本技術(shù)涉及腦功能信號分類，尤其涉及一種腦功能信號隱變量動態(tài)表征的分類模型訓(xùn)練方法與裝置。

背景技術(shù)：

1、腦電信號本質(zhì)上反映了的神經(jīng)元群體活動的自發(fā)放電行為，受大腦神經(jīng)活動驅(qū)動且不易受主觀意識控制，因此腦電信號可以作為情緒分類的客觀依據(jù)。一些醫(yī)療器械可以通過采集被試者的腦電信號并基于靜態(tài)建模的方式對腦電信號進(jìn)行分析，得到腦電信號表征的情緒。但這種靜態(tài)建模方式難以挖掘腦電信號在時間維度上的特征，導(dǎo)致情緒識別的準(zhǔn)確率低。

2、在一些研究中，也可以將被試者的大腦視為動態(tài)系統(tǒng)，并且大腦產(chǎn)生的神經(jīng)活動可以由不可觀測的隱變量驅(qū)動。這樣則可以通過隱變量的動態(tài)演化建模大腦的動態(tài)功能變化。例如，以靜息動力學(xué)中的短時依賴假設(shè)(當(dāng)前時刻的狀態(tài)變化僅依賴于前一個時刻的狀態(tài))和狀態(tài)互斥假設(shè)(每一時刻僅有單一隱狀態(tài)處于活躍狀態(tài))建模并分析腦電信號對應(yīng)的情緒。

3、然而，例如抑郁等與精神障礙相關(guān)的情緒的產(chǎn)生源于大腦動態(tài)平衡的紊亂，而這種平衡會隨著時間的推移進(jìn)一步失調(diào)。因此，短時依賴假設(shè)和狀態(tài)互斥假設(shè)這類啟發(fā)式的數(shù)據(jù)分析方法因缺乏數(shù)據(jù)的生成過程的建模，仍難以提高例如抑郁等精神障礙類情緒的識別準(zhǔn)確率，并且缺乏對抑郁等精神障礙類情緒的可解釋性。

技術(shù)實現(xiàn)思路

1、本技術(shù)一些實施例提供一種腦功能信號隱變量動態(tài)表征的分類模型訓(xùn)練方法與裝置，以解決根據(jù)腦電信號識別抑郁等精神障礙類情緒的準(zhǔn)確性和可解釋性弱的問題。

2、第一方面，本技術(shù)一些實施例提供一種腦功能信號隱變量動態(tài)表征的分類模型訓(xùn)練方法，所述方法包括：

3、采集第一腦電信號；所述第一腦電信號為被試者的腦電信號源在靜息狀態(tài)下產(chǎn)生的腦電信號；

4、對所述第一腦電信號執(zhí)行預(yù)處理，得到第二腦電信號；所述第二腦電信號為將與所述第一腦電信號對應(yīng)的腦電信號源映射至標(biāo)準(zhǔn)腦模板空間得到的信號；

5、對所述第二腦電信號執(zhí)行隱變量動態(tài)表征學(xué)習(xí)，得到所述第二腦電信號的隱變量動態(tài)表征；

6、根據(jù)所述隱變量動態(tài)表征確定腦電信號分類結(jié)果；以及，解碼所述隱變量動態(tài)表征得到第一還原腦電信號；

7、至少根據(jù)所述第一還原腦電信號、所述腦電信號分類結(jié)果以及所述隱變量動態(tài)表征計算訓(xùn)練損失，以基于所述訓(xùn)練損失優(yōu)化所述隱變量動態(tài)表征網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，直至所述訓(xùn)練損失不大于預(yù)設(shè)損失值，得到最優(yōu)隱變量動態(tài)表征網(wǎng)絡(luò)。

8、在一些可行的實施例中，對所述第一腦電信號執(zhí)行預(yù)處理，得到第二腦電信號的步驟包括：

9、對所述第一腦電信號執(zhí)行陷波濾波處理，得到位于目標(biāo)頻段的第一腦電信號；

10、移除位于目標(biāo)頻段的第一腦電信號中的偽跡信號；

11、基于靜息態(tài)實驗范式的觸發(fā)器和延遲，在移除偽跡信號的第一腦電信號中提取閉眼試次作為數(shù)據(jù)段，以基于提取的閉眼試次的數(shù)據(jù)段確定初級預(yù)處理腦電信號；

12、將所述初級預(yù)處理腦電信號映射至標(biāo)準(zhǔn)腦模板空間，得到第二腦電信號。

13、在一些可行的實施例中，所述將所述初級預(yù)處理腦電信號映射至標(biāo)準(zhǔn)腦模板空間，得到第二腦電信號的步驟包括：

14、根據(jù)預(yù)設(shè)頭模型結(jié)構(gòu)，使用被試者的解剖結(jié)構(gòu)圖像構(gòu)建頭模型；

15、根據(jù)腦電帽的傳感器坐標(biāo)文件，標(biāo)定傳感器位置并將所述傳感器位置配準(zhǔn)到所述頭模型的表面，以實現(xiàn)腦電信號記錄位置的空間映射；

16、基于前向模型執(zhí)行逆問題求解，得到所述腦電信號源的定位結(jié)果；

17、將所述腦電信號源的定位結(jié)果映射至標(biāo)準(zhǔn)腦模板空間，生成所述初級預(yù)處理腦電信號的腦電信號源的空間分布，以得到所述第二腦電信號。

18、在一些可行的實施例中，所述對所述第二腦電信號執(zhí)行隱變量動態(tài)表征學(xué)習(xí)，得到所述第二腦電信號的隱變量動態(tài)表征的步驟包括：

19、獲取所述第二腦電信號的腦區(qū)數(shù)量和時間點數(shù)；

20、基于所述腦區(qū)數(shù)量和時間點數(shù)構(gòu)建所述第二腦電信號的二階張量；

21、基于所述第二腦電信號的二階張量、腦電信號分類結(jié)果以及與所述腦電信號分類結(jié)果對應(yīng)的被試者數(shù)量構(gòu)建所述第二腦電信號的三階張量。

22、在一些可行的實施例中，所述對所述第二腦電信號執(zhí)行隱變量動態(tài)表征學(xué)習(xí)，得到所述第二腦電信號的隱變量動態(tài)表征的步驟還包括：

23、基于所述第二腦電信號的三階張量的多元高斯分布計算變分后驗均值向量和變分后驗協(xié)方差；

24、對變分后驗均值向量和變分后驗協(xié)方差執(zhí)行重參數(shù)化采樣，得到與所述第二腦電信號對應(yīng)的隱變量動態(tài)表征。

25、在一些可行的實施例中，所述解碼所述隱變量動態(tài)表征得到第一還原腦電信號的步驟包括：

26、將所述隱變量動態(tài)表征輸入到長短期記憶網(wǎng)絡(luò)中，以基于所述長短期記憶網(wǎng)絡(luò)解碼得到隱變量空間模型分布參數(shù)；所述隱變量空間模型分布參數(shù)包括基于多元高斯分布的還原均值向量和還原協(xié)方差；

27、基于混合系數(shù)計算表達(dá)式與所述隱變量動態(tài)表征計算所述混合系數(shù)；所述混合系數(shù)計算表達(dá)式為：

28、

29、其中，αjt∈[0,1]且表示softmax函數(shù)，τ為混合程度超參數(shù)，τ的大小決定隱變量各個維度在t時刻的活躍程度；

30、對所述隱變量空間模型分布參數(shù)和所述混合系數(shù)執(zhí)行線性求和，得到第一還原腦電信號。

31、在一些可行的實施例中，所述至少根據(jù)所述第一還原腦電信號、所述腦電信號分類結(jié)果以及所述隱變量動態(tài)表征計算損失函數(shù)的步驟包括：

32、基于所述腦電信號分類結(jié)果對應(yīng)的分類損失、所述隱變量動態(tài)表征對應(yīng)的重構(gòu)誤差以及所述隱變量空間模型分布參數(shù)對應(yīng)的蒙特卡洛估計結(jié)果計算所述訓(xùn)練損失；所述分類損失為根據(jù)所述腦電信號的真實標(biāo)簽值和預(yù)測標(biāo)簽值計算得到的；所述重構(gòu)誤差為根據(jù)所述隱變量動態(tài)表征在解碼過程中對應(yīng)的預(yù)測時間點和真實時間點得到的；所述蒙特卡洛估計結(jié)果為基于預(yù)設(shè)的類中心參數(shù)計算得到的。

33、在一些可行的實施例中，所述根據(jù)所述隱變量動態(tài)表征確定腦電信號分類結(jié)果的步驟包括：

34、將所述隱變量動態(tài)表征輸入至所述隱變量動態(tài)表征網(wǎng)絡(luò)中的分類網(wǎng)絡(luò)，以獲取由所述分類網(wǎng)絡(luò)根據(jù)所述隱變量動態(tài)表征輸出的腦電信號分類結(jié)果；所述分類網(wǎng)絡(luò)包括依次連接的第一卷積層、dropout層、第二卷積層、平均池化層、全連接層、輸出層；所述第一卷積層的卷積核數(shù)量為32，所述卷積核的大小為3；所述第二卷積層的卷積核數(shù)量為16，所述卷積核的大小為3；所述全連接層包括1個包含64個神經(jīng)元的dense層；所述輸出層包括1個包含1個神經(jīng)元的dense層。

35、在一些可行的實施例中，所述采集第一腦電信號的步驟包括：

36、根據(jù)被試者的頭圍選取對應(yīng)尺寸的腦電帽；所述腦電帽中設(shè)有用于采集腦電信號的傳感器；

37、設(shè)置所述傳感器的采樣頻率；

38、通過所述傳感器采集所述被試者在睜眼和閉眼交替進(jìn)行過程中產(chǎn)生的第一腦電信號。

39、第二方面，本技術(shù)提供一種腦功能信號隱變量動態(tài)表征的分類模型訓(xùn)練裝置，包括：控制器和包含傳感器的腦電帽；所述腦電帽與所述控制器通信連接；

40、所述腦電帽被配置為：

41、采集第一腦電信號；所述第一腦電信號為被試者的腦電信號源在靜息狀態(tài)下產(chǎn)生的腦電信號；

42、所述控制器被配置為：

43、對所述第一腦電信號執(zhí)行預(yù)處理，得到第二腦電信號；所述第二腦電信號為將與所述第一腦電信號對應(yīng)的腦電信號源映射至標(biāo)準(zhǔn)腦模板空間得到的信號；

44、對所述第二腦電信號執(zhí)行隱變量動態(tài)表征學(xué)習(xí)，得到所述第二腦電信號的隱變量動態(tài)表征；

45、根據(jù)所述隱變量動態(tài)表征確定腦電信號分類結(jié)果；以及，解碼所述隱變量動態(tài)表征得到第一還原腦電信號；

46、至少根據(jù)所述第一還原腦電信號、所述腦電信號分類結(jié)果以及所述隱變量動態(tài)表征計算訓(xùn)練損失，以基于所述訓(xùn)練損失優(yōu)化所述隱變量動態(tài)表征網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，直至所述訓(xùn)練損失不大于預(yù)設(shè)損失值，得到最優(yōu)隱變量動態(tài)表征網(wǎng)絡(luò)。

47、由上述技術(shù)內(nèi)容可知，本技術(shù)實施例提供一種腦功能信號隱變量動態(tài)表征的分類模型訓(xùn)練方法與裝置。所述方法通過對采集到的第一腦電信號進(jìn)行預(yù)處理得到第二腦電信號，并對第二腦電信號進(jìn)行隱變量動態(tài)表征學(xué)習(xí)得到第二腦電信號對應(yīng)的隱變量動態(tài)表征。再通過對隱變量動態(tài)表征的解碼得到第一還原腦電信號，以及根據(jù)隱變量動態(tài)表征確定腦電信號分類結(jié)果，進(jìn)而可以至少根據(jù)第一還原腦電信號、腦電信號分類結(jié)果以及隱變量動態(tài)表征計算損失，以根據(jù)訓(xùn)練損失訓(xùn)練分類模型的參數(shù)。這樣訓(xùn)練得到的模型可以在僅接收采集得到的腦電信號的基礎(chǔ)上直接輸出腦電信號分類結(jié)果，通過挖掘腦電信號中不可觀測的隱變量動態(tài)表征實現(xiàn)對腦電信號的分類，以提高情緒識別的準(zhǔn)確率。