【技术实现步骤摘要】
本专利技术涉及图像分析，尤其涉及一种基于对比学习的脑磁图棘波特征聚类方法。
技术介绍
1、癫痫是一种常见的神经系统疾病，发作时脑部神经元异常放电，具有反复性和短暂性的特点。癫痫患者中，约30%的比例很难通过药物抑制，需要进行手术调控，为此需要精准定位癫痫致痫灶位置。
2、已有研究表明，使用脑磁图（magnetoencephalography，后简称meg）进行癫痫病人的致痫灶定位与传统的颅骨下放置大脑皮层电极（ecog）或插入深部立体电极（seeg）来定位致痫灶的方法具有良好的一致性。区别于ecog、seeg的有创探测方法，meg溯源定位具有采集时间短、无痛苦、无风险等优点，是一个很有实用前景和临床价值的研究课题。
3、脑磁图溯源定位的具体方法为：采集癫痫病人发作间期的静息态脑磁数据；将脑磁数据与病人头部结构像数据进行配准，并选择合适的头模型与源空间模型计算出前向场；识别标记ieds（interictalepilepticdischarges）信号时刻点（以棘波为代表），求解溯源定位的逆问题得到估计的刺激灶位置。
4、在本文档来自技高网...
【技术保护点】
1.一种基于对比学习的脑磁图棘波特征聚类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于对比学习的脑磁图棘波特征聚类方法，其特征在于，在步骤S1中，对病人的脑磁图数据进行预处理，具体为：
3.根据权利要求1所述的基于对比学习的脑磁图棘波特征聚类方法，其特征在于，所述深度学习模型包括时间维度卷积模块和通道维度注意力模块，所述深度学习模型的训练过程如下：
4.根据权利要求3所述的基于对比学习的脑磁图棘波特征聚类方法，其特征在于，在将训练数据和增广数据分别输入到深度学习模型中，以输出相应的训练预测特征矩阵和增广预测特征矩阵中...
【技术特征摘要】
1.一种基于对比学习的脑磁图棘波特征聚类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于对比学习的脑磁图棘波特征聚类方法，其特征在于，在步骤s1中，对病人的脑磁图数据进行预处理，具体为：
3.根据权利要求1所述的基于对比学习的脑磁图棘波特征聚类方法，其特征在于，所述深度学习模型包括时间维度卷积模块和通道维度注意力模块，所述深度学习模型的训练过程如下：
4.根据权利要求3所述的基于对比学习的脑磁图棘波特征聚类方法，其特征在于，在将训练数据和增广数据分别输入到深度学习模型中，以输出相应的训练预测特征...
【专利技术属性】
技术研发人员：肖坤涛，杨万里，盛书荣，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
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。