【技术实现步骤摘要】
一种基于自编码的疼痛数据评估方法及相关组件
本专利技术涉及机器学习预测
，特别涉及一种基于自编码的疼痛数据评估方法及相关组件。
技术介绍
疼痛是一种主观感觉，自我报告是评估疼痛的金标准。临床上，患者通常依靠疼痛量表(例如，“0”表示没有疼痛，“10”表示难以忍受的疼痛)与医生沟通他们的疼痛程度。但是，自我报告是主观的，可能会导致一些严重的临床问题。例如，某些患者(如痴呆症患者，婴儿和重度昏迷患者)无法报告其疼痛，而另一些患者则可能故意提供虚假的疼痛评分。因此，有必要开发新的客观可靠的疼痛评估工具来准确预测疼痛。脑电图(EEG)和功能磁共振成像(fMRI)等各种功能性脑成像技术已被广泛用于研究疼痛的神经机制并开发客观的疼痛评估工具。鉴于脑电图的高时间分辨率和低成本，开发基于脑电图的疼痛预测模型更为普遍。通常，这种疼痛预测模型基于疼痛刺激引起的脑电势。例如，在激光诱发的疼痛实验中，可以从激光诱发电位(LEP)中提取一组与疼痛相关的特征，例如N2(180至300ms)，P2(250至500ms)和伽玛带事件相关的同步...
【技术保护点】
1.一种基于自编码的疼痛数据评估方法，其特征在于，包括：/n将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量；然后使用全连接层将数据特征维度降低到预设的维度，得到编码信号；再使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建；/n通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛；/n基于编码信号，使用机器学习模型进行疼痛等级训练，构建得到疼痛等级预测模型，再使用所述疼痛等级预测模型进行预测。/n
【技术特征摘要】
1.一种基于自编码的疼痛数据评估方法，其特征在于，包括：
将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量；然后使用全连接层将数据特征维度降低到预设的维度，得到编码信号；再使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建；
通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛；
基于编码信号，使用机器学习模型进行疼痛等级训练，构建得到疼痛等级预测模型，再使用所述疼痛等级预测模型进行预测。
2.根据权利要求1所述的基于自编码的疼痛数据评估方法，其特征在于，所述将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量，包括：
使用卷积核大小为1×125的第一卷积层对所述输入信号进行卷积操作；
使用卷积核大小为62×1的第二卷积层对所述第一卷积层输出的信号进行卷积操作；
使用深度可分离卷积层对所述第二卷积层输出的信号进行卷积操作，其中，所述深度可分离卷积层中包括两个依次设置的大小为1×15和大小为16×1的卷积核。
3.根据权利要求1所述的基于自编码的疼痛数据评估方法，其特征在于，所述使用全连接层将数据特征维度降低到预设的维度，得到编码信号，包括：
将深度可分离卷积层的所有节点均连接至第一全连接层中的每一个节点，将所述深度可分离卷积层输出的信号进行综合，得到编码信号。
4.根据权利要求3所述的基于自编码的疼痛数据评估方法，其特征在于，所述使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建，包括：
使用第二全连接层对编码信号进行处理；
使用深度可分离解卷积层对所述第二全连接层输出的信号进行解卷积操作，其中，所述深度可分离解卷积层中包括两个依次设置的大小为16×1和大小为1×15的卷积核；
使用卷积核大小为62×1...
【专利技术属性】
技术研发人员：王家豪，张治国，黄淦，李方超，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。