[发明专利]一种基于脑电与深度学习的精神分裂症探测方法

说明书

本发明公开了一种基于脑电与深度学习的精神分裂症探测方法，包括提取测试样本、将所得测试样本转换为测试输入图像、将所得测试输入图像输入到深度学习模型中，并且进行鲁棒性特征提取得到鲁棒性特征、将提取到的鲁棒性特征输入到极限学习机分类器中，进行精神分裂症的探测并输出探测结果。其深度学习模型由卷积神经网络和长短期记忆神经网络构成。卷积神经网络可以利用卷积层进行特征提取，不需要反复寻找合适的特征，节省了大量的时间。同时，利用卷积层进行特征提取，可以通过改变卷积核的大小来提高对精神分裂症探测的准确度，操作简便，速度更快，并且可使准确度高达90％以上。

技术领域

本发明涉及精神分裂症检测技术领域，特别是涉及一种基于脑电与深度学习的精神分裂症探测方法。

背景技术

精神分裂症是对人造成一生影响的精神疾病。其临床症状复杂多样，涉及知觉、思维、情感、意志行为和认知功能。表现为妄想症和幻觉，或认知缺陷、情绪低落和思维混乱。由于精神分裂症临床表现复杂，临床医生对精神分裂病症状的定义、诊断的标准和理解有所不同，从而导致对精神分裂症的误诊和误治。因此对于精神分裂症探测方法的深入研究，提高诊断的准确性有着重要意义。

如今，存在许多对于精神分裂症探测的方法。大多数研究利用其脑电信号的异常表现这一特点来进行探索和检测。主要存在两种方法，一种是医生通过脑电图来目测检查异常情况，另一种是寻找精神分裂症患者和健康人的脑电图的特征并利用机器学习等分类方法来进行检测。然而这两种方法都存在较为费时且精度不高的缺点。

发明内容

本发明的目的是针对现有技术中精神分裂症探测方法费时且精度不高的技术缺陷，而提供一种基于脑电与深度学习的精神分裂症探测方法。

为实现本发明的目的所采用的技术方案是：

一种基于脑电与深度学习的精神分裂症探测方法，包括以下步骤：

步骤A：提取待测人的原始脑电时间序列信号，并对其进行噪声过滤处理，噪声过滤处理后的待测人的脑电时间序列信号作为测试样本；

步骤B：将步骤A所得测试样本转换为测试输入图像；

步骤C：将步骤B所得测试输入图像输入到深度学习模型中，并且在所述深度学习模型中进行鲁棒性特征提取得到鲁棒性特征；

步骤D：将步骤C提取到的鲁棒性特征输入到极限学习机(ELM)分类器中，所述极限学习机分类器进行精神分裂症的探测并输出探测结果。参考文献：[1]S.Li,S.Song,andY.Wan,“Laplacian twin extreme learning machine for semi-supervisedclassification”,Neurocomputing,vol.321,pp.17-27,2018.

[2]Y.Yu and Z.Sun,“Sparse coding extreme learning machine forclassification”,Neurocomputing,vol.261,pp.50-56,2017.

在上述技术方案中，步骤B中测试样本转换方法是基于短时傅里叶变换算法。

在上述技术方案中，所述短时傅里叶变换算法是通过以下公式完成的：

其中，z(u)为在时刻u的脑电时间序列信号，g(u-t)为窗函数，f为脑电时间序列信号采样率，j为复数，j＝1×i，i为虚数单位。

在上述技术方案中，将所得测试样本转换为测试输入图像时，使用了3秒的窗口进行了短时傅里叶变换。