【技术实现步骤摘要】
本专利技术涉及人工智能领域，且更为具体地，涉及一种基于人工智能辅助的阿尔兹海默症患者脑电图分析系统。
技术介绍
1、阿尔兹海默症(alzheimer's disease，ad)是一种逐渐加重的神经退行性疾病，会影响记忆、思考和行为。阿尔兹海默症的早期诊断非常重要。因为在病情加重之前，诊断和治疗可以使患者的生活质量有很大改善。但是阿尔兹海默症早期症状与一般的记忆力减退非常相似，因此很难诊断。目前全球有5000万人患有阿尔兹海默症，其中超过60％的人口来自低收入和中等收入国家。
2、当前，人工智能广泛用于医疗健康领域，可以通过分析大量的病人数据和健康人群数据，来建立模型，以便更准确地预测病人病情的发展，这些模型可以使用各种算法来学习和分析数据，以识别病症特征。因此，需要提供一种新的技术方案，使用人工智能技术实现对阿尔兹海默症精准识别。
技术实现思路
1、为了解决上述技术问题，提出了本申请，以提供一种能够对阿尔兹海默症精准识别的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统。
2、第一方面，本专利技术提供了一种基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，包括：脑电图分析模块，获取用户在预设时间区间的脑电图，计算所述用户的脑电图中α波的功率、θ波的功率以及α波、β波、θ波、δ波的平均频率；结构性磁共振成像分析模块，获取所述用户在所述预设时间区间的结构性磁共振成像，根据所述用户的结构性磁共振成像识别所述用户的大脑的灰质，以及从所述用户的大脑的灰质中识别所述用户
3、优选地，前述的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，所述卷积神经网络使用的损失函数为：
4、
5、其中，a为使用所述卷积神经网络进行计算的次数，yi为所述卷积神经网络第i次判断所述用户是否为正常用户、轻度认知障碍患者或阿尔兹海默症患者的结果，y'i为所述卷积神经网络第i次判断是否为正常用户、轻度认知障碍患者或阿尔兹海默症患者的真实情况。
6、优选地，前述的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，还包括：卷积神经网络训练模块，在所述卷积神经网络的训练阶段，根据预设的学习率decayed_learning_rate调整所述卷积神经网络的一个或多个参数：
7、
8、其中learning_rate为预设的原始学习率，global_stwp为随所述卷积神经网络参数调整次数按预设幅度递增的全局步骤，decaye_rate为预设的衰减系数，decaye_stwps为预设的衰减速度。
9、优选地，前述的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，所述卷积神经网络训练模块还在对所述卷积神经网络训练前，获取预设的分别用于多种病症分析的多个候选卷积神经网络，计算所述多个候选卷积神经网络对应的病症与所述阿尔兹海默症之间的差异，从所述多个候选卷积神经网络中选择病症与所述阿尔兹海默症之间的差异最小的候选卷积神经网络，作为待训练的所述卷积神经网络。
10、优选地，前述的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，所述卷积神经网络训练模块还在对所述卷积神经网络训练前，根据所选择的候选卷积神经网络对应的病症与所述阿尔兹海默症之间的差异大小，设置所述卷积神经网络对应的原始学习率learing_rate的大小。
11、优选地，前述的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，所述结构性磁共振成像分析模块在“根据所述用户的结构性磁共振成像识别所述用户的大脑的灰质，以及从所述用户的大脑的灰质中识别所述用户的大脑中的海马体和内侧额颞叶的尺寸”之前，将所述用户的结构性磁共振成像叠加到预设的第一靶图像上，并对所述用户的结构性磁共振成像进行平移或缩放，直至所述用户的结构性磁共振成像与所述第一靶图像的重叠区域达到预设的第一阈值；所述弥散磁共振成像分析模块在“根据所述用户的弥散磁共振成像识别所述用户的大脑的白质，以及从所述用户的大脑的白质中识别所述用户的大脑中胼胝体和扣带束的形状”之前，将所述用户的弥散磁共振成像叠加到预设的第二靶图像上，并对所述用户的弥散磁共振成像进行平移或缩放，直至所述用户的弥散磁共振成像与所述第二靶图像的重叠区域达到预设的第二阈值。
12、第二方面，本专利技术提供了一种基于人工智能辅助的阿尔兹海默症患者脑电图分析方法，包括：获取用户在预设时间区间的脑电图，计算所述用户的脑电图中α波的功率、θ波的功率以及α波、β波、θ波、δ波的平均频率；获取所述用户在所述预设时间区间的结构性磁共振成像，根据所述用户的结构性磁共振成像识别所述用户的大脑的灰质，以及从所述用户的大脑的灰质中识别所述用户的大脑中的海马体和内侧额颞叶的尺寸；获取所述用户在所述预设时间区间的弥散磁共振成像，根据所述用户的弥散磁共振成像识别所述用户的大脑的白质，以及从所述用户的大脑的白质中识别所述用户的大脑中胼胝体和扣带束的形状；将所述用户的脑电图中α波的功率、θ波的功率以及α波、β波、θ波、δ波的平均频率，以及所述用户的大脑中的海马体和内侧额颞叶的尺寸、所述用户的大脑中胼胝体和扣带束的形状输入经过训练的卷积神经网络，所述卷积神经网络使用样本用户的脑电图中α波的功率、θ波的功率以及α波、β波、θ波、δ波的平均频率，以及所述用户的大脑中的海马体和内侧额颞叶的尺寸、所述用户的大脑中胼胝体和扣带束的形状进行训练，所述样本用户携带标签，所述标签指示所述样本用户为正常用户、轻度认知障碍患者或阿尔兹海默症患者；根据所述卷积神经网络输出的结果，分析所述用户是否为所述阿尔兹海默症患者。
13、本专利技术上述一个或多个技术方案，至少具有如下一种或多种有益效果：
14、当前基于人工智能技术检测识别阿尔兹海默症等病症的困难在于，难以精准选取用于数据分析的输入特征，相比于现有技术方案，本专利技术以用户的脑电图为主、结构性磁共振成像和弥散磁共振成像为辅，创新性选择出脑电图中α波的功率、θ波的功率以及α波、β波、θ波、δ波的平均频率、大脑中的海马体和内侧额颞叶的尺寸、大脑中胼胝本文档来自技高网...
【技术保护点】
1.一种基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，其特征在于，包括：
2.根据权利要求1所述的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，其特征在于，所述卷积神经网络使用的损失函数为：
3.根据权利要求1所述的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，其特征在于，还包括：
4.根据权利要求3所述的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，其特征在于，
5.根据权利要求4所述的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，其特征在于，
6.根据权利要求1所述的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，其特征在于，
7.一种基于人工智能辅助的阿尔兹海默症患者脑电图分析方法，其特征在于，包括：
【技术特征摘要】
1.一种基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，其特征在于，包括：
2.根据权利要求1所述的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，其特征在于，所述卷积神经网络使用的损失函数为：
3.根据权利要求1所述的基于人工智能辅助的阿尔兹海默症患者脑电图分析系统，其特征在于，还包括：
4.根据权利要求3所述...
【专利技术属性】
技术研发人员：陈莉智，周跃，阴钊，刘爽，蔡海霞，吴桐，周令麒，唐海，
申请(专利权)人：广东省第二人民医院广东省卫生应急医院，
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。