一种基于孤独症儿童左右脑差异性建模的脑电分析方法

技术领域

本发明涉及生物医学信息技术领域，尤其是一种基于孤独症儿童左右脑差异性建模的脑电分析方法。

背景技术

孤独症是一种广泛性脑功能发育障碍，其基本特征为社会交往障碍、语言发育障碍、兴趣狭隘即行为刻板。迄今为止原因不明，孤独症通常起病于三岁之前，有临床研究表示越早干预、教育、临床治疗可以越明显改善患者的认知和交流功能，更有轻症患者可通过早期干预达到与常人无异的治疗效果。同时由于孤独症儿童年龄较小，广泛研究使用的功能性核磁共振成像(fMRI)、脑磁图和眼动技术等也就具有了一定的局限性。

脑电技术作为一种非侵入式的采集方式，具有较高的时间分辨率，是研究复杂神经障碍的有力工具。静息态脑电检测是在没有外界刺激和任务下的大脑活动，对于年龄较小且认知水平和任务配合程度低的孤独症儿童来说，静息态脑电则具有一定的优势，也因此更易于在临床辅助分析判断领域中应用。

脑电信号的分类现已有大量研究结合了当前热门计算机技术-卷积神经网络，现有的技术中大多使用先提供脑电信号的功率熵、样本熵等脑电量化特征，再使用简单分类器进行分类，但脑电信号具有强烈的复杂性，并且上述技术的实现前提是脑电信号具有随机平稳性，但实际上并非如此。

因此需要研发一种基于孤独症儿童左右脑差异性建模的脑电分析方法以解决这一问题。

发明内容

本发明需要解决的技术问题是提供一种基于孤独症儿童左右脑差异性建模的脑电分析方法，使用卷积神经网络对原始脑电信号进行端到端的特征提取，可学习到目前量化技术难以解释的特征规律，进而达到提高分类精度的效果，并会提升在实际应用中的工作效率。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于孤独症儿童左右脑差异性建模的脑电分析方法，包括：

采用脑电数据获取模块采集正常儿童和孤独症儿童的静息态脑电数据，并预处理成模型输入所需的多变量时间序列矩阵；

采用时序多尺度特征学习模块捕获脑电信号时间维度上不同尺度的特征，并使用卷积层对多尺度时间特征进行融合；

采用空间特征学习与融合模块分别对左右半脑进行空间维度上的卷积操作，提取更为丰富的通道间特征，并使用注意力机制最大化左右半脑特征差异性，最后通过加权平均进行数据融合；

采用分类模块通过分类损失优化模型完成训练过程，得到被分析者的患孤独症概率。

本发明技术方案的进一步改进在于：所述采用脑电数据获取模块采集正常儿童和孤独症儿童的静息态脑电数据，是使用128导脑电系统进行采集，选择覆盖四个功能脑区的46个电极，所有电极以Cz为参考，阻抗控制在50kΩ以下。

本发明技术方案的进一步改进在于：所述预处理具体包括：将采集的原始静息态脑电数据以采样频率fs为单位进行切片处理，将每个切片作为一个样本，再将每个样本数据分成左右半脑数据，左右半脑通道数分别为n

本发明技术方案的进一步改进在于：所述时序多尺度特征学习模块包括多尺度时间特征提取子模块和多尺度时间特征融合子模块；

所述捕获脑电信号时间维度上不同尺度的特征，并使用卷积层对多尺度时间特征进行融合；具体包括以下步骤：

步骤21，将预处理后的左右半脑脑电原始数据矩阵输入到多尺度时间特征提取子模块；

步骤22，多尺度时间特征提取子模块包含卷积层和池化层，并通过ReLU激活函数获得三个不同尺度下的时间特征矩阵，其中具体尺度分别为时间维度的1/2、1/4和1/8的二维卷积；

步骤23，每个多尺度时间特征提取子模块在卷积层后接池化层，在时间维度上对输入数据使用均值池化层进行压缩，压缩至1/2，得到左右半球脑电数据不同尺度的时间特征

其中，AP(·)是池化窗口为(1,2)的平均池化，Conv2D(·,s

步骤24，采用多尺度时间特征融合子模块将拼接后的左右半脑多尺度时间特征M

其中，BN{·}为批归一化操作，[·,]为通道维的concatenate级联，

本发明技术方案的进一步改进在于：所述空间特征学习与融合模块包括空间特征提取子模块和注意力空间特征融合子模块；

所述分别对左右半脑进行空间维度上的卷积操作，提取更为丰富的通道间特征，并使用注意力机制最大化左右半脑特征差异性，最后通过加权平均进行数据融合；具体包括以下步骤：

步骤31，采用空间特征提取子模块将左右脑脑电的时间特征矩阵分别在空间维度上，使用包括一个二维卷积层、一个ReLU激活函数以及一个均值池化层进行特征提取，得到左右脑的时空特征矩阵SpaL和SpaR：

其中，空间特征提取子模块中的卷积层使用的卷积核尺度

步骤32，在空间维度上进行级联，并采用批归一化的方法对时空特征矩阵在batch维度上进行标准化处理，得到注意力空间特征融合子模块的输入Features：

Features＝BN{[SpaL,SpaR]}＝[L,R](9)

步骤33，注意力空间特征融合子模块使用注意力机制Att(·)得到左右脑的特征权重β

步骤34，使用全局平均池化层对左右脑时空特征矩阵进行融合，作为注意力空间特征融合子模块的输出Fusion：

其中，GAP(·)是全局平均池化，k″为上一卷积层的卷积核个数，Q为注意力机制中的压缩比率。

本发明技术方案的进一步改进在于：所述通过分类损失优化模型完成训练过程，得到被分析者的患孤独症概率，具体是指：将时空融合特征矩阵输入到包含两个全连接层，一个ReLU激活函数以及一个Softmax激活函数的分类层，并且使用交叉熵损失函数优化训练得到最终分析结果，交叉熵损失函数具体公式如下：

其中，y

由于采用了上述技术方案，本发明取得的技术进步是：

本发明利用孤独症儿童各频带异常分布和左右脑不对称性的特点，设计出能够高效提取孤独症儿童原始脑电数据中学习时空特征的网络；通过提出一种左右脑时空特征融合策略，使用多尺度提取多重频带特征，同时使用注意力机制最大化左右脑差异特点，即使用注意力机制对左右脑重新加权，在有效的提取以及融合了时空特征的同时，一定程度的解决了个体差异大的问题，增加了模型的鲁棒性；能够提取更为高效的提升孤独症分析判断的效率，能够增强孤独症分析判断的性能和精度，为孤独症辅助分析判断提供了新的途径。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；

图1是本发明实施例中方法流程图；

图2是本发明实施例中方法框架图；

图3是本发明实施例中多尺度时间特征提取框架图；

图4是本发明实施例中注意力机制框架图；

图5是本发明实施例中方法与其他对照方法的混淆矩阵结果。

具体实施方式

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语,“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明是受孤独症谱系障碍儿童脑电信号在空间上的左右脑差异性的启发而设计的，设计脑电数据获取模块、时序多尺度特征学习模块(包括多尺度时间特征提取子模块和多尺度时间特征融合子模块)、空间特征学习与融合模块(包括空间特征提取子模块和注意力空间特征融合子模块)和分类模块。其中多尺度时间特征提取子模块用于提取脑电各电极通道不同频带的时间特征，空间特征提取子模块分左右脑两个局部区域学习空间特征，并通过注意力融合模块实现左右脑时空特征的融合。分别将左右脑脑电原始数据处理成矩阵作为输入，经过三个不同尺度的时间特征学习得到不同分辨率的特征矩阵；将时间特征矩阵通过时间特征提取模块分别学习左脑和右脑的空间特征矩阵；通过注意力机制对左右脑空间特征进行加权融合，最后通过分类损失优化模型完成训练过程，对怀疑的孤独症谱系障碍儿童进行测试分析，得到被分析者的患孤独症的概率。

下面结合附图及实施例对本发明做进一步详细说明：,

如图1-2所示，一种基于孤独症儿童左右脑差异性建模的脑电分析方法，在数据格式为通道优先的模式下，包括以下步骤：

步骤1，采用脑电数据获取模块采集正常儿童和孤独症儿童的静息态脑电数据，并预处理成模型输入所需的多变量时间序列矩阵；

具体包括以下步骤：

步骤11，静息态脑电数据采集：

脑电数据获取模块使用128导脑电系统，选择了其中可做大面积覆盖四个功能脑区的46个电极，所有电极以Cz为参考，阻抗控制在50kΩ以下。保证数据采集时间在5分钟到10分钟时长，采集过程中，被试儿童坐在舒适的椅子上保持安静、睁眼状态，通常由护理人员陪伴在一个安静的房间里。共获取45名3-6岁孤独症儿童和45名3-6岁普遍发育儿童的静息态脑电数据，

步骤12，静息态脑电数据预处理：

将采集的原始数据以采样频率fs为单位进行切片处理，每个被试选择30s数据，分30个切片，将每个切片作为一个样本，再将每个样本数据分成左右半脑数据,通道数分别为n

步骤2，采用时序多尺度特征学习模块捕获脑电信号时间维度上不同尺度的特征，并使用卷积层对多尺度时间特征进行融合；

时序多尺度特征学习模块包括多尺度时间特征提取子模块和多尺度时间特征融合子模块；具体包括以下步骤：

步骤21，将预处理后的左右半脑脑电原始数据矩阵输入到多尺度时间特征提取子模块；

步骤22，如图3所示，多尺度时间特征提取子模块包含卷积层和池化层，并通过ReLU激活函数获得不同尺度的时间特征矩阵，其中具体尺度分别为时间维度的1/2、1/4和1/8的二维卷积；

步骤23，每个多尺度时间特征提取子模块在卷积层后接池化层，在时间维度上对输入数据使用均值池化层进行压缩，压缩至1/2，得到左右半球脑电数据不同尺度的时间特征

其中，AP(·)是池化窗口为(1,2)的平均池化，Conv2D(·,s

步骤24，采用多尺度时间特征融合子模块将拼接后的左右半脑多尺度时间特征M

其中，BN{·}为批归一化操作，[·,]为通道维的concatenate级联，

步骤3，采用空间特征学习与融合模块分别对左右半脑进行空间维度上的卷积操作，提取更为丰富的通道间特征，并使用注意力机制最大化左右半脑特征差异性，最后通过加权平均进行数据融合；

空间特征学习与融合模块包括包括空间特征提取子模块和注意力空间特征融合子模块；具体包括以下步骤：

步骤31，设计空间特征提取子模块，将左右脑脑电的时间特征矩阵分别在空间维度上，使用包括一个二维卷积层、一个ReLU激活函数以及一个均值池化层进行特征提取，得到左右脑的时空特征矩阵SpaL和SpaR：

步骤32，在空间维度上进行级联，并采用批归一化的方法对时空特征矩阵在batch维度上进行标准化处理，得到注意力空间特征融合子模块的输入Features：

Features＝BN{[SpaL,SpaR]}＝[L,R] (9)

其中，空间特征提取子模块中的卷积层使用的卷积核尺度S

步骤33，如图4所示，注意力空间特征融合子模块使用注意力机制得到左右脑的特征权重，与左右脑时空特征矩阵相乘在空间上对时空特征矩阵使用注意力重新加权，得到使用左右脑差异增强的时空特征矩阵；

步骤34，使用全局平均池化层对左右脑时空特征矩阵进行融合，作为注意力空间特征融合子模块的输出Fusion：

其中，GAP(·)是全局平均池化，k″为上一卷积层的卷积核个数，Q为注意力机制中的压缩比率。

步骤4，采用分类模块通过分类损失优化模型完成训练过程，得到被分析者的患孤独症概率；具体方法如下：

将时空融合特征矩阵输入到包含两个全连接层，一个ReLU激活函数以及一个Softmax激活函数的分类层，并且使用交叉熵损失函数优化训练得到最终分析结果，交叉熵损失函数具体公式如下：

其中，y

本实施例设置如下对照方法：

TSception：基于脑电图(EEG)的情绪识别深度学习框架，空间特征学习部分利用大脑区域情绪反应的不对称性来学习识别大脑左右半球的特征。

EEGNet：一种轻量级的EEG分析卷积神经网络，使用深度卷积和可分离卷积来构建EEG特征提取模型。同时是一个多范式可用的框架，目前在脑电图领域比较流行。

ShallowConvNet：一种相当通用的架构，专门用于解码基于DeepConvNet的频段功率特性。

实验过程中，将来自于90名被试的样本集，采用被试独立的方式划分为五等份，其中四份作训练集进行模型的训练，余下一份作为测试集，用于评估模型性能。五份数据依次作为测试集，开展五次实验。本发明方法与对照方法的结果准确率如表1所示，混淆矩阵结果如图5所示，所有结果均为五次实验结果的平均值。

表1本发明方法测试结果与对照方法测试结果对比

由上表1可知，本发明方法的性能显然优于其他基线方法，由此说明本发明能够有效的利用孤独症脑电的左右脑差异相关特征，能够较好的对被测儿童进行分析预测。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。