【技术实现步骤摘要】
本专利技术属于脑区电刺激，具体涉及一种基于深度学习的电刺激电极阵列配置优化方法及系统。
技术介绍
1、经颅直流电刺激是一种非侵袭性、利用弱电流(1～2ma)调节大脑皮质神经元活动的技术。通过放置在头皮的电刺激电极，以微弱的极化直流电作用于大脑皮质。经颅直流电刺激可以恢复和刺激各类神经的功能，可以缓解顽固神经性疼痛，还可以恢复知觉，改变被试验对象脑电信号，恢复被试验对象身体机能的功能。因此，研究经颅直流电刺激具有重要的医学意义。
2、现有技术中，为了提供经颅直流电刺激，大多采用由多个电刺激电极构成的电刺激电极阵列执行经颅直流电刺激任务，而电刺激电极阵列的配置大多需要临床医生通过反复试验，人力成本投入大，非常耗时而且不能得到最优的、个体化的设计；一旦出现电刺激电极阵列配置失准的情况，容易影响经颅直流电刺激的效果，导致电刺激电极阵列配置实用性差。
技术实现思路
1、为了解决现有技术存在的人力成本投入大、耗时、效率低、准确性差以及实用性差的问题，本专利技术目的在于提供一种基于深度学习的电刺激电极阵列配置优化方法及系统。
2、本专利技术所采用的技术方案为：
3、一种基于深度学习的电刺激电极阵列配置优化方法，包括如下步骤：
4、采集若干历史初始电刺激电极阵列配置方案，并获取历史初始电刺激电极阵列配置方案对应的历史优化电刺激电极阵列配置方案；
5、构建脑区神经模型，并基于脑区神经模型，获取若干历史优化电刺激电极阵列配置方案对应的历史脑区
6、根据若干历史优化电刺激电极阵列配置方案和若干历史脑区电活动变化数据，使用深度学习算法，构建电刺激电极阵列配置优化模型；
7、采集实时初始电刺激电极阵列配置方案，并将实时初始电刺激电极阵列配置方案输入脑区神经模型，得到对应的实时脑区电活动变化数据；
8、将实时脑区电活动变化数据输入电刺激电极阵列配置优化模型，进行电刺激电极阵列配置优化，得到对应的实时优化电刺激电极阵列配置方案。
9、进一步地，电刺激电极阵列包括沿用户脑区表层且按预设分布规则设置的若干非植入式的电刺激电极，每一电刺激电极对应的位置为电刺激点，且每一电刺激点还设置有脑电检测电极；
10、电刺激电极阵列配置方案包括历史初始电刺激电极阵列配置方案、历史优化电刺激电极阵列配置方案、实时初始电刺激电极阵列配置方案以及实时优化电刺激电极阵列配置方案；
11、电刺激点包括历史电刺激点、模拟电刺激点、历史优化电刺激点、实时电刺激点以及实时优化电刺激点。
12、进一步地，采集若干历史初始电刺激电极阵列配置方案，并获取历史初始电刺激电极阵列配置方案对应的历史优化电刺激电极阵列配置方案，包括如下步骤：
13、采集历史初始电刺激电极阵列配置方案，并获取历史初始电刺激电极阵列配置方案的历史电刺激参数和至少一个历史电刺激点的历史脑电信号；
14、根据历史电刺激参数，生成历史激励电信号，提取历史脑电信号对应的历史生物电信号；
15、根据历史激励电信号和历史生物电信号，获取脑区的脑空间阻抗参数，并随机生成若干模拟电刺激点；
16、根据若干模拟电刺激点与历史电刺激点的位置关系和脑空间阻抗参数，生成若干模拟电刺激点的模拟脑电信号；
17、获取历史电刺激点的历史脑电信号与若干模拟电刺激点的模拟脑电信号的相关系数矩阵；
18、根据相关系数矩阵，对若干模拟电刺激点和至少一个历史电刺激点进行筛选，得到由若干历史优化电刺激点构成的历史优化电刺激电极阵列配置方案；
19、重复上述步骤，获取若干历史初始电刺激电极阵列配置方案对应的若干历史优化电刺激电极阵列配置方案。
20、进一步地，构建脑区神经模型，并基于脑区神经模型，获取若干历史优化电刺激电极阵列配置方案对应的历史脑区电活动变化数据，包括如下步骤：
21、连接dmn网络、cen网络、sn网络、皮层下网络以及初级感知觉网络，构建初始的脑区神经模型；
22、将初始的脑区神经模型的若干关键节点作为若干脑区感兴趣区域，并将脑空间阻抗参数添加至初始的脑区神经模型，得到最终的脑区神经模型；
23、根据历史优化电刺激电极阵列配置方案，在最终的脑区神经模型上部署对应的历史优化电刺激电极阵列，并根据历史电刺激参数，设置最终的脑区神经模型的历史模拟激励电信号；
24、将历史优化电刺激电极阵列配置方案的若干历史优化电刺激点对应的历史模拟激励电信号，作用于最终的脑区神经模型部署的历史优化电刺激电极阵列，并采集最终的脑区神经模型若干脑区感兴趣区域的历史脑区电活动变化情况；
25、根据若干历史脑区电活动变化情况，获取对应的历史脑区电活动变化数据；
26、遍历所有历史优化电刺激电极阵列配置方案，获取若干历史优化电刺激电极阵列配置方案对应的若干历史脑区电活动变化数据。
27、进一步地，根据若干历史优化电刺激电极阵列配置方案和若干历史脑区电活动变化数据，使用深度学习算法，构建电刺激电极阵列配置优化模型，包括如下步骤：
28、将历史优化电刺激电极阵列配置方案作为历史真实标签，添加至对应的历史脑区电活动变化数据，生成对应的若干电刺激电极阵列配置优化样本；
29、对若干电刺激电极阵列配置优化样本进行预处理，得到若干预处理后电刺激电极阵列配置优化样本；
30、根据若干预处理后电刺激电极阵列配置优化样本，使用bilstm-attention-gat算法，构建电刺激电极阵列配置优化模型。
31、进一步地，电刺激电极阵列配置优化模型包括输入层、基于bilstm-attention算法构建的数据特征提取模块、基于gat算法算法构建的图特征提取模块、特征融合模块、分类器以及输出层，输入层分别与数据特征提取模块和图特征提取模块连接，数据特征提取模块和图特征提取模块均与特征融合模块连接，特征融合模块、分类器以及输出层依次连接。
32、进一步地，根据若干预处理后电刺激电极阵列配置优化样本，使用bilstm-attention-gat算法，构建电刺激电极阵列配置优化模型，包括如下步骤：
33、将若干预处理后电刺激电极阵列配置优化样本按照7：3的比例，划分为模型训练样本集和模型测试样本集；
34、将模型训练样本输入输入层，并使用数据特征提取模块提取模型训练样本的历史数据特征；
35、使用图特征提取模块提取模型训练样本对应的历史初始电刺激电极阵列配置方案的历史图特征；
36、使用特征融合模块对历史数据特征和历史图特征进行特征融合，得到历史融合特征；
37、根据历史融合特征，使用分类器进行分类，得到历史预测标签，并使用输出层输出对应的历史预测标签；
38、整合输入层、数据特征提取模块、图特征提取模块、特征融合模块、分类器以及输出层，本文档来自技高网...
【技术保护点】
1.一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：电刺激电极阵列包括沿用户脑区表层且按预设分布规则设置的若干非植入式的电刺激电极，每一所述的电刺激电极对应的位置为电刺激点，且每一所述的电刺激点还设置有脑电检测电极；
3.根据权利要求2所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：采集若干历史初始电刺激电极阵列配置方案，并获取历史初始电刺激电极阵列配置方案对应的历史优化电刺激电极阵列配置方案，包括如下步骤：
4.根据权利要求3所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：构建脑区神经模型，并基于脑区神经模型，获取若干历史优化电刺激电极阵列配置方案对应的历史脑区电活动变化数据，包括如下步骤：
5.根据权利要求4所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：根据若干历史优化电刺激电极阵列配置方案和若干历史脑区电活动变化数据，使用深度学习算法，构建电刺激电极阵列配置优化模型，包括
6.根据权利要求5所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：所述的电刺激电极阵列配置优化模型包括输入层、基于BiLSTM-Attention算法构建的数据特征提取模块、基于GAT算法算法构建的图特征提取模块、特征融合模块、分类器以及输出层，所述的输入层分别与数据特征提取模块和图特征提取模块连接，所述的数据特征提取模块和图特征提取模块均与特征融合模块连接，所述的特征融合模块、分类器以及输出层依次连接。
7.根据权利要求6所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：根据若干预处理后电刺激电极阵列配置优化样本，使用BiLSTM-Attention-GAT算法，构建电刺激电极阵列配置优化模型，包括如下步骤：
8.根据权利要求7所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：采集实时初始电刺激电极阵列配置方案，并将实时初始电刺激电极阵列配置方案输入脑区神经模型，得到对应的实时脑区电活动变化数据，包括如下步骤：
9.根据权利要求8所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：将实时脑区电活动变化数据输入电刺激电极阵列配置优化模型，进行电刺激电极阵列配置优化，得到对应的实时优化电刺激电极阵列配置方案，包括如下步骤：
10.一种基于深度学习的电刺激电极阵列配置优化系统，用于实现如权利要求1-9任一所述的电刺激电极阵列配置优化方法，其特征在于：所述的系统包括依次连接的历史优化电刺激电极阵列配置方案获取单元、历史脑区电活动变化数据获取单元、电刺激电极阵列配置优化模型构建单元、实时脑区电活动变化数据获取单元以及电刺激电极阵列配置优化单元；
...【技术特征摘要】
1.一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：电刺激电极阵列包括沿用户脑区表层且按预设分布规则设置的若干非植入式的电刺激电极，每一所述的电刺激电极对应的位置为电刺激点，且每一所述的电刺激点还设置有脑电检测电极；
3.根据权利要求2所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：采集若干历史初始电刺激电极阵列配置方案，并获取历史初始电刺激电极阵列配置方案对应的历史优化电刺激电极阵列配置方案，包括如下步骤：
4.根据权利要求3所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：构建脑区神经模型，并基于脑区神经模型，获取若干历史优化电刺激电极阵列配置方案对应的历史脑区电活动变化数据，包括如下步骤：
5.根据权利要求4所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：根据若干历史优化电刺激电极阵列配置方案和若干历史脑区电活动变化数据，使用深度学习算法，构建电刺激电极阵列配置优化模型，包括如下步骤：
6.根据权利要求5所述的一种基于深度学习的电刺激电极阵列配置优化方法，其特征在于：所述的电刺激电极阵列配置优化模型包括输入层、基于bilstm-attention算法构建的数据特征提取模块、基于gat算法算法构建的图特征提...
【专利技术属性】
技术研发人员：刘春红，郭志鹏，陈垒，曲淼，王聪，
申请(专利权)人：首都医科大学附属北京中医医院，
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。