【技术实现步骤摘要】
本专利技术涉及脑电图数据评估，更具体地，涉及一种基于脑电图与深度学习的慢性软组织疼痛分类方法及系统。
技术介绍
1、慢性软组织疼痛是指在身体的软组织结构中，如肌肉、韧带、肌腱或其他结缔组织中持续存在的疼痛感觉。这种类型的疼痛通常是长期存在的，持续时间可能为数月甚至数年。慢性软组织疼痛可以影响身体的不同部位，如颈部、肩部、背部、腰部、臀部、手臂或腿部等。慢性软组织疼痛的原因可能是多种多样的，包括长期的过度使用、姿势问题、创伤、炎症、神经压迫等。
2、慢性腰背痛和纤维肌痛综合症(fibromyalgia)是慢性软组织疼痛的两种常见类型。纤维肌痛以全身弥漫性疼痛为主要特征的慢性非关节性风湿病，症状谱广泛，除慢性疼痛外，疲劳、睡眠障碍及躯体功能下降也十分常见，还会出现心理、认知问题，如焦虑、抑郁、记忆力和注意力减退等。慢性腰背痛包括头枕部、颈项部、肩背、胸背、腰背及腰臀部等部位的疼痛，约占骨科门诊的90％以上。因此，慢性腰背痛的治疗更侧重于明确的病因和定向治疗，而纤维肌痛的治疗更为综合，包括药物、物理疗法和心理支持等多个方面，两者都可能表现为慢性疼痛，存在症状共性，特别是在背部或全身的一些区域，这种共性可能使得在初期阶段更难区分。纤维肌痛的诊断主要基于一系列症状和体征，而没有明确的实验室检测或影像学依据，因此可能需要排除其他潜在的病因，这可能导致诊断困难。实际上，慢性软组织疼痛是一种比较主观的感受，会受到生理、心理、个人经历和社会文化等多方面因素的影响，并且个体对疼痛的理解和认知也存在差异，传统医生诊断十分依赖于病人的主观陈
3、现有疼痛主观评估手段常用的办法是视觉模拟量表、面部表情疼痛评估法、数字评定量表和疼痛识别问卷等，然而这些方法存在主观性和客观性不足的问题，对于慢性软组织疼痛情况的辨别总存在差异。特别是对于一些特殊群体，如聋哑人、精神错乱患者和抽象理解能力受损患者等群体，这些群体在评估慢性软组织疼痛情况上存在不同程度的障碍。
4、除上述方法外，还可以通过脑电图(electroencephalogram，eeg)观察大脑中与慢性软组织疼痛相关的神经活动，进而评估慢性软组织疼痛类型和强度。脑电信号是指记录到的大脑神经活动所产生的电信号，通过测量头皮上的电位变化来反映大脑神经元的电活动。大脑中的神经元通过电化学方式相互传递信息，当神经元兴奋时，会产生电流，通过神经元之间的连接传递，形成复杂的电活动模式。这些电活动可以通过头皮上的电极来捕捉和记录，并通常使用脑电图来记录。脑电图测量的是由大脑神经元在时间和空间上产生的微弱电位差，常用的测量点是放置在头皮上的多个电极，可以记录到不同脑区的电位变化。脑电信号具有频率特性(如δ、θ、α、β波等)、振幅特性(通常为微伏级别)和时空特性(在时间和空间上都具有特异性)。
5、目前的研究表明，慢性疼痛与大脑结构和功能的显著改变密切相关。特别是前额叶皮层以及包括杏仁核、海马和纹状体区在内的皮质下脑区域都与慢性疼痛有关。通过脑电图评估大脑功能异常并建立基于大脑的慢性软组织疼痛标志物可以推动慢性软组织疼痛的大脑机制潜在病理生理学的理解，特别是基于大脑的慢性疼痛标志物可能极大地帮助慢性软组织疼痛的诊断、预后、分类、预防和治疗，这种方法具有安全性、成本效益高、广泛适用且具有潜在的迁移性的优势，在临床上具有重要意义。
6、现有的专利技术专利“脑电图信号的识别和提取”中公开了一种用于识别和提取与疼痛相关的脑电图(eeg)信号的方法，方法包括：从一次或多次试验中接收每次试验的eeg数据；确定每个信号的电流密度；基于所计算的电流密度，估计一组感兴趣神经活动区域的电流密度；以及基于所估计的电流密度，计算每次试验的至少一个频谱特征；因此，针对每个感兴趣的神经活动区域，可计算在标记成指示疼痛状态的eeg数据和标记成指示无疼痛状态的eeg数据之间eeg数据变化的平均值和方差，以及基于至少一个感兴趣区域，可识别与疼痛相关的eeg信号，其中，在至少一个感兴趣区域，方差低于预定阈值；该方案仍然需要人工进行特征工程或者领域知识转换，对领域专家知识的依赖较大，费时费力且效率较低。
技术实现思路
1、本专利技术为克服上述现有技术对领域专家的依赖仍然较大、仍需人工协助判断、效率较低的缺陷，提供一种基于脑电图与深度学习的慢性软组织疼痛分类方法及系统，结合多尺度卷积和注意力网络对脑电图数据进行分类，能够为慢性软组织疼痛症状辅助诊断提供客观、定量化的科学分析手段，提高医生诊断工作效率，同时减少不必要的检查，避免医疗资源的浪费。
2、为解决上述技术问题，本专利技术的技术方案如下：
3、一种基于脑电图与深度学习的慢性软组织疼痛分类方法，包括以下步骤：
4、s1：获取eeg数据集并进行预处理；
5、所述eeg数据集包括若干名受试者的eeg时序数据；
6、s2：建立慢性软组织疼痛分类模型；
7、所述慢性软组织疼痛分类模型包括依次连接的多尺度卷积注意力模块、卷积transformer编码器和分类模块；
8、s3：将预处理后的eeg数据集输入所述慢性软组织疼痛分类模型中进行迭代训练，获取训练好的慢性软组织疼痛分类模型；
9、s4：获取待分类的受试者eeg时序数据，将待分类的受试者eeg时序数据输入到训练好的慢性软组织疼痛分类模型中进行分类，完成慢性软组织疼痛类型的分类。
10、优选地，所述步骤s1中的预处理包括：
11、对所述eeg数据集依次进行降采样、滤波去噪、伪迹成分去除、人工检查不良片段、重参考、片段分割和数据标注操作，将每个受试者的eeg时序数据分割为若干个等长时间的eeg片段数据，将所有eeg片段数据共同保存为预处理后的eeg数据集，完成预处理。
12、优选地，所述滤波去噪的步骤包括：
13、采用预设的第一频率的高通滤波器和预设的第二频率的陷波滤波器进行噪声去除，并剔除预设频率范围内的强非平稳线路噪声。
14、优选地，所述伪迹成分去除的步骤包括：
15、采用独立成分分析ica算法去除伪迹成分；所述伪迹成分包括：眼球运动伪迹、肌肉活动伪迹和心电伪迹。
16、优选地，所述步骤s2中的多尺度卷积注意力模块包括结构相同且并列设置的：特征提取路径1和特征提取路径2；
17、每个所述特征提取路径均包括依次连接的：频谱卷积子模块、可分离时间卷积子模块1、可分离时间卷积子模块2、可分离时间卷积子模块3、拼接层和尺度注意力子模块；所述可分离时间卷积子模块1和可分离时间卷积子模块2的输出还分别与拼接层连接；
18、所述频谱卷积子模块包括依次连接的：频谱卷积层、归一化层1和leakyrelu激活层1；
19、每个所述可分离时间卷积子模块均包括依次连接的：可本文档来自技高网...
【技术保护点】
1.一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，所述步骤S1中的预处理包括：
3.根据权利要求2所述的一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，所述滤波去噪的步骤包括：
4.根据权利要求2所述的一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，所述伪迹成分去除的步骤包括：
5.根据权利要求1所述的一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，所述步骤S2中的多尺度卷积注意力模块包括结构相同且并列设置的：特征提取路径1和特征提取路径2；
6.根据权利要求1所述的一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，所述步骤S2中的卷积Transformer编码器由2个卷积Transformer模块串联而成，每个卷积Transformer模块均包括依次连接的：因果卷积自注意力子模块、相加与归一化层1、多层感知机层1和相加与归一化层2；所述因果卷积自注意
7.根据权利要求1所述的一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，所述步骤S2中的分类模块包括依次连接的：多层感知机层2和Softmax分类层。
8.根据权利要求1所述的一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，所述步骤S2中建立的慢性软组织疼痛分类模型还设置有损失函数，所述损失函数为：
9.一种基于脑电图与深度学习的慢性软组织疼痛分类系统，应用权利要求1～8任意一项中所述的基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，包括：
10.一种计算机可读的存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～8任意一项所述方法中的步骤。
...【技术特征摘要】
1.一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，所述步骤s1中的预处理包括：
3.根据权利要求2所述的一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，所述滤波去噪的步骤包括：
4.根据权利要求2所述的一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，所述伪迹成分去除的步骤包括：
5.根据权利要求1所述的一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，所述步骤s2中的多尺度卷积注意力模块包括结构相同且并列设置的：特征提取路径1和特征提取路径2；
6.根据权利要求1所述的一种基于脑电图与深度学习的慢性软组织疼痛分类方法，其特征在于，所述步骤s2中的卷积transformer编码器由2个卷积transformer模块串联而成，每个卷积transformer模块均包括...
【专利技术属性】
技术研发人员：谢侃，邱世汉，杨俊杰，谢胜利，李炜，王湘，谢峰，古宇宏，杨其宇，张波，白文芳，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
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。