【技术实现步骤摘要】
本申请属于深度学习，特别涉及一种脑电信号分析方法、装置、计算机设备以及存储介质。
技术介绍
1、脑电图(eeg)是一种广泛应用于脑部神经领域的技术。大脑的神经元含有离子电流，这会产生脑电图可以测量的电压波动。由于脑电信号具有低成本、非侵入性以及高时间分辨率的优点，通过脑电图收集的脑电信号来进行脑部分析与检测神经疾病取得了很大的进步。传统的脑电信号分析方法一般是从频域或时频方面来提取脑电特征，由于这类特征对于一长段时间内脑部动态变化缺乏有效感知，因此无法体现脑部各个区域之间的相关性，也缺乏对脑部区域之间存在动态变化这一因素的考虑。目前，较少有研究利用脑电信号来提取受试者的功能连接特征，并且一直缺乏一种有效的结合时域信息来构建脑时空网络的分析方法。
技术实现思路
1、本申请提供了一种脑电信号分析方法、装置、计算机设备以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
2、为了解决上述问题，本申请提供了如下技术方案：
3、一种脑电信号分析方法，包括：
4、获取m个时间片段的脑电信号，并计算各个时间片段中脑电信号的功能连接特征，根据所述功能连接特征构建功能连接矩阵；
5、按照所述脑电信号的时间顺序对所述功能连接矩阵中的功能连接特征进行排序，并筛选出每个时间片段中前n个相关性强度值最高的功能连接特征，构建大脑功能连接时序图；
6、将所述大脑功能连接时序图输入长短期记忆网络模型中进行计算，并通过分类器输出脑电信号分类
7、本申请实施例采取的技术方案还包括：所述获取m个时间片段的脑电信号，具体为：
8、采集受试者的m个时间片段的原始脑电信号，并对所述原始脑电信号进行预处理，生成消除噪声及伪影的脑电信号。
9、本申请实施例采取的技术方案还包括：所述计算各个时间片段中脑电信号的功能连接特征，根据所述功能连接特征构建功能连接矩阵具体为：
10、计算所述脑电信号中各个通道之间的皮尔森相关系数，根据所述皮尔森相关系数量化大脑各个区域之间的功能连接特征，并根据所述功能连接特征构建脑电信号的功能连接矩阵；其中，所述皮尔森相关系数的计算公式为：
11、
12、其中，n表示每个通道中信号采样点的数量，xi表示通道x的第i个采样点的值，表示通道x所有采样点的值的平均值，yi表示通道y的第i个采样点的值，表示通道y所有采样点的值的平均值。
13、本申请实施例采取的技术方案还包括：所述按照所述脑电信号的时间顺序对所述功能连接矩阵中的功能连接特征进行排序，并筛选出每个时间片段中前n个相关性强度值最高的功能连接特征，具体为：
14、计算所述大脑功能连接矩阵中各个功能连接特征之间的相关性强度值，并利用特征筛选算法筛选出每个时间片段中前n个相关性强度值最高的功能连接特征。
15、本申请实施例采取的技术方案还包括：所述计算所述大脑功能连接矩阵中各个功能连接特征之间的相关性强度值，并利用特征筛选算法筛选出每个时间片段中前n个相关性强度值最高的功能连接特征，具体为：
16、将所述大脑功能连接矩阵的上三角矩阵展开成一维，使用selectkbest算法作为数据降维方法，通过卡方检验函数计算所述功能连接特征与数据标签之间的相关性，并为每个功能连接特征的相关性进行打分，得到相关性强度值，然后按照所述相关性强度值对每个时间片段中的功能连接特征进行排序，保留每个时间片段中相关性强度值最高的前n个功能连接特征。
17、本申请实施例采取的技术方案还包括：所述构建大脑功能连接时序图，具体为：
18、按照所述脑电信号的时间顺序将m个时间片段进行拼接，组成m*n的大脑功能连接时空网络，并根据灰度值分布将所述大脑功能连接时空网络转换为大脑功能连接时序图。
19、本申请实施例采取的技术方案还包括：所述将所述大脑功能连接时序图输入长短期记忆网络模型中进行计算，并通过分类器输出脑电信号分类结果，具体为：
20、所述长短期记忆网络模型的隐藏层维度大小为64，循环网络的层数为2层，全连接层为2层，所述长短期记忆网络模型的输入数据尺寸为400×40×1，经过输入维数转换，数据尺寸变为400×1×1，随后依次经过隐藏单元的整形和两个循环网络层后数据尺寸变为64×1×1，最后经过两个全连接层并连接至分类器，得到脑电信号分类结果。
21、本申请实施例采取的另一技术方案为：一种脑电信号分析装置，包括：
22、特征计算模块：用于获取m个时间片段的脑电信号，并计算各个时间片段中脑电信号的功能连接特征，根据所述功能连接特征构建功能连接矩阵；
23、时序图构建模块：用于按照所述脑电信号的时间顺序对所述功能连接矩阵中的功能连接特征进行排序，并筛选出每个时间片段中前n个相关性强度值最高的功能连接特征，构建大脑功能连接时序图；
24、信号分类模块：用于将所述大脑功能连接时序图输入长短期记忆网络模型中进行计算，并通过分类器输出脑电信号分类结果。
25、本申请实施例采取的又一技术方案为：一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，其中，
26、所述存储器存储有用于实现所述脑电信号分析方法的程序指令；
27、所述处理器用于执行所述存储器存储的所述程序指令以控制脑电信号分析方法。
28、本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述脑电信号分析方法。
29、相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的脑电信号分析方法、装置、计算机设备以及存储介质通过计算脑电信号中各个通道的功能连接特征，并结合功能连接特征和脑电信号采集时的时序信息构建大脑功能连接时序图，以大脑功能连接时序图作为长短期记忆网络模型的输入数据进行脑电信号分类。本申请实施例同时考虑了脑电信号的功能连接特征以及时序信息，可以快速准确地对受试者的脑部相关疾病进行风险评估，且更加符合实际应用场景，为脑电信号分析以及应用提供了新的思路与方法。
本文档来自技高网...【技术保护点】
1.一种脑电信号分析方法，其特征在于，包括：
2.根据权利要求1所述的脑电信号分析方法，其特征在于，所述获取M个时间片段的脑电信号，具体为：
3.根据权利要求2所述的脑电信号分析方法，其特征在于，所述计算各个时间片段中脑电信号的功能连接特征，根据所述功能连接特征构建功能连接矩阵具体为：
4.根据权利要求3所述的脑电信号分析方法，其特征在于，所述按照所述脑电信号的时间顺序对所述功能连接矩阵中的功能连接特征进行排序，并筛选出每个时间片段中前N个相关性强度值最高的功能连接特征，具体为：
5.根据权利要求4所述的脑电信号分析方法，其特征在于，所述计算所述大脑功能连接矩阵中各个功能连接特征之间的相关性强度值，并利用特征筛选算法筛选出每个时间片段中前N个相关性强度值最高的功能连接特征，具体为：
6.根据权利要求5所述的脑电信号分析方法，其特征在于，所述构建大脑功能连接时序图，具体为：
7.根据权利要求1至6任一项所述的脑电信号分析方法，其特征在于，所述将所述大脑功能连接时序图输入长短期记忆网络模型中进行计算，并通过分类器
8.一种脑电信号分析装置，其特征在于，包括：
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、与所述处理器耦接的存储器，其中，
10.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1至7任一项所述脑电信号分析方法。
...【技术特征摘要】
1.一种脑电信号分析方法，其特征在于，包括：
2.根据权利要求1所述的脑电信号分析方法，其特征在于，所述获取m个时间片段的脑电信号，具体为：
3.根据权利要求2所述的脑电信号分析方法，其特征在于，所述计算各个时间片段中脑电信号的功能连接特征，根据所述功能连接特征构建功能连接矩阵具体为：
4.根据权利要求3所述的脑电信号分析方法，其特征在于，所述按照所述脑电信号的时间顺序对所述功能连接矩阵中的功能连接特征进行排序，并筛选出每个时间片段中前n个相关性强度值最高的功能连接特征，具体为：
5.根据权利要求4所述的脑电信号分析方法，其特征在于，所述计算所述大脑功能连接矩阵中各个功能连接特征之间的相关性强度值，并利用特...
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。