System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及信号分析,尤其涉及一种全自动的阿尔茨海默症辅助诊断方法及装置、电子设备、存储介质。
技术介绍
1、阿尔茨海默症(ad)是痴呆症的最常见原因。由于没有药物可以治愈或延迟痴呆症的症状,因此迫切需要获得低成本,可靠和易于获得的方法来尽早检测痴呆症。对于ad的早期检测,第一项研究集中在结构磁共振成像(smri)上,尽管其检测的准确性可接受,但smri的使用受到低收入国家高成本和难以获得的限制。此外,虽然pet和mri等先进的神经影像方法能够捕获与ad相关的大脑过程的相关变化,但由于成本、侵入性和时间消耗,它们在临床环境中的使用受到限制。在这种情况下,脑电图是低成本、非侵入性和用户友好的检测工具的良好替代,作为神经退行性疾病的生物标志物,脑电图信号反映了大脑皮层的功能变化,可用于早在实际组织损失或行为症状出现之前评估ad进展引起的神经元变性。
2、然而,临床脑电诊断有几个问题:i)诊断的准确性高度依赖于训练有素的脑电专家,ii)临床脑电记录需要几年的病理训练,以及iii)解码脑电是一个耗时和耗尽的过程。随着临床需求的增加与医学专业知识供应的减少相结合,许多研究人员引入机器学习或者深度学习方法来辅助各种神经退行性疾病的诊断。传统的基于脑电图的阿尔茨海默症早期诊断系统在特征工程方面做出了相当大的努力,通过从原始脑电信号中提取各种有价值的特征,通过简单机器学习模型或者深度学习模型进行分阶段诊断。
3、在实现本专利技术的过程中,专利技术人发现现有技术中至少存在如下问题:
4、1、现有的辅助诊断系统严重
5、2、该领域缺少对阿尔茨海默症患者的eeg信号分析的针对性深度模型,因此需要设计并实现一个适合于多通道脑电数据进行多维度特征学习的深度学习模型。
6、3、受试者脑电信号存在的变异性和非稳态特性,因此仅通过某一段的脑电信号进行分析往往缺少置信度,会对最终的信号分类的造成影响。
技术实现思路
1、鉴于此,本申请实施例的目的是提供一种阿尔茨海默症辅助诊断方法及装置、电子设备、存储介质,以解决
技术介绍
中存在的问题。
2、根据本申请实施例的第一方面,提供一种阿尔茨海默症辅助诊断方法,包括:
3、获取静息态多通道脑电信号样本;
4、对所述静息态多通道脑电信号样本进行信号分割和数据增强处理,得到数据集;
5、根据所述数据集,构建并训练深度混合架构神经网络模型,所述深度混合架构神经网络模型包括多通道空间及局部特征筛选网络、针对远程时间和全局依赖关系进行建模的集成双位置编码注意力机制模块以及多层全连接层组成的分类模块,所述的多通道空间及局部特征筛选网络用于提取数据集的特征图后输入到集成双位置编码注意力机制模块,所述集成双位置编码注意力机制模块包括时间绝对位置编码单元、结合高效相对位置编码的多头注意力通道单元和残差连接单元,所述时间绝对位置编码单元用于对输入局部空间特征图的位置进行绝对编码,输入到结合高效相对位置编码的多头注意力通道单元,并与输入的局部空间特征图进行残差连接单元处理后输入到所述分类模块,所述分类模块包括三层参数减半的全连接层,输出单片段eeg信号的置信得分;
6、将单位受试者的多段脑电信号输入训练后的深度混合架构神经网络模型生成多个置信度得分,将多个置信度得分进行综合评估,生成最终的得分;
7、将最终的得分输入softmax得到类标签,作为辅助诊断结果。
8、可选的,所述信号分割包括:
9、采用自动随机信号切段,排除了前若干秒进行随机裁剪,通过随机生成信号起始点裁剪为指定信号长度,并生成为批量大小的数据加载器,在进行数据增强。
10、可选的,所述数据增强包括:
11、添加年龄信号、数据标准化、随机噪声增强和mixup,
12、将输入脑电信号和填充有年龄值的单个通道在输入层中连接在一起进行数据标准化,所述的数据标准化对裁剪后的脑电图信号通过训练集计算出的平均值和标准差进行归一化;
13、再进行随机噪声增强,所述的随机噪声增强通过添加乘性高斯白噪声和加性高斯白噪声来模拟采集过程中的传感器和电路噪声的影响;
14、将随机噪声增强处理后的数据输入到mixup层,所述的mixup通过从训练数据的邻近分布中采样来生成虚拟示例。
15、可选的,所述多通道空间及局部特征筛选网络用于执行如下操作:
16、将所述数据集输入到多个可解释的卷积神经网络层,通过卷积、池化和激活函数得到高级的多通道空间及局部特征。
17、可选的,所述集成双位置编码注意力机制模块用于执行如下操作:
18、通过时间绝对位置编码函数对输入的输入局部空间特征图的位置考虑结合序列长度和输入嵌入维度进行建模;
19、将所述位置编码后的数据输入结合高效相对位置编码的多头注意力通道得到具有强时间关联性的信号特征序列。
20、可选的,所述残差连接单元用于执行如下操作:
21、将所述信号特征序列进行残差连接,得到结合时间、空间、局部、全局的多维度特征。
22、可选的,所述分类模块包括:
23、将得到的多维度特征经过三层依次递减的全连接层,分别为1024,512,256,将输出的二维特征图转化成一维的一个向量,作为单片段的类置信度得分。
24、根据本申请实施例的第二方面,提供一种阿尔茨海默症辅助诊断装置,包括:
25、获取模块,用于获取静息态多通道脑电信号样本;
26、数据处理模块,用于对所述静息态多通道脑电信号样本进行信号分割和数据增强处理,得到数据集;
27、模型构建及训练模块,用于根据所述数据集,构建并训练深度混合架构神经网络模型,所述深度混合架构神经网络模型包括多通道空间及局部特征筛选网络、针对远程时间和全局依赖关系进行建模的集成双位置编码注意力机制模块以及多层全连接层组成的分类模块,所述的多通道空间及局部特征筛选网络用于提取数据集的特征图后输入到集成双位置编码注意力机制模块,所述集成双位置编码注意力机制模块包括时间绝对位置编码单元、结合高效相对位置编码的多头注意力通道单元和残差连接单元,所述时间绝对位置编码单元用于对输入局部空间特征图的位置进行绝对编码,输入到结合高效相对位置编码的多头注意力通道单元,并与输入的局部空间特征图进行残差连接单元处理后输入到所述分类模块,所述分类模块包括三层参数减半的全连接层,输出单片段eeg信号的置信得分;
28、多片段平衡决策模块,用于将单位受试者的多段脑电信号输入训练后的深度混合架构神经网络模型生成多个置信度得分,将多个置信度得分进行综合评估,生成最终的得分;
29、诊断输出模块,用于将最终的得分输入softmax得到类标签,作为辅助诊断结果。
...
【技术保护点】
1.一种阿尔茨海默症辅助诊断方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述信号分割包括:
3.根据权利要求1所述的方法,其特征在于,所述数据增强包括:
4.根据权利要求1所述的方法,其特征在于,所述多通道空间及局部特征筛选网络用于执行如下操作:
5.根据权利要求1所述的方法,其特征在于,所述集成双位置编码注意力机制模块用于执行如下操作:
6.根据权利要求5所述的方法,其特征在于,所述残差连接单元用于执行如下操作:
7.根据权利要求1所述的方法,其特征在于,所述分类模块包括:
8.一种阿尔茨海默症辅助诊断装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括:
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
【技术特征摘要】
1.一种阿尔茨海默症辅助诊断方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述信号分割包括:
3.根据权利要求1所述的方法,其特征在于,所述数据增强包括:
4.根据权利要求1所述的方法,其特征在于,所述多通道空间及局部特征筛选网络用于执行如下操作:
5.根据权利要求1所述的方法,其特征在于,所述集成双位置编码注意力机制模块用于执行如下操作:
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。