[发明专利]针对孤独症的脑电信号可视化信道选择方法及设备

说明书

本发明提供一种针对孤独症的脑电信号可视化信道选择方法及设备，该方法包括：对原始脑电数据进行预处理；基于预处理后的脑电数据对深度卷积神经网络模型进行训练、超参数优化以及性能测试；基于所述性能达到预期的深度卷积神经网络模型的最后一个卷积层产生的每个输入样本对应的多张特征图，得到每个输入样本对应的类激活图；根据每个输入样本对应的类激活图，确定每个信道的重要性评分；按照重要性评分从大到小的顺序对各信道进行排序，选取排在前预设位的信道。通过本发明，筛选信道对后续为孤独症谱系障碍被试者选取测量的脑电极提供了指导作用，能有效降低测量成本、提高测试效率，同时减轻被试者的负担与压力。

技术领域

本发明涉及脑电技术领域，尤其涉及一种针对孤独症的脑电信号可视化信道选择方法、设备及可读存储介质。

背景技术

孤独症谱系障碍是根据典型孤独症的核心症状进行扩展定义的广泛意义上的孤独症，其症状包括社会交流障碍、语言交流障碍和重复刻板行为等。我国孤独症谱系障碍患者人数众多，其早期筛查和判别极其重要。然而我国当前对于孤独症的评估诊断技术以专家访谈和行为量表为主，仍然停留在主观、粗放和低效的阶段。脑电信号(Electroencephalography,EEG)是一种大脑皮层电生理活动的记录，具有非侵入式、可采集和高时间分辨率的特性，配合特征工程和传统机器学习技术能够实现孤独症人群的自动判别，其技术路径为：(1)预处理。对原始采集信号进行滤波以保留特定频段的信号分量，并去除信号中的伪迹；(2)特征提取。通过信号处理、非线性度量等分析方法从信号中提取时间、频率、时频、熵等特征，组成特征集合；(3)特征选择。采用基于过滤式、包裹式等的特征选择算法评价特征重要性，筛选出有效特征子集；(4)孤独症判别。选择分类器或者分类器集合，使用已标记的样本集合对分类器参数进行优化。将优化后的模型用于新的未标记样本的判别。该方案的优势在于训练复杂度较低，相对不依赖数据和计算能力；而缺点是对于先验知识和专业能力要求较高。

随着现有大数据的不断积累和运算能力的不断提高，近年来以卷积神经网络和循环神经网络为代表的深度学习技术开始大量应用于计算机视觉、自然语言处理等领域崭露头角，甚至在某些条件下能远超人类的水平。因此，将深度学习技术与脑电信号相结合，实现孤独症的高性能精确判别已成为当前脑健康领域的热点问题。然而高密度的脑电采集装置价格昂贵，且会对被试者(尤其是患有孤独症的儿童)产生更大的负担，严重提高了脑电信号采集的成本和难度；部分信道的信号对孤独症的诊断任务没有帮助，反而会降低模型训练的效率与性能；同时，端到端的深度神经网络模型往往具有复杂和非线性的内部结构，从而缺乏对于判别结果的可解释性，严重限制了该技术的实际应用。

发明内容

为解决上述至少一个技术问题，本发明提供一种针对孤独症的脑电信号可视化信道选择方法、设备及可读存储介质。

第一方面，本发明提供一种针对孤独症的脑电信号可视化信道选择方法，其特征在于，所述针对孤独症的脑电信号可视化信道选择方法包括：

获取脑电数据采集设备采集到的原始脑电数据；

对原始脑电数据进行预处理；

基于预处理后的脑电数据对深度卷积神经网络模型进行训练、超参数优化以及性能测试，直至得到性能达到预期的深度卷积神经网络模型；

基于所述性能达到预期的深度卷积神经网络模型的最后一个卷积层产生的每个输入样本对应的多张特征图，得到每个输入样本对应的类激活图；

根据每个输入样本对应的类激活图，确定每个信道的重要性评分；

按照重要性评分从大到小的顺序对各信道进行排序，选取排在前预设位的信道。

可选的，所述对原始脑电数据进行预处理的步骤包括：

利用降采样、带通滤波和去伪迹算法对原始脑电数据进行去噪处理；

利用固定时间窗口将去噪处理后的原始脑电数据分割成多个的脑电数据片段；