一种基于深度学习混合模型的人体状态评估方法技术

一种基于深度学习混合模型的人体状态评估方法，包括获取传感器空间多通道麻醉状态下脑电信号并对获取的脑电信号进行预处理；脑电源成像并重建，并分区计算各脑区活动分布进行脑电源重建生成源空间脑电信号；计算无偏加权相位延迟指数连接矩阵，利用两组人之间的置换检验，找出有显著差异的频带，利用有显著差异的频带进行后续分析；基于有显著差异的频带，训练特征解离双编码器卷积自编码器模型；将训练完的自编码器模型与卷积神经网络模型连接构成深度学习混合模型，训练模型，最后进行模型评估；本发明专利技术对传感器脑电信号进行分析，利用深度学习混合模型进行识别分类，减少了数据中的无用信息，提高了模型的准确率。提高了模型的准确率。提高了模型的准确率。

【技术实现步骤摘要】
一种基于深度学习混合模型的人体状态评估方法


[0001]本专利技术属于机器学习与模式识别
，特别涉及一种基于深度学习混合模型的人体状态评估方法，用于在麻醉期间对病人进行准确的大脑信号监测。

技术介绍

[0002]脑电波(Electroencephalogram,EEG)是一种使用电生理指标记录大脑活动的方法，大脑在活动时，是由大量神经元同步发生的突触后电位经总和后形成的，它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。
[0003]了解人脑是如何通过多个空间和时间尺度上神经活动的复杂相互作用可逆地产生和失去意识的，这对现代神经科学来说是一个巨大的挑战。尽管近年来，对大脑网络如何产生意识的科学理解取得了迅速进展，但事实证明，在全身麻醉期间，应用这一知识来准确跟踪无意识的转变是困难的，因为这一渐进过程在个体之间存在相当大的可变性。Srivas C发布的《Srivas C,Stuart O,Ram A,et al.Brain Connectivity Dissociates Responsiveness from Drug Exposure during Propofol
‑
Induced Transitions of Consciousness.[J].PLoS computationalbiology,2016,12(1).》使用高密度脑电图，研究了健康成年人使用丙泊酚镇静时这些网络的变化，通过测量他们的行为反应能力和血液中镇静剂的含量，发现了一个惊人的机制：镇静前健康成年人大脑网络的强度可以预测为什么一些参与者失去意识，而另一些参与者没有，尽管他们的血液中药物水平相似。通过揭示这种变异性的潜在特征，这一机制可以在麻醉期间进行准确的大脑监测，并最大限度地减少术中意识消失。
[0004]现有的专利申请——“一种基于脑网络动态连接特征的运动意图预测方法”(专利申请号为：CN202010211448.3)提出了一种基于脑网络动态连接特征的运动意图预测方法，主要包括：构建时变动态贝叶斯网络模型，将时域的EEG信号矩阵转变为时域的电极间的有向加权连接矩阵；将得到的有向加权连接矩阵按定义的运动意图状态和静息状态对每个电极对进行配对t检验，筛选得到在两种状态下差异性显著的电极对，并按筛选得到的电极对和时间重构为特征矩阵；将得到的特征矩阵重构为特征向量，并将该特征向量输入训练好的分类器中，输出运动意图的预测结果。但这种方法存在一些缺点，第一是未提取出有显著差异的脑电信号频段，脑电信号频段长，全频段输入分析可能造成有效信息的冗余和无效信息的泛滥，第二是该方法模型的训练采用随机森林方法，训练时间长，计算成本大，迭代训练的时间较长，对计算机的硬件要求较高。

技术实现思路

[0005]为了克服上述现有技术的缺陷，本专利技术的目的在于提供一种基于深度学习混合模型的人体状态评估方法，建立深度学习混合模型来进行分类实现了对易麻醉和不易麻醉两类人群的分类，计算效率高，在精度上提升，同时测试时仅使用清醒状态下的数据，仅观察清醒状态下的样本的分类效果就能实现预测。
[0006]为了达到上述目的，本专利技术的技术方案为：
[0007]一种基于深度学习混合模型的人体状态评估方法，包括以下步骤：
[0008]步骤一：获取传感器空间多通道麻醉状态下脑电信号并对获取的脑电信号进行预处理；
[0009]步骤二：脑电源成像并重建，即对传感器空间脑电信号进行计算以求得其在脑电源空间的映射；并根据Desikan
‑
Killiany Atlas脑分区计算各脑区活动分布，进行脑电源重建，生成源空间脑电信号；
[0010]步骤三：在所有时域下，计算所有人所有通道对不同样本的无偏加权相位延迟指数连接矩阵；利用两组人之间的置换检验，找出有显著差异的频带以及对应的无偏加权相位延迟指数连接矩阵；
[0011]步骤四：基于有显著差异的频带的无偏加权相位延迟指数连接矩阵，训练特征解离双编码器卷积自编码器模型；
[0012]步骤五：将训练完的自编码器模型与卷积神经网络模型连接构成深度学习混合模型，训练模型，最后进行模型评估。
[0013]所述步骤一中获取传感器空间多通道脑电信号过程中，采集的传感器空间多通道脑电信号包括有清醒状态和中度麻醉状态的两段脑电信号，所获取的传感器空间多通道脑电信号表示为其中，n表示被试者是否为易麻醉人群，m为第m位被试在实验中采集到的Noc导的脑电信号的编号，表示实数矩阵，中有Noc行和t列，t为采样点数，假设采样时间为t
t
秒，采样频率为F，则t＝t
t
×
F。
[0014]所述步骤一中对获取的脑电信号进行预处理，包括带通滤波、时期划分、基线校正和去除眼动或肌肉伪影，带通滤波中，对保留的传感器空间脑电信号的所有通道脑电信号采用0.5
–
45Hz的带通滤波器；时期划分中，将所有通道脑电信号都划分为多个等长的时期，每个时期编号为epoch
e
，e为时期编号，e的最大值取决于划分出时期的数量，最大值为e
max
，由此产生的每个编号为epoch
e
的脑电信号相对于整个脑电信号的平均电压进行基线校正；去除眼动或肌肉伪影中，通过计算脑电信号归一化方差来识别异常噪声的通道和时期，然后通过目视检查手动拒绝或保留，预处理后得到的传感器空间脑电数据为
[0015]所述步骤二中脑电源成像并重建的具体过程为：
[0016](1)解决脑电正问题，即建立一个大脑中可以阐述大脑皮层神经元活动是如何经过脑容积效应和颅骨的传导投射到头皮上的头模型，使用基于磁共振成像(magnetic resonance imaging，MRI)的Freesurfer average作为解剖脑模板，并使用OpenMEEG中的边界元方法(BEM)的Brainstorms默认参数生成每个参与者的头模型，头皮脑电信号产生的数学模型建立如下：
[0017][0018]表示进行完步骤一后得到的传感器脑电信号；A表示前导场，形式为零导域矩阵，模拟了脑皮层中神经元细胞的分布和其突出后电位的变化情况；X表示表示脑皮
层电流偶极子的偶极矩，模拟了脑皮层中的神经元细胞的分布和其突触后电位的变化情况(源活动)；noise表示测量噪声；
[0019](2)采用最小范数估计的方法来求解逆问题；
[0020][0021]采用L2正则化来进一步约束解，以找到使源空间的残差和能量都是最小的解X，这个附加约束由式(2)中的第二项表示；利用L曲线法得到了正则化参数λ来平衡这两项的影响，在L2范数情况下，式(2)的解析解得到了源分布X的最优估计，如(3)所示：
[0022][0023]当W只是单位矩阵时，这个解被称为最小范数估计(Minimum
‑
norm Estimation,MNE)，为传感器空间脑电信号在脑电源空间的映射，A本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习混合模型的人体状态评估方法，其特征在于，包括以下步骤：步骤一：获取传感器空间多通道麻醉状态下脑电信号并对获取的脑电信号进行预处理；步骤二：脑电源成像并重建，即对传感器空间脑电信号进行计算以求得其在脑电源空间的映射；并根据Desikan
‑
Killiany Atlas脑分区计算各脑区活动分布，进行脑电源重建，生成源空间脑电信号；步骤三：在所有时域下，计算所有人所有通道对不同样本的无偏加权相位延迟指数连接矩阵；利用两组人之间的置换检验，找出有显著差异的频带以及对应的无偏加权相位延迟指数连接矩阵；步骤四：基于有显著差异的频带的无偏加权相位延迟指数连接矩阵，训练特征解离双编码器卷积自编码器模型；步骤五：将训练完的自编码器模型与卷积神经网络模型连接构成深度学习混合模型，训练模型，最后进行模型评估。2.根据权利要求1所述的一种基于深度学习混合模型的人体状态评估方法，其特征在于，所述步骤一中获取传感器空间多通道脑电信号过程中，采集的传感器空间多通道脑电信号包括有清醒状态和中度麻醉状态的两段脑电信号，所获取的传感器空间多通道脑电信号表示为其中，n表示被试者是否为易麻醉人群，m为第m位被试在实验中采集到的Noc导的脑电信号的编号，表示实数矩阵，中有Noc行和t列，t为采样点数，假设采样时间为t
t
秒，采样频率为F，则t＝t
t
×
F。3.根据权利要求1所述的一种基于深度学习混合模型的人体状态评估方法，其特征在于，所述步骤一中对获取的脑电信号进行预处理，包括带通滤波、时期划分、基线校正和去除眼动或肌肉伪影，带通滤波中，对保留的传感器空间脑电信号的所有通道脑电信号采用0.5
–
45Hz的带通滤波器；时期划分中，将所有通道脑电信号都划分为多个等长的时期，每个时期编号为epoch
e
，e为时期编号，e的最大值取决于划分出时期的数量，最大值为e
max
，由此产生的每个编号为epoth
e
的脑电信号相对于整个脑电信号的平均电压进行基线校正；去除眼动或肌肉伪影中，通过计算脑电信号归一化方差来识别异常噪声的通道和时期，然后通过目视检查手动拒绝或保留，预处理后得到的传感器空间脑电数据为空间脑电数据为4.根据权利要求1所述的一种基于深度学习混合模型的人体状态评估方法，其特征在于，所述步骤二中脑电源成像并重建具体过程为：(1)解决脑电正问题，即建立一个大脑中可以阐述大脑皮层神经元活动是如何经过脑容积效应和颅骨的传导投射到头皮上的头模型，使用基于磁共振成像(magnetic resonance imaging，MRI)的Freesurfer average作为解剖脑模板，并使用OpenMEEG中的边界元方法(BEM)的Brainstorms默认参数生成每个参与者的头模型，头皮脑电信号产生的数学模型建立如下：
表示进行完步骤一后得到的传感器脑电信号；A表示前导场，形式为零导域矩阵，模拟了脑皮层中神经元细胞的分布和其突出后电位的变化情况；X表示表示脑皮层电流偶极子的偶极矩，模拟了脑皮层中的神经元细胞的分布和其突触后电位的变化情况(源活动)；noise表示测量噪声；(2)采用最小范数估计的方法来求解逆问题；采用L2正则化来进一步约束解，以找到使源空间的残差和能量都是最小的解X，这个附加约束由式(2)中的第二项表示；利用L曲线法得到了正则化参数λ来平衡这两项的影响，在L2范数情况下，式(2)的解析解得到了源分布X的最优估计，如(3)所示：当W只是单位矩阵时，这个解被称为最小范数估计(Minimum
‑
norm Estimation,MNE)，为传感器空间脑电信号在脑电源空间的映射，A
T
表示前导场的翻转矩阵。5.根据权利要求1所述的一种基于深度学习混合模型的人体状态评估方法，其特征在于，所述步骤二中根据Desikan
‑
Killiany Atlas脑分区计算各脑区活动分布，进行脑电源重建，生成源空间脑电信号，具体为：按照Desikan
‑
Killiany Atlas脑分区对偶极子数目进行归类，将该区域内的偶极子的同一时间的测量值取均值，看成这个脑分区整体的输出，从而得到单个被试的源分布矩阵即由传感器空间映射到源空间的EEG信号，N
c
代表传感器脑电信号映射在源空间内的通道数，即按照Desikan
‑
Killiany Atlas分区划分后的感兴趣区域数；T代表采样点数。6.根据权利要求1所述的一种基于深度学习混合模型的人体状态评估方法，其特征在于，所述步骤三中无偏加权相位延迟指数连接矩阵，具体计算过程为：x和y为中两个不同行的脑电信号，代表着源空间脑电信号的不同通道，对于两个不同通道的脑电信号x和y中不同的epoch
e
下样本分段，分别表示为信号和并对其进行时频分析，设置时间仓长度，生成时间仓编号为bin
ft
，设置频率仓长度，生成频率仓，编号为bin
fi
，通过傅里叶变换信号和相乘得到了交叉谱相乘得到了交叉谱其中表示的复共轭，交叉谱计算时使用的是信号x和y的相同epoch
e
下相同bin
ft
值的片段，在时间尺度上完全对应，不同通道信号x和y的相位延迟指数(phase lag index,PLI)定义为如下公式：index,PLI)定义为如下公式：表示交叉谱的虚部，sign为符号函数，Ε
表示求解所有bin
ft
的均值，表示对取绝对值；由于PLI具有正偏差，无偏相位延迟指数的计算公式为：索引e
j
和e
k
表示不同的bin
ft
的时间段编号...

【专利技术属性】
技术研发人员：伍晨旭，王刚，司李成蹊，刘治安，陈霸东，余晓阳，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：