[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

说明书

本发明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。

技术领域

本发明涉及疼痛检测技术领域，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。

背景技术

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。

发明内容

为了克服现有技术存在的缺陷与不足，本发明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，本发明能够实现无痛、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，本发明采用以下技术方案：

本发明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；