[发明专利]基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法

说明书

本发明属于智能医疗技术领域，具体涉及基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法。包括以下步骤：S1，采集轻中度患者、重度患者以及健康老人在无音乐的静息态，音乐刺激态和刺激后状态的脑电信号；S2，对脑电信号预处理并获得干净的脑电信号；S3，对各干净脑电信号均截取出至少3个时间长为2秒的脑电信号片段；S4，对脑电信号片段均计算一次排列熵，并取平均值为最后的排列熵值；S5，分析排列熵值在无音乐静息态，音乐刺激态和刺激后状态的时空变化；S6，以步骤S5的结果作为分类指标，对未知痴呆程度的病人进行痴呆分类。本发明具有客观准确，经济简便的特点。

技术领域

本发明属于智能医疗技术领域，具体涉及基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法。

背景技术

阿尔茨海默病(AD)是一种严重的不可逆转的脑退行性疾病。减轻患者和社会的负担，对阿尔茨海默病的早期诊断和治疗具有重要意义。

现有技术对不同程度的阿尔茨海默症的诊断可以归为两类：一类是较为准确的影像学比如磁共振或者生物学指标，这类的缺点是经济成本高，步骤繁琐，第二类方法是较为经济的但从病人的行为表现上观察他到底是哪种痴呆程度，这类的缺点是不够准确，行为表现也非常的主观。

因此，设计一种客观准确，经济简便的对阿尔茨海默症患者痴呆程度分类的方法，就显得十分必要。

例如，申请号为CN201910065074.6的中国发明专利所述的一种基于分层集成学习的阿尔茨海默症分类方法，步骤为：S1、获取阿尔茨海默症的核磁共振图像；S2、对步骤S1获得的核磁共振图像进行预处理；S3、将预处理之后的图像，以切片为单位输入基于分层集成学习的模型中，采用预先训练好的深层神经网络(DNN)提取特征矩阵，将提取的特征矩阵输入到分类器中进行分类，得到切片级别的粗预测结果；S4、将步骤S3得到的粗预测结果进行集成，再次经分类器分类，得到切片的细分类预测结果；S5、将步骤S4得到的细分类预测结果进行集成，再次进行经分类器进行分类预测，得到病人级别的阿尔茨海默症的最终分类结果。虽然方法分类稳定，分类效率高，分类方法通用性和灵活性好，但不足之处在于，由于方法基于较为准确的影像学磁共振，存在经济成本高，整体步骤繁琐的问题。

发明内容

本发明是为了克服现有技术中，现有对不同程度的阿尔茨海默症的诊断方法，存在诊断准确但经济成本高，步骤繁琐，而经济简便的诊断方法则不够准确，行为表现也非常主观的问题，提供了一种客观准确，经济简便的基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法。

为了达到上述发明目的，本发明采用以下技术方案：

基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法，包括以下步骤：

S1，根据医生专业的临床诊断判定，首先对阿尔茨海默症患者进行分组，根据痴呆程度分为轻中度患者和重度患者，分别采集轻中度患者、重度患者以及健康老人在无音乐的静息态，音乐刺激态和刺激后状态的脑电信号；

S2，对步骤S1中采集的所有脑电信号均分别进行滤波和除噪处理，最终对每一个脑电信号进行截取并获得时间为10秒长的干净的脑电信号；

S3，对步骤S2中获得的每一个干净脑电信号进行截取，所述每一个干净脑电信号均截取出至少3个时间长为2秒的脑电信号片段；

S4，对步骤S3中，每一个干净脑电信号截取出的至少3个时间长为2秒的脑电信号片段均计算一次排列熵，并取各次排列熵的平均值为最后的排列熵值结果；

S5，分析排列熵值在无音乐静息态，音乐刺激态和刺激后状态的时空变化；

S6，根据步骤S5中，轻中度患者和重度患者的时空脑电特征的不同作为分类指标，从而对未知痴呆程度的病人进行痴呆分类。

作为优选，步骤S2包括以下步骤：