一种基于神经元锋电位信号的抑郁状态指征确定方法技术

本发明专利技术公开了一种基于神经元锋电位信号的抑郁状态指征确定方法，该方法包括分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据；将各锋电位通道信号数据转换为神经元发放速率数据，并基于神经元发放速率数据构建输入数据矩阵；建立双路卷积

【技术实现步骤摘要】
一种基于神经元锋电位信号的抑郁状态指征确定方法


[0001]本申请涉及脑电数据分析
，具体而言，涉及一种基于神经元锋电位信号的抑郁状态指征确定方法。

技术介绍

[0002]据世界卫生组织统计，当前抑郁症患病人群在全球的数量持续增长。其中，10%
‑
30%患者因传统治疗方式无效或者效果欠佳而发展成难治性抑郁症。目前，基于脑机接口的大脑闭环调控技术有望为难治性抑郁患者带来新的治疗手段，该技术的重要一环是基于脑信号的抑郁状态检测。脑电数据信号是携带大脑状态的信息载体，是进行大脑状态判断的重要工具。由于脑电数据通常是高纬度的复杂信号，通常需要通过脑电信号特征提取技术获取脑电信号中的有效信息。对于已经确认患有抑郁症的患者而言，其也并非是24小时一直处于抑郁状态之中，闭环脑机接口调控的抑郁治疗技术只有在抑郁症患者当前处于抑郁状态时才能够有很好的治疗效果，而目前并没有一种能够较为准确的为闭环脑机接口调控的抑郁治疗技术确定患者当前的抑郁状态指征的确定方法。

技术实现思路

[0003]为了解决上述问题，本申请实施例提供了一种基于神经元锋电位信号的抑郁状态指征确定方法。
[0004]第一方面，本申请实施例提供了一种基于神经元锋电位信号的抑郁状态指征确定方法，所述方法包括：分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据；将各所述锋电位通道信号数据转换为神经元发放速率数据，并基于所述神经元发放速率数据构建输入数据矩阵；建立双路卷积
‑
循环神经网络模型，并基于所述输入数据矩阵训练所述双路卷积
‑
循环神经网络模型；基于所述双路卷积
‑
循环神经网络模型对所述目标对象的当前锋电位通道信号数据进行计算，得到所述目标对象的当前抑郁状态指征数据。
[0005]优选的，所述分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据之后，还包括：将抑郁状态下的所述锋电位通道信号数据标记为负样本数据，将非抑郁状态下的所述锋电位通道信号数据标记为正样本数据。
[0006]优选的，所述将各所述锋电位通道信号数据转换为神经元发放速率数据，包括：确定各所述锋电位通道信号数据对应的各锋电位通道；分别统计每个所述锋电位通道在单位统计时长内所述锋电位通道信号数据出现的个数，得到神经元发放速率数据。
[0007]优选的，所述基于所述神经元发放速率数据构建输入数据矩阵，包括：
基于滑动时间窗口将所述神经元发放速率数据划分为多个连续时间片，整合各所述连续时间片，构建得到输入数据矩阵。
[0008]优选的，所述建立双路卷积
‑
循环神经网络模型，包括：构建多通道卷积
‑
循环神经网络分支，所述多通道卷积
‑
循环神经网络分支包括两组卷积
‑
激活单元与一个单向循环神经网络；构建跨通道卷积
‑
循环神经网络分支，所述跨通道卷积
‑
循环神经网络分支包括一组通道间卷积
‑
激活单元与一个所述单向循环神经网络；将所述多通道卷积
‑
循环神经网络分支与所述跨通道卷积
‑
循环神经网络分支的隐空间变量拼接，构建三层全连接网络，并在所述三层全连接网络中接入二分类激活层，得到双路卷积
‑
循环神经网络模型，用以将模型分类结果转换为标签预测概率值。
[0009]优选的，所述基于所述输入数据矩阵训练所述双路卷积
‑
循环神经网络模型，包括：将所述输入数据矩阵划分为训练集矩阵与测试集矩阵；将所述训练集矩阵训练所述双路卷积
‑
循环神经网络模型，并将交叉熵作为所述双路卷积
‑
循环神经网络模型的损失函数；基于反向传播法最小化所述损失函数后，得到优化后的所述双路卷积
‑
循环神经网络模型；根据所述测试集矩阵验证所述双路卷积
‑
循环神经网络模型。
[0010]优选的，所述方法还包括：根据所述当前抑郁状态指征数据确定电刺激数值，并基于所述电刺激数值生成控制指令。
[0011]第二方面，本申请实施例提供了一种基于神经元锋电位信号的抑郁状态指征确定装置，所述装置包括：获取模块，用于分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据；转换模块，用于将各所述锋电位通道信号数据转换为神经元发放速率数据，并基于所述神经元发放速率数据构建输入数据矩阵；建立模块，用于建立双路卷积
‑
循环神经网络模型，并基于所述输入数据矩阵训练所述双路卷积
‑
循环神经网络模型；计算模块，用于基于所述双路卷积
‑
循环神经网络模型对所述目标对象的当前锋电位通道信号数据进行计算，得到所述目标对象的当前抑郁状态指征数据。
[0012]第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
[0013]第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法。
[0014]本专利技术的有益效果为：准确的为闭环脑机接口调控的抑郁治疗技术确定目标对象的当前抑郁状态指征，辅助对抑郁症的临床诊断、评估和治疗。能够通过本申请方法对应的
抑郁症治疗机器判断需要进行干预的抑郁状态，进而当检测到抑郁状态发生时，通知机器进行刺激调控的治疗过程，达到抑郁症缓解和治疗的效果。
附图说明
[0015]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1为本申请实施例提供的一种基于神经元锋电位信号的抑郁状态指征确定方法的流程示意图；图2为本申请实施例提供的一种基于神经元锋电位信号的抑郁状态指征确定方法的原理示意图；图3为本申请实施例提供的双路卷积
‑
循环神经网络模型的构建原理示意图；图4为本申请实施例提供的一种基于神经元锋电位信号的抑郁状态指征确定装置的结构示意图；图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0017]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0018]在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经元锋电位信号的抑郁状态指征确定方法，其特征在于，所述方法包括：分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据；将各所述锋电位通道信号数据转换为神经元发放速率数据，并基于所述神经元发放速率数据构建输入数据矩阵；建立双路卷积
‑
循环神经网络模型，并基于所述输入数据矩阵训练所述双路卷积
‑
循环神经网络模型；基于所述双路卷积
‑
循环神经网络模型对所述目标对象的当前锋电位通道信号数据进行计算，得到所述目标对象的当前抑郁状态指征数据。2.根据权利要求1所述的方法，其特征在于，所述分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据之后，还包括：将抑郁状态下的所述锋电位通道信号数据标记为负样本数据，将非抑郁状态下的所述锋电位通道信号数据标记为正样本数据。3.根据权利要求1所述的方法，其特征在于，所述将各所述锋电位通道信号数据转换为神经元发放速率数据，包括：确定各所述锋电位通道信号数据对应的各锋电位通道；分别统计每个所述锋电位通道在单位统计时长内所述锋电位通道信号数据出现的个数，得到神经元发放速率数据。4.根据权利要求1所述的方法，其特征在于，所述基于所述神经元发放速率数据构建输入数据矩阵，包括：基于滑动时间窗口将所述神经元发放速率数据划分为多个连续时间片，整合各所述连续时间片，构建得到输入数据矩阵。5.根据权利要求1所述的方法，其特征在于，所述建立双路卷积
‑
循环神经网络模型，包括：构建多通道卷积
‑
循环神经网络分支，所述多通道卷积
‑
循环神经网络分支包括两组卷积
‑
激活单元与一个单向循环神经网络；构建跨通道卷积
‑
循环神经网络分支，所述跨通道卷积
‑
循环神经网络分支包括一组通道间卷积
‑
激活单元与一个所述单向循环神经网络；将所述多通道卷积
‑
循环神经网络分支与所述跨通道卷积
‑
...

【专利技术属性】
技术研发人员：祁玉，王跃明，胡海岚，宋乐，陈敏，
申请(专利权)人：浙江浙大西投脑机智能科技有限公司，
类型：发明
国别省市：