一种认知水平评估模型计算方法及装置制造方法及图纸

本申请公开了一种认知水平评估模型计算方法，包括：步骤1，采集能够反应认知功能的事件相关电位；步骤2，提取事件相关电位这一脑电成分在空间域上的特征信息，得到空间域特征及相应特征图；步骤3，在空间域特征的特征图上提取时间域上的特征信息，得到时间域特征及相应特征图；步骤4，在步骤3的基础上进行全连接处理；步骤5，在步骤4的基础上增加全连接层并使用softmax函数处理，得到用于认知水平评估的模型预测概率值。设计空间域和时间域的特征提取，融合多维度特征信息使得网络学习更丰富的知识，改进模型性能，大幅提升认知水平评估的准确性。准确性。准确性。

【技术实现步骤摘要】
一种认知水平评估模型计算方法及装置


[0001]本申请属于医学及生理信号检测与处理分析
，具体涉及一种认知水平评估模型计算方法及装置。

技术介绍

[0002]痴呆症是由于脑部功能退化或脑部功能受损所表达出来的病症，多发于老年群体。老年痴呆的主要临床表现包括记忆力功能减弱、认知功能出现障碍等症状，严重患者甚至于失去自理能力，需要实时看护。在老年痴呆和正常老年人之间存在一种中间状态，称之为轻度认知障碍。处于该状态下的老人认知功能和记忆功能退化程度较为轻微，症状表现轻微，不影响正常的生活，因此不易引起重视。
[0003]有研究表明，轻度认知障碍患者中每年有10％
‑
15％转化为老年痴呆，其速度是正常老年人的10倍，并且老年痴呆患者中有近2/3的病人是由轻度认知障碍患者转化而来。因此，及时发现老人认知退化、评估其认知水平，有利于尽早采取药物和治疗手段进行干预，延缓脑部功能退化过程。来自人体的生理电信号可以反应机体当前的状态，且不受个人和他人的主观意愿影响。脑电信号是生理电信号的一种，是脑部各个神经元活动的综合反应。头皮脑电是脑部神经电活动投射在大脑皮层的电信号，该信号直接在头皮采集，无需电极深入颅内，不用开刀，没有创口，相比于脑部成像，费用便宜，对患者友好。脑电信号包括自发脑电和诱发脑电，事件相关电位(ERP)是一种与认知功能相关的内源性诱发脑电成分，反映了认知过程中脑部的神经电生理的变化，也被称为认知电位，通常计算其特征点的幅值和潜伏期作为评价认知功能的指标。深度学习技术是人工智能领域中的一个重要分支，在图像识别、语音处理、自动驾驶、生理信号处理等多个领域有着广泛应用，并表现出优异的性能。其中，在脑电信号处理领域，EEGNet网络结构、ShallowConvNet网络结构和EEGInception网络结构有着较好的表现。但是，这些网络没有考虑头皮不同脑电通道之间的相关特征。

技术实现思路

[0004]本专利技术的目的是提供了一种认知水平评估模型计算方法及装置，具体计算方案如下：
[0005]一种认知水平评估模型计算方法，包括：步骤1，采集能够反应认知功能的事件相关电位；步骤2，提取事件相关电位这一脑电成分在空间域上的特征信息，得到空间域特征及相应特征图；步骤3，在空间域特征的特征图上提取时间域上的特征信息，得到时间域特征及相应特征图；步骤4，在步骤3的基础上进行全连接处理；步骤5，在步骤4的基础上增加全连接层并使用softmax函数处理，得到用于认知水平评估的模型预测概率值。
[0006]具体的，步骤2，提取事件相关电位这一脑电成分在空间域上的特征信息包括：步骤2.1，采用多个空洞卷积结构分支提取事件相关电位这一脑电成分在空间域上不同尺度大小的特征信息；步骤2.2，将每个空洞卷积结构分支提取的特征信息的特征图在空间域的
维度上合并在一起，得到空间域特征及相应特征图。
[0007]具体的，每个空洞卷积结构分支中均设计有一个深度可分离卷积结构，用于保证了不同空间域特征的独立性。
[0008]具体的，在得到空间域特征后还包括：步骤2.3，将空间域特征在空间维度上进行压缩；步骤2.4，在步骤2.3的基础上进行批归一化处理，用于调整空间域特征的特征分布；步骤2.5，在步骤2.4的基础上进行激活函数处理，该激活函数表达式为：得到压缩空间域特征及相应特征图。
[0009]具体的，步骤3，提取空间域特征基础上的时间域特征信息包括：步骤3.1，采用多个空洞卷积结构分支提取压缩空间域特征的特征图基础上不同尺度大小的时间域上的特征信息；步骤3.2，将每个空洞卷积结构分支提取的特征信息的特征图在时间域的维度上连接到一起，得到时间域特征。
[0010]具体的，步骤4，对空间域特征和时间域特征进行全连接处理包括：步骤4.1，将压缩空间域特征和时间域特征的所有数据平铺为一维向量；步骤4.2，在步骤4.1的基础上进行全连接处理，用于进一步提取特征的同时也压缩高维特征；步骤4.3，在步骤4.2的基础上进行批归一化处理，用于调整各个特征的特征分布；步骤4.4，在步骤4.3的基础上进行激活函数处理，该激活函数表达式为：
[0011]具体的，步骤5，对在所述步骤4的基础上增加全连接层并进行使用softmax函数处理，得到用于认知水平评估的模型预测概率值包括：步骤5.1，在所述步骤4.4的基础上进行全连接处理，输出包含两个元素的一维矩阵；步骤5.2，使用softmax函数处理一维矩阵，得到用于认知水平评估的模型预测概率值。
[0012]一种认知水平评估模型计算装置，包括：输入模块，输入模块用于输入能够反应认知功能的事件相关电位这一脑电信号；空间域特征提取模块，空间域特征提取模块用于提取脑电信号中的空间域特征；时间域特征提取模块，时间域特征提取模块用于在空间域特征的特征图上提取时间域特征；特征处理模块，特征处理模块用于处理时间域特征和空间域特征并最终输出用于认知水平评估的模型预测概率值。
[0013]具体的，还包括空间域特征压缩模块，空间域特征压缩模块用于对空间域特征的特征图在空间维度进行压缩，时间域特征提取模块在压缩后的空间域特征图上提取时间域特征。
[0014]具体的，空间域特征提取模块包括：
[0015]空间域特征提取层，空间域特征提取层包括四个空洞卷积结构分支，用于在空间域特征的维度进行卷积计算；其中，四个空洞卷积结构分支中有一个保持输入信号不变，作为特征输入到该分支的下一层，另外三个分支分别设置了三个不同大小的卷积核，用于提取空间特征，具体表达式分别为：
[0016][0017][0018][0019][0020]其中，其中是没有卷积操作的分支的第j个特征图，与输入信号的第i个特征I
i
相等，和分别是其他三个空洞卷积结构分支输出的第j个特征图，M
j
代表参与卷积计算的输入信号部分，和分别代表三个空洞卷积结构分支中不同尺度大小的卷积核，和分别代表三个空洞卷积结构分支中的偏置；
[0021]空间域特征处理层，空间域特征处理层包括与四个空洞卷积结构分支一一对应的深度可分离卷积结构，深度可分离卷积结构用于减少卷积计算的计算量以及保证不同空间域特征的独立性；具体表达式分别为：
[0022][0023][0024][0025][0026]其中和分别是特征处理层中四个分支输出的第j个特征图，和分别代表四个分支的深度可分离卷积的卷积核，和分别代表深度可分离卷积计算中的偏置；
[0027]空间域特征合并层，空间域特征合并层用于将特征处理层中四个分支输出的特征图在空间的维度上合并在一起，其具体表达式为：
[0028]x
(3)
＝concatenate(x
(2,0)
,x
(2,1)
,x
(2,2)
,x
(2,3)
,axis＝
‑
1)；
[0029]Dropout层，该Dropout本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种认知水平评估模型计算方法，其特征在于，包括：步骤1，采集能够反应认知功能的事件相关电位；步骤2，提取所述事件相关电位这一脑电成分在空间域上的特征信息，得到空间域特征及相应特征图；步骤3，在所述空间域特征的特征图上提取时间域上的特征信息，得到时间域特征及相应特征图；步骤4，在所述步骤3的基础上进行全连接处理；步骤5，在所述步骤4的基础上增加全连接层并使用softmax函数处理，得到用于认知水平评估的模型预测概率值。2.如权利要求1所述认知水平评估模型计算方法，其特征在于，所述步骤2，提取所述事件相关电位这一脑电成分在空间域上的特征信息包括：步骤2.1，采用多个空洞卷积结构分支提取所述事件相关电位这一脑电成分在空间域上不同尺度大小的特征信息；步骤2.2，将每个空洞卷积结构分支提取的特征信息的特征图在特征通道的维度上合并在一起，得到所述空间域特征及相应特征图。3.如权利要求2所述认知水平评估模型计算方法，其特征在于，每个所述空洞卷积结构分支中均设计有一个深度可分离卷积结构，用于保证了不同空间域特征的独立性。4.如权利要求2所述认知水平评估模型计算方法，其特征在于，在得到所述空间域特征后还包括：步骤2.3，将所述空间域特征在空间维度上进行压缩；步骤2.4，在所述步骤2.3的基础上进行批归一化处理，用于调整所述空间域特征的特征分布；步骤2.5，在所述步骤2.4的基础上进行激活函数处理，该激活函数表达式为：得到压缩空间域特征及相应特征图。5.如权利要求3所述认知水平评估模型计算方法，其特征在于，所述步骤3，提取所述空间域特征基础上的时间域特征信息包括：步骤3.1，采用多个空洞卷积结构分支提取所述压缩空间域特征的特征图基础上不同尺度大小的时间域上的特征信息；步骤3.2，将每个空洞卷积结构分支提取的特征信息的特征图在时间域的维度上连接到一起，得到时间域特征。6.如权利要求5所述认知水平评估模型计算方法，其特征在于，所述步骤4，在所述步骤3的基础上进行全连接处理包括：步骤4.1，将所述压缩空间域特征和所述时间域特征的所有数据平铺为一维向量；步骤4.2，在所述步骤4.1的基础上进行全连接处理，用于进一步提取特征的同时也压缩高维特征；步骤4.3，在所述步骤4.2的基础上进行批归一化处理，用于调整各个特征的特征分布；步骤4.4，在所述步骤4.3的基础上进行激活函数处理，该激活函数表达式为：
7.如权利要求6所述认知水平评估模型计算方法，其特征在于，所述步骤5，在所述步骤4的基础上增加全连接层并进行使用softmax函数处理，得到用于认知水平评估的模型预测概率值包括：步骤5.1，在所述步骤4.4的基础上进行全连接处理，输出包含两个元素的一维矩阵；步骤5.2，使用softmax函数处理所述一维矩阵，得到用于认知水平评估的模型预测概率值。8.一种认知水平评估模型计算装置，其特征在于，包括：输入模块，所述输入模块用于输入能够反应认知功能的事件相关电位这一脑电信号；空间域特征提取模块，所述空间域特征提取模块用于提取脑电信号中的空间域特征；时间域特征提取模块，所述时间域特征提取模块用于在所述空间域特征的特征图上提取时间域特征；特征处理模块，所述特征处理模块用于处理所述时间域特征和所述空间域特征并最终输出用于认知水平评估的模型预测概率值。9.如权利要求8所述认知水平评估模型计算装置，其特征在于，还包括空间域特征压缩模块，所述空间域特征压缩模块用于对所述空间域特征的特征图在空间维度进行压缩，所述时间域特征提取模块在压缩后的空间域特征图上提取时间域特征。10.如权利要求9所述认知水平评估模型计算装置，其特征在于，所述空间域特征提取模块包括：空间域特征提取层，所述空间域特征提取层包括四个空洞卷积结构分支，用于在空间域特征的维度进行卷积计算；其中，四个空洞卷积结构分支中有一个保持输入信号不变，作为特征输入到该分支的下一层，另外三个分支分别设置了三个不同大小的卷积核，用于提取空间特征，具体表达式分别为：取空间特征，具体表达式分别为：取空间特征，具体表达式分别为：取空间特征，具体表达式分别为：其中，其中是没有卷积操作的分支的第j个特征图，与输入信号的第i个特征I
i
相等，和分别是其他三个空洞卷积结构分支输出的第j个特征图，M
j
代表参与卷积计算的输入信号部分，卷积计算的输入信号部分，和分别代表三个空洞卷积结构分支中不同尺度大小的卷积核，和分别代表三个空洞卷积结构分支中的偏置；空间域特征处理层，所述空间域特征处理层包括与四个空洞卷积结构分支一一对应的
深度可分离卷积结构，所述深度可分离卷积结构用于减少卷积计算的计算量以及保证不同空间域特征的独立性；具体表达式分别为：空间域特征的独立性；具体表达式分别为：空间域特征的独立性；具体表达式分别为：空间域特征的独立性；具体表达式分别为：其中和分别是所述特征处理层中四个分支输出的第j个特征图，和分别代表...

【专利技术属性】
技术研发人员：陈韵岱，石亚君，方震，李思颖，王晋丽，郜玲，王鹏，刘若卓，彭丽华，但晴，陈一冰，李德生，董颖，
申请(专利权)人：中国人民解放军总医院第一医学中心，
类型：发明
国别省市：