多模态大脑信号分类方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及一种多模态大脑信号分类方法、装置、电子设备及存储介质。本发明专利技术所述的一种大脑信号分类方法包括：获取待分类的大脑信号数据；对所述待分类的大脑信号数据进行预处理，得到其中的EEG数据和fNIRS数据；分别对所述EEG数据和所述fNIRS数据进行特征提取，得到所述待分类的脑电信号数据的EEG特征和fNIRS特征；将所述EEG特征和fNIRS特征进行融合处理，得到高维的特征向量；将所述高维的特征向量进行特征选择处理，得到最终特征向量；将所述最终特征向量输入训练好的支持向量机分类器，得到所述大脑信号对应的分类结果。本发明专利技术所述的一种多模态大脑信号分类方法，结合EEG特征和fNIRS特征，提高了单一模态的大脑信号意识状态分类的敏感性和准确性。意识状态分类的敏感性和准确性。意识状态分类的敏感性和准确性。

【技术实现步骤摘要】
多模态大脑信号分类方法、装置、电子设备及存储介质


[0001]本专利技术涉及大脑信号分类
，特别是涉及一种多模态大脑信号分类方法、装置、电子设备及存储介质。

技术介绍

[0002]意识是一个内涵丰富的概念，它是指个体对外界环境、自身状况以及它们相互联系的确认。一般来说，意识活动可以分成两个主要部分：觉醒和觉知。
[0003]意识障碍(disorders of consciousness，DOC)，是指人们对客观环境和主观自身状态认识能力的障碍。这些患者主要表现为对周围环境以及自我的微弱且不稳定的微意识状态(Minimally Conscious State，MCS)或者无意识的植物状态/无反应觉醒综合征(Vegetative State/Unresponsive Wakefulness Syndrome，VS/UWS)。长期以来，临床对DOC患者的诊断和治疗都十分困难，其根本原因有两个：一是DOC的致伤机制及病情复杂多样；二是缺乏客观有效的手段检测患者的意识。多数患者在意识恢复期间需要长期的护理，其相关费用也是巨大的，这不仅给患者的家庭带来了极大的精神痛苦和经济压力，也给社会带来了沉重的经济负担。因此DOC患者意识状态的准确检测和评估是非常具有社会意义和临床价值的。
[0004]目前，临床上对患者意识障碍程度的评定主要依靠神经行为学评估量表(例如，Glasgow格拉斯哥量表、JFK昏迷恢复量表、CRS
‑
R量表等)以及临床经验，通过检查眼睛、言语和运动三方面刺激所引起的反应来进行综合评价。这类依靠神经行为学量表的方法虽简单易行，对急性脑损伤后昏迷简捷有效，但该方法主要还是依靠医生的临床经验水平，具有一定的主观性，因此对患者病情变化判断的敏感度不高，不能确切地反映患者的真实意识水平。此外，严重意识障碍患者通常都存在运动以及言语等方面的损伤，通过传统的行为量表评估可能会造成高达37％～43％误诊率。因此，采用更加客观和科学的方法来检测患者的意识状态是十分必要的。目前评估DOC患者意识状态的标准仍然是以行为评估作为最主要的评估手段，其次用神经影像学和电生理学作为辅助的检测评估手段也是非常必要的。
[0005]随着科学技术迅速发展，依据中枢神经系统信号，借助无创的脑功能成像技术分类意识状态的应用越来越多。虽然功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)和正电子发射断层扫描成像(Positron Emission Tomography，PET)在意识水平上诊断效果相当不错，但是由于fMRI和PET的成本较高且不便携，因此难以广泛应用于临床诊断。自从上个世纪初发现脑电波(EEG)信号后，它就被广泛应用于神经系统疾病辅助诊断、脑功能康复等方面的研究。EEG技术在意识状态分类中的一个重要优势就是能实时地产生分类结果。如果该患者是有意识的话，这些实时的结果能对患者起到一个有用的反馈作用。fNIRS是上世纪90年代开始发展的新兴脑功能检测技术，它是利用近红外光检测大脑皮质功能活动的一项技术。fNIRS与fMRI类似，都是利用血流和血氧变化来测量大脑活动。与fMRI相比，fNIRS具有明显的便携性，还有更高的时间采样率及更广泛的应用范围，尤其适合长时间床边检测和大规模的数据采集。此外，与EEG相比，fNIRS具有更高的空间分辨率
和很好的抗干扰性，弥补了EEG测量时间定位差、稳定性不足的缺点。由于fNIRS成本低、便携、易操作，且对运动不敏感，尤其适用于对一些特殊人群的研究如婴儿及意识障碍等特异病症患者，因此近年来受到越来越多研究者的关注。截止目前，国内使用此技术对意识障碍的研究还相对较少。
[0006]EEG和fNIRS都具有安全非侵入式、测量方便、易实现和便携式等特点；其中，EEG是测量神经活动的电信号，fNIRS是通过测量光信号获取大脑血流信息，两者同步测量干扰性小；此外，EEG测量虽然时间分辨率高但空间分辨率较低，而fNIRS测量具有比EEG较高的空间分辨率但较低的时间分辨率。因此，EEG和fNIRS具有互补的特性，将EEG和fNIRS两种技术混合在一起的多模态脑成像系统，可以从神经电活动和血流动力学两个维度观测大脑皮层的生理过程，提供比单一模态更为丰富的大脑活动信息，可能提高意识检测的准确性。在临床上，这种混合技术作为辅助的手段也有非常重要的意义。
[0007]此外，在刺激手段上，目前大多数研究都是通过视觉刺激来检测健康人群或DOC患者的意识状态。然而，很大一部分的DOC患者由于损伤严重缺乏控制眼部运动的能力，因此使用注视相关的视觉刺激来检测这部分患者的意识对于他们来说并不合适，难以获得准确的检测结果。

技术实现思路

[0008]基于此，本专利技术的目的在于，提供一种多模态大脑信号分类方法、装置、电子设备及存储介质，结合EEG特征和fNIRS特征，提高了单一模态的大脑信号分类的敏感性和准确性。
[0009]第一方面，本专利技术提供一种多模态大脑信号分类方法，包括以下步骤：
[0010]获取待分类的大脑信号数据；
[0011]对所述待分类的大脑信号数据进行预处理，得到其中的EEG数据和fNIRS数据；
[0012]分别对所述EEG数据和所述fNIRS数据进行特征提取，得到所述待分类的脑电信号数据的EEG特征和fNIRS特征；
[0013]将所述EEG特征和fNIRS特征进行融合处理，得到高维的特征向量；
[0014]将所述高维的特征向量进行特征选择处理，得到最终特征向量；
[0015]将所述最终特征向量输入训练好的支持向量机分类器，得到所述大脑信号对应的分类结果。
[0016]进一步地，所述训练好的支持向量机分类器的训练方法包括：
[0017]获取原始数据集的大脑信号数据，所述原始数据集包括正常人和意识障碍患者的脑电信号数据；
[0018]对所述原始数据集的大脑信号数据进行预处理，得到其中的EEG数据和fNIRS数据；
[0019]分别对所述EEG数据和所述fNIRS数据进行特征提取，得到所述原始数据集的大脑信号数据的EEG特征和fNIRS特征；
[0020]对所述EEG特征和所述fNIRS特征进行归一处理，得到相同维度的EEG特征和fNIRS特征；
[0021]将所述EEG特征和fNIRS特征进行融合处理，得到高维的特征向量；
[0022]将所述高维的特征向量进行特征选择处理，得到最终特征向量；
[0023]将所述最终特征向量与所述最终特征向量对应的标签构成训练数据集，并将所述训练数据集划分为训练集和测试集；
[0024]将所述训练集输入支持向量机分类器，以训练所述支持向量机分类器；
[0025]将所述测试集输入训练过的向量机分类器，验证所述支持向量机分类器的训练效果，得到训练好的支持向量机分类器。
[0026]进一步地，所述EEG特征包括以下至少一项：
[0027]所述EEG数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态大脑信号分类方法，其特征在于，包括以下步骤：获取待分类的大脑信号数据；对所述待分类的大脑信号数据进行预处理，得到其中的EEG数据和fNIRS数据；分别对所述EEG数据和所述fNIRS数据进行特征提取，得到所述待分类的脑电信号数据的EEG特征和fNIRS特征；将所述EEG特征和fNIRS特征进行融合处理，得到高维的特征向量；将所述高维的特征向量进行特征选择处理，得到最终特征向量；将所述最终特征向量输入训练好的支持向量机分类器，得到所述大脑信号对应的分类结果。2.根据权利要求1所述的一种多模态大脑信号分类方法，其特征在于，所述训练好的支持向量机分类器的训练方法包括：获取原始数据集的大脑信号数据，所述原始数据集包括正常人和意识障碍患者的脑电信号数据；对所述原始数据集的大脑信号数据进行预处理，得到其中的EEG数据和fNIRS数据；分别对所述EEG数据和所述fNIRS数据进行特征提取，得到所述原始数据集的大脑信号数据的EEG特征和fNIRS特征；对所述EEG特征和所述fNIRS特征进行归一处理，得到相同维度的EEG特征和fNIRS特征；将所述EEG特征和fNIRS特征进行融合处理，得到高维的特征向量；将所述高维的特征向量进行特征选择处理，得到最终特征向量；将所述最终特征向量与所述最终特征向量对应的标签构成训练数据集，并将所述训练数据集划分为训练集和测试集；将所述训练集输入支持向量机分类器，以训练所述支持向量机分类器；将所述测试集输入训练过的向量机分类器，验证所述支持向量机分类器的训练效果，得到训练好的支持向量机分类器。3.根据权利要求1或2所述的一种多模态大脑信号分类方法，其特征在于：所述EEG特征包括以下至少一项：所述EEG数据中每一秒的统计特征、锁相值特征、功率谱密度特征、微分熵特征、小波熵特征和不对称性商特征；所述fNIRS特征包括以下至少一项：所述fNIRS数据中的HbO以及Hb每一秒的统计特征和基于GLM的变化趋势特征。4.根据权利要求1或2所述的一种多模态大脑信号分类方法，其特征在于，将所述高维的特征向量进行特征选择处理，得到最终特征向量，包括：通过海洋捕食者算法进行特征选择处理，得到所述高维的特征向量中各项特征的权重以及排序；根据所述特征的权重以及排序，选取最终特征向量。5.根据权利要求1或2所述的一种多模态大脑信号分类方法，其特征在于，将所述EEG特征和fNIRS特征进行融合处理，得到高维的特征向量之前，还包括：使用以下公式，计算所述EEG特征和所述fNIRS特征对应的Z
‑...

【专利技术属性】
技术研发人员：邱丽娜，钟泳诗，潘家辉，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：