一种基于脑电波与神经网络的疼痛检测定位方法及系统技术方案

本发明专利技术公开了一种基于脑电波与神经网络的疼痛检测定位方法及系统，该方法步骤包括：通过独立成分分析去除原始脑电信号相关噪声，进行脑电信号的疼痛等级划分，利用信号时间分割窗口处理，将疼痛等级数据整合后建立疼痛等级数据集；通过傅里叶变换、方位等距投影和CloughTocher插值算法分别生成与疼痛相关的Theta、Alpha和Beta频带各时间窗口的光谱地形图，合并为多通道的脑电图序列；通过CNN‑LSTM‑AM神经网络获得与疼痛程度及疼痛位置相关的脑电波序列的时间‑空间特征向量；将CNN‑LSTM‑AM神经网络学习到的脑电波疼痛特征输入到疼痛分类器模型中，以评估疼痛等级和疼痛位置。本发明专利技术能实现准确高效地提取和处理脑电波的疼痛程度变化和位置变化特征，自动识别疼痛等级和疼痛位置。

【技术实现步骤摘要】
一种基于脑电波与神经网络的疼痛检测定位方法及系统
本专利技术涉及疼痛检测
，具体涉及一种基于脑电波与神经网络的疼痛检测定位方法及系统。
技术介绍
近年来的研究表明，疼痛会伴随着明显的生理变化，这些变化主要体现在自主神经系统响应参数方面，如脑电波、心率、皮肤电水平等。利用伴随疼痛产生的电生理信号来衡量疼痛水平是实现疼痛客观评估的有效途径。在疼痛相关电生理信号中，脑电信号(Electroencephalogram,EEG)是一种较为理想的客观评估疼痛的生理指标，它具有毫秒级的高时间分辨率和相对较低的数据采集成本，并且直接反映了神经元电活动，通过对脑电信号(EEG)进行特征提取、模式识别等，获得反映人的生理、心理和疾病的大量信息。目前，将所有电极的光谱测量数据聚合成特征向量是脑电数据分析的标准方法。然而，这种方法显然忽略了数据在空间、频率和时间上的固有结构。
技术实现思路
为了克服现有技术存在的缺陷与不足，本专利技术提供一种基于脑电波与神经网络的疼痛检测定位方法及系统，本专利技术能够实现无痛、轻痛、中痛和重痛四种疼痛等级的自动识别，及定位出疼痛产生的位置，可准确高效地提取和处理疼痛时的脑电波变化特征，自动评估并反馈疼痛等级和疼痛位置。为了达到上述目的，本专利技术采用以下技术方案：本专利技术提供一种基于脑电波与神经网络的疼痛检测定位方法，包括下述步骤：采用独立成分分析算法去除原始脑电信号噪声，进行脑电信号疼痛等级分割，将每一个疼痛等级分割成多个等长时间窗口，获得多通道脑电时间序列，得到预处理后的疼痛数据集；通过傅里叶变换、方位等距投影和CloughTocher插值算法分别生成与疼痛相关的Theta、Alpha和Beta频带各时间窗口的光谱地形图，合并为多通道的脑电波序列，作为CNN-LSTM-AM神经网络的输入；构建CNN-LSTM-AM神经网络，并训练CNN-LSTM-AM神经网络，通过CNN-LSTM-AM神经网络获得与疼痛程度及疼痛位置相关的脑电波(EEG)序列的时间-空间特征向量；构建Softmax疼痛分类器模型，将CNN-LSTM-AM神经网络学习到的脑电波疼痛特征输入到疼痛分类器模型中，匹配及识别疼痛等级及疼痛位置。作为优选的技术方案，所述采用独立成分分析算法去除原始脑电信号噪声，具体步骤包括：采用50Hz陷波器消除工频干扰；采用带通滤波器滤除EEG信号高频成分；采用独立成分分析算法处理与EEG信号混合在一起的伪迹信号。作为优选的技术方案，所述合并为多通道的脑电波序列，具体步骤包括：通过FFT计算脑电信号每个电极Theta,Alpha和Beta频带的功率谱密度；通过方位等距投影和Clough-Tocher插值生成相应频带每个时间窗口的光谱地形图；将光谱地形图序列组合成三通道的脑电图像序列，作为CNN-LSTM-AM网络的输入。作为优选的技术方案，所述通过FFT计算脑电信号每个电极Theta,Alpha和Beta频带的功率谱密度，具体计算公式为：其中，Sxx(ω)表示所求功率谱密度，T表示信号区间，表示[0,T]区间内脑电信号x(t)的傅里叶变换，表示幅值谱密度平方后的期望值。作为优选的技术方案，所述构建CNN-LSTM-AM神经网络，具体步骤包括：构建卷积神经网络层：卷积神经网络层设有ConvNets，采用ConvNets提取脑电图序列中的空间特征，ConvNets的所有子网络在帧之间共享参数，且输出都被重塑为序列帧，用于研究脑电光谱地形图中的时间特征；构建长短期记忆网络层：长短期记忆网络层采用BiLSTM捕捉ConvNets输出序列的时间演化；构建注意力层：注意力层采用AttentionModel模拟人脑的注意力模型，用于给在疼痛等级识别时不同的EEG疼痛变化特征及在疼痛定位时不同的EEG位置变化特征加以不同的注意力权重。作为优选的技术方案，所述构建Softmax疼痛分类器模型的具体步骤包括：给定m个训练样本：{(x(1),y(1)),(x(2),y(2)),…,(x(m),y(m))}设定一个假设函数h：其中，x(i)表示输入特征，y(i)表示标记样本，θ表示引入的假设参数，p()表示概率计算函数；构建损失函数为：其中，λ表示随机常数，J(θ)表示损失函数；将损失函数的导数代入梯度下降算法中，得到疼痛多分类模型。本专利技术还提供一种基于脑电波与神经网络的疼痛检测定位系统，包括：数据预处理模块、脑电波序列构建模块、CNN-LSTM-AM神经网络构建模块、CNN-LSTM-AM神经网络训练模块、Softmax疼痛分类器模型构建模块、匹配及识别模块；所述数据预处理模块用于对原始脑电信号进行数据预处理，采用独立成分分析算法去除原始脑电信号噪声，进行脑电信号疼痛等级分割，将每一个疼痛等级分割成多个等长时间窗口，获得多通道脑电时间序列，得到预处理后的疼痛数据集；所述脑电波序列构建模块用于构建多通道的脑电波序列，通过傅里叶变换、方位等距投影和CloughTocher插值算法分别生成与疼痛相关的Theta、Alpha和Beta频带各时间窗口的光谱地形图，合并为多通道的脑电波序列，作为CNN-LSTM-AM神经网络的输入；所述CNN-LSTM-AM神经网络构建模块用于构建CNN-LSTM-AM神经网络；所述CNN-LSTM-AM神经网络训练模块用于训练CNN-LSTM-AM神经网络，通过CNN-LSTM-AM神经网络获得与疼痛程度及疼痛位置相关的脑电波(EEG)序列的时间-空间特征向量；所述Softmax疼痛分类器模型构建模块用于构建Softmax疼痛分类器模型；所述匹配及识别模块用于将CNN-LSTM-AM神经网络学习到的脑电波疼痛特征输入到疼痛分类器模型中，匹配及识别疼痛等级及疼痛位置。作为优选的技术方案，所述数据预处理模块设有工频干扰消除单元、高频成分滤除单元和伪迹信号处理单元；所述工频干扰消除单元用于采用50Hz陷波器消除工频干扰；所述高频成分滤除单元用于采用带通滤波器滤除EEG信号高频成分；所述伪迹信号处理单元用于采用独立成分分析算法处理与EEG信号混合在一起的伪迹信号。作为优选的技术方案，所述脑电波序列构建模块包括功率谱密度计算单元、光谱地形图生成单元和合成单元；所述功率谱密度计算单元用于通过FFT计算脑电信号每个电极Theta,Alpha和Beta频带的功率谱密度；所述光谱地形图生成单元用于通过方位等距投影和Clough-Tocher插值生成相应频带每个时间窗口的光谱地形图；所述合成单元用于将光谱地形图序列组合成三通道的脑电图像序列，作为CNN-LSTM-AM网络的输入。作为优选的技术方案，所述CNN-LSTM-AM神经网络包括卷积神经网络层本文档来自技高网...

【技术保护点】
1.一种基于脑电波与神经网络的疼痛检测定位方法，其特征在于，包括下述步骤：/n采用独立成分分析算法去除原始脑电信号噪声，进行脑电信号疼痛等级分割，将每一个疼痛等级分割成多个等长时间窗口，获得多通道脑电时间序列，得到预处理后的疼痛数据集；/n通过傅里叶变换、方位等距投影和CloughTocher插值算法分别生成与疼痛相关的Theta、Alpha和Beta频带各时间窗口的光谱地形图，合并为多通道的脑电波序列，作为CNN-LSTM-AM神经网络的输入；/n构建CNN-LSTM-AM神经网络，并训练CNN-LSTM-AM神经网络，通过CNN-LSTM-AM神经网络获得与疼痛程度及疼痛位置相关的脑电波(EEG)序列的时间-空间特征向量；/n构建Softmax疼痛分类器模型，将CNN-LSTM-AM神经网络学习到的脑电波疼痛特征输入到疼痛分类器模型中，匹配及识别疼痛等级及疼痛位置。/n

【技术特征摘要】
1.一种基于脑电波与神经网络的疼痛检测定位方法，其特征在于，包括下述步骤：
采用独立成分分析算法去除原始脑电信号噪声，进行脑电信号疼痛等级分割，将每一个疼痛等级分割成多个等长时间窗口，获得多通道脑电时间序列，得到预处理后的疼痛数据集；
通过傅里叶变换、方位等距投影和CloughTocher插值算法分别生成与疼痛相关的Theta、Alpha和Beta频带各时间窗口的光谱地形图，合并为多通道的脑电波序列，作为CNN-LSTM-AM神经网络的输入；
构建CNN-LSTM-AM神经网络，并训练CNN-LSTM-AM神经网络，通过CNN-LSTM-AM神经网络获得与疼痛程度及疼痛位置相关的脑电波(EEG)序列的时间-空间特征向量；
构建Softmax疼痛分类器模型，将CNN-LSTM-AM神经网络学习到的脑电波疼痛特征输入到疼痛分类器模型中，匹配及识别疼痛等级及疼痛位置。


2.根据权利要求1所述的基于脑电波与神经网络的疼痛检测定位方法，其特征在于，所述采用独立成分分析算法去除原始脑电信号噪声，具体步骤包括：
采用50Hz陷波器消除工频干扰；
采用带通滤波器滤除EEG信号高频成分；
采用独立成分分析算法处理与EEG信号混合在一起的伪迹信号。


3.根据权利要求1所述的基于脑电波与神经网络的疼痛检测定位方法，其特征在于，所述合并为多通道的脑电波序列，具体步骤包括：
通过FFT计算脑电信号每个电极Theta,Alpha和Beta频带的功率谱密度；
通过方位等距投影和Clough-Tocher插值生成相应频带每个时间窗口的光谱地形图；
将光谱地形图序列组合成三通道的脑电图像序列，作为CNN-LSTM-AM网络的输入。


4.根据权利要求3所述的基于脑电波与神经网络的疼痛检测定位方法，其特征在于，所述通过FFT计算脑电信号每个电极Theta,Alpha和Beta频带的功率谱密度，具体计算公式为：









其中，Sxx(ω)表示所求功率谱密度，T表示信号区间，表示[0,T]区间内脑电信号x(t)的傅里叶变换，表示幅值谱密度平方后的期望值。


5.根据权利要求1所述的基于脑电波与神经网络的疼痛检测定位方法，其特征在于，所述构建CNN-LSTM-AM神经网络，具体步骤包括：
构建卷积神经网络层：卷积神经网络层设有ConvNets，采用ConvNets提取脑电图序列中的空间特征，ConvNets的所有子网络在帧之间共享参数，且输出都被重塑为序列帧，用于研究脑电光谱地形图中的时间特征；
构建长短期记忆网络层：长短期记忆网络层采用BiLSTM捕捉ConvNets输出序列的时间演化；
构建注意力层：注意力层采用AttentionModel模拟人脑的注意力模型，用于给在疼痛等级识别时不同的EEG疼痛变化特征及在疼痛定位时不同的EEG位置变化特征加以不同的注意力权重。


6.根据权利要求1所述的基于脑电波与神经网络的疼痛检测定位方法，其特征在于，所述构建Softmax疼痛分类器模型的具体步骤包括：
给定m个训练样本：
{(x(1),y(1)),(x(2),y(2)),…,(x(m),y(m))}
设定一个假设函数h：



其中，x(i)表示输入特征，y(i)表示标记样本，θ表示引入的假设参数，p()表示概...

【专利技术属性】
技术研发人员：伍冯洁，麦伟健，唐一晟，刘庆焜，向宇涵，罗文俊，郭子芊，刘根生，钟键，
申请(专利权)人：广州大学，
类型：发明
国别省市：广东;44