[发明专利]一种基于脑电波与神经网络的疼痛检测定位方法及系统

权利要求书

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；

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，每一个ConvNet包含输入层、隐藏层和输出层，该网络使用具有小接收域的层叠卷积层；

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Attention Model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；

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，S_xx(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。