本發(fā)明涉及腦科學，尤其涉及一種微狀態(tài)模板生成方法及終端設備。

背景技術：

1、腦電微狀態(tài)是一種基于多通道腦電圖（electroencephalogram，eeg）記錄人腦靜息態(tài)活動的方法，它反映了自發(fā)的、時間同步且空間大尺度的皮層神經(jīng)元活動模式。微狀態(tài)特征的改變可能與疾病引起的神經(jīng)活動變化密切相關，因此可作為篩查神經(jīng)精神類疾病的潛在生物標志物。近年來，腦電微狀態(tài)分析作為一種描述大規(guī)模電生理數(shù)據(jù)時空動態(tài)特征的工具，在神經(jīng)科學領域得到了廣泛應用。生成高質量的微狀態(tài)模板是腦電微狀態(tài)分析的基礎，模板的質量對后續(xù)分析具有重要影響。

2、現(xiàn)有技術中，通常采用聚類方法生成微狀態(tài)模板，但在腦電微狀態(tài)模板提取過程中，高噪聲和非代表性數(shù)據(jù)等因素常常會對模板的準確性和分類性能產(chǎn)生干擾，從而使得生成的微狀態(tài)模板質量不高。

技術實現(xiàn)思路

1、本發(fā)明實施例提供了一種微狀態(tài)模板生成方法及終端設備，以解決現(xiàn)有技術中數(shù)據(jù)質量影響，生成的微狀態(tài)模板質量不高的問題。

2、第一方面，本發(fā)明實施例提供了一種微狀態(tài)模板生成方法，包括：

3、獲取腦電信號訓練樣本集，根據(jù)腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度；

4、更新腦電信號訓練樣本集，并跳轉至獲取腦電信號訓練樣本集，根據(jù)腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度的步驟繼續(xù)執(zhí)行，直至精度達到最大，并將該精度記為目標精度；

5、將目標精度對應的腦電信號訓練樣本集作為目標樣本集，根據(jù)目標樣本集確定目標微狀態(tài)模板。

6、可選的，更新腦電信號訓練樣本集，并跳轉至獲取腦電信號訓練樣本集，根據(jù)腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度的步驟繼續(xù)執(zhí)行，直至精度達到最大，并將該精度記為目標精度，包括：

7、刪除腦電信號訓練樣本集中的樣本，得到更新后的腦電信號訓練樣本集，并跳轉至獲取腦電信號訓練樣本集，根據(jù)腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度的步驟繼續(xù)執(zhí)行，直至精度達到最大；

8、將測試樣本集中的樣本添加至腦電信號訓練樣本集中，形成更新后的腦電信號訓練樣本集，并跳轉至獲取腦電信號訓練樣本集，根據(jù)腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度的步驟繼續(xù)執(zhí)行，直至精度達到最大，并將該精度記為目標精度。

9、可選的，刪除腦電信號訓練樣本集中的樣本，得到更新后的腦電信號訓練樣本集，并跳轉至獲取腦電信號訓練樣本集，根據(jù)腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度的步驟繼續(xù)執(zhí)行，直至精度達到最大，包括：

10、將當前的腦電信號訓練樣本集作為第1個第一初始樣本集；

11、=1；

12、針對第個第一初始樣本集中的任意一個樣本，將該樣本從第個第一初始樣本集中刪除，形成更新后的腦電信號訓練樣本集；根據(jù)更新后的腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度，作為該樣本對應的精度；

13、選取第個第一初始樣本集中各個樣本對應的精度中的最大精度，將該最大精度對應的更新后的腦電信號訓練樣本集作為第個第一初始樣本集；

14、確定第個第一初始樣本集對應的精度是否大于第個第一初始樣本集對應的精度；

15、若是，則，并跳轉至針對第個第一初始樣本集中的任意一個樣本，將該樣本從第個第一初始樣本集中刪除，形成更新后的腦電信號訓練樣本集；根據(jù)更新后的腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度，作為該樣本對應的精度的步驟繼續(xù)執(zhí)行；

16、若否，則將第個第一初始樣本集作為當前的腦電信號訓練樣本集。

17、可選的，將測試樣本集中的樣本添加至腦電信號訓練樣本集中，形成更新后的腦電信號訓練樣本集，并跳轉至獲取腦電信號訓練樣本集，根據(jù)腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度的步驟繼續(xù)執(zhí)行，直至精度達到最大，并將該精度記為目標精度，包括：

18、將當前的腦電信號訓練樣本集作為第1個第二初始樣本集，并將當前的測試樣本集作為第1個初始測試樣本集；

19、=1；

20、針對第個初始測試樣本集中的任意一個樣本，將該樣本添加至第個第二初始樣本集中，形成更新后的腦電信號訓練樣本集；根據(jù)更新后的腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度，作為該樣本對應的精度；

21、選取第個初始測試樣本集中各個樣本對應的精度中的最大精度，將該最大精度對應的更新后的腦電信號訓練樣本集作為第個第二初始樣本集；將該最大精度對應的樣本從第個初始測試樣本集中刪除，形成第個初始測試樣本集；

22、確定第個第二初始樣本集對應的精度是否大于第個第二初始樣本集對應的精度；

23、若是，則，并跳轉至針對第個初始測試樣本集中的任意一個樣本，將該樣本添加至第個第二初始樣本集中，形成更新后的腦電信號訓練樣本集；根據(jù)更新后的腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度，作為該樣本對應的精度的步驟繼續(xù)執(zhí)行；

24、若否，則將第個第二初始樣本集對應的精度作為目標精度。

25、可選的，根據(jù)腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，包括：

26、根據(jù)腦電信號訓練樣本集確定中間微狀態(tài)模板；

27、根據(jù)中間微狀態(tài)模板及腦電信號訓練樣本集對分類器進行訓練，得到訓練完成的分類器。

28、可選的，根據(jù)腦電信號訓練樣本集確定中間微狀態(tài)模板，包括：

29、針對腦電信號訓練樣本集中的任意一個樣本，計算該樣本在全局場功率峰值處的地形圖；

30、對各個樣本在全局場功率峰值處的地形圖進行聚類，得到預設數(shù)量個聚類中心，預設數(shù)量個聚類中心形成中間微狀態(tài)模板；其中，中間微狀態(tài)模板包括預設數(shù)量個微狀態(tài)。

31、可選的，預設數(shù)量為4。

32、可選的，根據(jù)中間微狀態(tài)模板及腦電信號訓練樣本集對分類器進行訓練，得到訓練完成的分類器，包括：

33、針對腦電信號訓練樣本集中的任意一個樣本，計算該樣本中各個信號點對應的微狀態(tài)，并按照時間順序排序形成該樣本對應的微狀態(tài)序列；對該樣本對應的微狀態(tài)序列進行特征提取，得到該樣本的特征；

34、將各個樣本的特征輸入分類器進行訓練，得到訓練完成的分類器。

35、可選的，對該樣本對應的微狀態(tài)序列進行特征提取，得到該樣本的特征，包括：

36、根據(jù)第一公式，計算該樣本對應的微狀態(tài)序列的時間因子轉換概率，將時間因子轉換概率作為該樣本的特征；

37、第一公式為：

38、

39、其中，為微狀態(tài)與微狀態(tài)的時間因子轉換概率，為分段內(nèi)微狀態(tài)發(fā)生后下一個微狀態(tài)為的概率，為分段內(nèi)微狀態(tài)發(fā)生的概率；為各個微狀態(tài)。

40、第二方面，本發(fā)明實施例提供了一種終端設備，包括存儲器和處理器，存儲器存儲有計算機程序，處理器執(zhí)行該計算機程序時實現(xiàn)如上第一方面或第一方面的任一種可能的實現(xiàn)方式中的微狀態(tài)模板生成方法。

41、本發(fā)明實施例提供了一種微狀態(tài)模板生成方法及終端設備，涉及腦科學技術領域。上述微狀態(tài)模板生成方法包括：獲取腦電信號訓練樣本集，根據(jù)腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度；更新腦電信號訓練樣本集，并跳轉至獲取腦電信號訓練樣本集，根據(jù)腦電信號訓練樣本集對分類器進行訓練得到訓練完成的分類器，并確定訓練完成的分類器的精度的步驟繼續(xù)執(zhí)行，直至精度達到最大，并將該精度記為目標精度；將目標精度對應的腦電信號訓練樣本集作為目標樣本集，根據(jù)目標樣本集確定目標微狀態(tài)模板。本發(fā)明實施例中重復更新腦電信號訓練樣本集，并利用分類器的精度驗證腦電信號訓練樣本集中數(shù)據(jù)的準確性，從而得到質量較好的腦電信號訓練樣本集，去除樣本集中的一些質量差的數(shù)據(jù)，再利用該數(shù)據(jù)確定微狀態(tài)模板，微狀態(tài)模板的質量得到了有效的提升。