≥1；然后根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；最后将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。本实施例综合考虑脑电数据的电压幅值变化信息和全局特征的空间拓扑信息，能够使深度卷积神经网络模型的输出结果更加准确，既能提高阿兹海默症的风险评估效率，又能提高阿兹海默症风险评估结果的准确性。附图说明为了更清楚地说明本专利技术实施例中的技术方案，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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种用于检测阿兹海默症罹患风险的方法的流程示意图；图2是本专利技术实施例提供的图1中S101的实现流程示意图；图3是本专利技术实施例提供的图1中S102的实现流程示意图；图4是本专利技术实施例提供的一种用于检测阿兹海默症罹患风险的装置的结构示意图；图5是本专利技术实施例提供的四种微状态特征的示意图；图6是本专利技术实施例提供的终端设备的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。在一个实施例中，如图1所示，图1示出了本专利技术实施例提供的一种用于检测阿兹海默症罹患风险的方法的流程，其过程详述如下：S101：获取被试者的N个通道对应的脑电数据，所述N≥1；S102：根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；S103：根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；S104：将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。本实施例的执行主体为终端设备。在本实施例中，N为大于等于1的整数，具体地，N可以为16，采用16导的电极帽对被试者的脑电原始数据进行采集。该电极帽包括电极Fp1，Fp2，F3，F4，C3，C4，P3，P4，O1，O2，F7，F8，T3，T4，T5和T6，各个电极的安放位置根据10-20国际脑电记录系统扩展而来，每个电极的阻抗值均小于5KΩ，采样率为1000HZ。在本实施例中，终端设备对采集的脑电原始数据进行预处理，然后采用预处理后的脑电数据进行后续步骤的操作。在本实施例中，脑电的微状态特征采用脑电压值的分布规律来表征大脑在静息状态下的状态，它可以较好的保留脑电信号的时域和空域信息，具有较好的时间分辨率和空间分辨率。微状态特征可以在一段时间内保持稳定，具有全局连续信息。且微状态特征包含了很多与疾病相关的信息，可用于了解和评估健康和患病人群在毫秒时间尺度上的脑网络动力学。从上述实施例可知，本实施例首先获取被试者的N个通道对应的脑电数据，所述N≥1；然后根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；最后将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。本实施例综合考虑脑电数据的电压幅值变化信息和全局特征的空间拓扑信息，能够使深度卷积神经网络模型的输出结果更加准确，既能提高阿兹海默症的风险评估效率，又能提高阿兹海默症风险评估结果的准确性。在一个实施例中，如图2所示，图2示出了图1中S101的具体实现流程，其过程详述如下：S201：获取所述被试者在静息状态下第一通道的脑电原始数据；所述第一通道为任一通道。在本实施例中，首先在弱光封闭且安静的空间内，采集被试者在闭眼本文档来自技高网...

【技术保护点】
1.一种用于检测阿兹海默症罹患风险的方法，其特征在于，包括：/n获取被试者的N个通道对应的脑电数据，所述N≥1；/n根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；/n根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；/n将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。/n

【技术特征摘要】
1.一种用于检测阿兹海默症罹患风险的方法，其特征在于，包括：
获取被试者的N个通道对应的脑电数据，所述N≥1；
根据各个通道对应的脑电数据计算全局能量谱，并根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征；
根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征；
将所述全局特征及所述脑电数据输入深度卷积神经网络模型，得到所述被试者的阿兹海默症风险评估结果。


2.如权利要求1所述的用于检测阿兹海默症罹患风险的方法，其特征在于，所述获取被试者的N个通道对应的脑电数据，包括：
获取所述被试者在静息状态下第一通道的脑电原始数据；所述第一通道为任一通道；
对所述第一通道的脑电原始数据进行带通滤波、降采样、坏道修复和重参考处理，得到所述第一通道对应的第一数据；
对所述第一通道对应的第一数据进行数据分段，并对经数据分段后的第一数据进行伪迹去除操作，得到所述第一通道对应的第二数据；
选取任一数据分段的第二数据作为所述被试者的所述第一通道对应的脑电数据。


3.如权利要求1所述的用于检测阿兹海默症罹患风险的方法，其特征在于，所述脑电数据包括脑电压值；所述根据各个通道对应的脑电数据计算全局能量谱，包括：
计算



得到所述全局能量谱；
其中，GFP(t)表示t时间点的全局场功率，K表示通道总个数，i表示第i个通道，vi(t)表示第i个通道在t时间点的脑电压值；vmean(t)表示t时间点各通道的平均脑电压值。


4.如权利要求1所述的用于检测阿兹海默症罹患风险的方法，其特征在于，所述根据所述全局能量谱和各个通道的脑电数据确定预设类别的微状态特征，包括：
提取所述全局能量谱的峰值位置对应的时间作为峰值时间；
从各个通道对应的脑电数据中提取所述峰值时间对应的脑电数据作为各个通道对应的目标脑电数据；
对所有目标脑电数据进行聚类分析，得到预设类别的微状态特征。


5.如权利要求1所述的用于检测阿兹海默症罹患风险的方法，其特征在于，所述预设类别为四类，所述根据所述全局能量谱中各个时间点对应的全局场功率标记各个时间点对应的微状态特征，得到全局特征，包括：
根据所述全局能量谱中各个时间点的全...

【专利技术属性】
技术研发人员：史玉盼，冯春雨，黎彤亮，李晓云，王怀瑞，黄世中，
申请(专利权)人：河北省科学院应用数学研究所，
类型：发明
国别省市：河北;13