一种闭环电刺激系统技术方案

本发明专利技术涉及一种闭环电刺激系统，其系统包括：脑电信号采集模块：用于采集脑电信号及其脑电活动模式，构建样本集；脑电信号机器学习模型训练模块：用于对样本集进行预处理，提取脑电信号中多种特征进行筛选，得到训练特征，将训练特征输入多种机器学习模型同时进行训练，选择大脑活动分类准确率最高的模型作为脑电信号分类模型；脑电信号实时分析模块：实时采集被测人员的脑信号，输入训练好的脑电信号分类模型，输出大脑活动的类别；电刺激模块：当检测到脑电信号实时分析模块的输出为脑活动异常时，开启电刺激，并持续检测，直到变为正常时，关闭电刺激。本发明专利技术提供了一个检测

【技术实现步骤摘要】
一种闭环电刺激系统


[0001]本专利技术涉及认知神经和生物医学工程领域，具体涉及一种闭环电刺激系统。

技术介绍

[0002]电刺激(Transcranial Electrical Stimulation，tES)是头皮外给予大脑一个不同类型的1mA～2mA的电流刺激，是一种安全、便捷、非穿刺的颅外电流刺激方法。电刺激技术对于情感、运动功能障碍有着非常显著的改善作用。该项技术核心主要是通过检测患者的大脑活动状态，在发病的特定时间内给于患者一个外部物理干预改变其异常的大脑活动状态。近年来，随着对非侵入性脑刺激研究的不断深入，越来越多的研究认为刺激的效果是状态依赖的。有研究通过提高抑郁症患者在接受经颅磁刺激(TMS)之前的前额Theta波活动，有效地提高了TMS治疗抑郁症的效果。Kekic等综述分析论述了之前的数据，也发现经颅直流电刺激(tDCS)的一般调控效果(从非常有效到几乎没效)跟被试当前的状态关系非常大(Kekic et al.,2016)。由此可见，对被试的大脑状态进行实时的监测是提高非侵入性脑刺激，包括经颅电刺激效果的一条有效途径。但是，现有脑刺激只能实现单一电刺激，因此，如何以检测
‑
刺激
‑
检测的闭环方式，有针对性的在患者发病时进行电刺激，成为一个亟待解决的问题。

技术实现思路

[0003]为了解决上述技术问题，本专利技术提供一种闭环电刺激系统。
[0004]本专利技术技术解决方案为：一种闭环电刺激系统，包括：
[0005]脑电信号采集模块：用于采集脑电信号及其脑电活动模式，构建样本集；
[0006]脑电信号机器学习模型训练模块：用于对所述样本集进行预处理，提取所述脑电信号中多种特征进行筛选，得到训练特征，将所述训练特征输入多种机器学习模型同时进行训练，对大脑活动进行分类，选择出分类准确率最高的模型作为脑电信号分类模型；
[0007]脑电信号实时分析模块：实时采集被测人员的脑信号，输入训练好所述脑电信号分类模型，输出大脑活动的类别；
[0008]电刺激模块：当检测到所述脑电信号实时分析模块输出的脑活动的类别为异常时，开启电刺激，并持续检测所述脑电信号实时分析模块的输出，直到其输出脑活动的类别为正常时，关闭电刺激。
[0009]本专利技术与现有技术相比，具有以下优点：
[0010]本专利技术公开了一种闭环电刺激系统，将完全被动干预患者的电刺激手段和人工智能技术相结合，可以根据患者个体差异性，自适应的选择刺激效果最佳的刺激靶点和电流强度大小，通过构建一个检测
‑
刺激
‑
检测的闭环电刺激系统，以解决现有的单一电刺激的局限性问题。
附图说明
[0011]图1为本专利技术实施例中一种闭环电刺激系统的结构框图；
[0012]图2为本专利技术实施例中使用最小冗余－最大相关方法筛选特征的流程示意图；
[0013]图3为本专利技术实施例中构建的检测
‑
刺激
‑
检测的闭环系统示意图。
具体实施方式
[0014]本专利技术构建一种检测
‑
刺激
‑
检测的闭环电刺激系统，以解决现有的单一的、完全被动的电刺激的局限性问题。
[0015]为了使本专利技术的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本专利技术进一步详细说明。
[0016]实施例一
[0017]如图1所示，本专利技术实施例提供的一种闭环电刺激系统，包括下述模块：
[0018]脑电信号采集模块1：用于采集脑电信号及其脑电活动模式，构建样本集；
[0019]脑电信号机器学习模型训练模块2：用于对样本集进行预处理，提取脑电信号中多种特征进行筛选，得到训练特征，将训练特征输入多种机器学习模型同时进行训练，对大脑活动进行分类，选择出分类准确率最高的模型作为脑电信号分类模型；
[0020]脑电信号实时分析模块3：实时采集被测人员的脑信号，输入训练好脑电信号分类模型，输出大脑活动的类别；
[0021]电刺激模块4：当检测到脑电信号实时分析模块输出的脑活动的类别为异常时，开启电刺激，并持续检测脑电信号实时分析模块的输出，直到其输出脑活动的类别为正常时，关闭电刺激。
[0022]在一个实施例中，上述脑电信号采集模块1：用于采集脑电信号及其脑电活动模式，构建样本集，具体包括：
[0023]本专利技术实施例的脑电信号的采集是使用NeuroScan公司提供的SynAmps RT2放大器，并使用NeuroScan的Curry 8软件记录脑电信号数据。
[0024]在一个实施例中，上述脑电信号机器学习模型训练模块2：用于对样本集进行预处理，提取脑电信号中多种特征进行筛选，得到训练特征，将训练特征输入多种机器学习模型同时进行训练，对大脑活动进行分类，选择出分类准确率最高的模型作为脑电信号分类模型，具体包括：
[0025]步骤S1：对样本集进行预处理：分析不同通道上的样本集中脑信号，对各个特征在不同脑电活动模式下的脑信号进行统计分布，保留统计分布的差异大于阈值的粗选特征；采用最小冗余－最大相关的方法，从粗选特征中筛选出细选特征；根据细选特征，将样本集中配对样本进行两两检验，选择显著性值大于阈值的特征作为训练特征；
[0026]将采集到脑电信号进行特征提取，包括能量，相位、微分熵等很多不同的特征，首先进行“粗”选取，根据各个特征对应不同大脑模式类型的统计分布太小的特征剔除，只保留统计分布的差异大于阈值的粗选特征，例如：计算了能量，相位、微分熵等多个特征后，只选取在统计学上具有显著差异，例如p<0.05的特征，进入到下一步的“细”筛分中；
[0027]其次，进行“细”选取，采用最小冗余－最大相关的特征选取方法，从粗选特征中选取细特征，最大相关性是搜索满足以下公式的特征：
[0028][0029]其中，c代表目标分类，x
i
表示第i个特征，S代表特征集合；I(x
i
,c)代表特征i和目标类别c之间的互信息；
[0030]本专利技术实施例通过计算所有粗选特征x
i
与分类c之间的互信息的平均值来近似 D(S,c)；但是，通过最大相关筛选后的特征可能具冗余，这些特征之间的依赖性非常大。当两个特征互相冗余，当去掉其中一个的时候，分类结果并不会有非常大的变化；因此最小冗余方式可以用来剔除掉冗余特征：
[0031][0032]其中，I(x
i,
x
j
)代表特征i和特征j之间的互信息。对选出的特征集合进行分析，分别计算MID和MIQ，在对MID和MIQ进行排序选出最优分类正确率的特征集合。
[0033]将粗选特征经最小冗余－最大相关筛选后中，得到一个细选特征集合。
[0034]如图2所示，首先将粗选特征集合作为原始特征集，计算其中每个特征和目标特征之间的相关性，不断剔除无相关性的特征，直本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种闭环电刺激系统，其特征在于，包括：脑电信号采集模块：用于采集脑电信号及其脑电活动模式，构建样本集；脑电信号机器学习模型训练模块：用于对所述样本集进行预处理，提取所述脑电信号中多种特征进行筛选，得到训练特征，将所述训练特征输入多种机器学习模型同时进行训练，对大脑活动进行分类，选择出分类准确率最高的模型作为脑电信号分类模型；脑电信号实时分析模块：实时采集被测人员的脑信号，输入训练好所述脑电信号分类模型，输出大脑活动的类别；电刺激模块：当检测到所述脑电信号实时分析模块输出的脑活动的类别为异常时，开启电刺激，并持续检测所述脑电信号实时分析模块的输出，直到其输出脑活动的类别为正...

【专利技术属性】
技术研发人员：卜俊杰，袁野，
申请(专利权)人：安徽医科大学，
类型：发明
国别省市：