本技術(shù)涉及生物特征識(shí)別領(lǐng)域，特別是涉及一種基于腦電信號(hào)的認(rèn)知狀態(tài)深度學(xué)習(xí)分類方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、由認(rèn)知功能障礙導(dǎo)致的癡呆癥，其表現(xiàn)為記憶、語言、推理和空間定向等認(rèn)知功能的嚴(yán)重受損，會(huì)嚴(yán)重影響個(gè)人自主性，并給社會(huì)帶來巨大的經(jīng)濟(jì)負(fù)擔(dān)，已成為全球關(guān)注的問題。預(yù)計(jì)到2050年，患有認(rèn)知功能障礙的人數(shù)將達(dá)到1.52億。輕度認(rèn)知障礙被認(rèn)為是癡呆癥的早期階段，介于正常認(rèn)知和癡呆之間。研究表明，每年約有6％至25％的輕度認(rèn)知障礙患者發(fā)展為癡呆癥。癡呆癥狀是不可逆的，但在輕度認(rèn)知障礙階段采取有效的干預(yù)措施可以延緩認(rèn)知功能衰退，改善患者的生活質(zhì)量。因此，對(duì)認(rèn)知狀態(tài)進(jìn)行早期分類評(píng)估非常重要。

2、近年來，用于認(rèn)知狀態(tài)早期分類評(píng)估的先進(jìn)神經(jīng)成像技術(shù)變得越來越可行。這些技術(shù)包括功能磁共振成像、正電子發(fā)射斷層掃描、頭顱磁圖、功能性近紅外光譜。上述技術(shù)盡管可以捕捉到與大腦活動(dòng)相關(guān)的細(xì)微變化，但其臨床應(yīng)用受到高成本和時(shí)間消耗的限制。相比之下，腦電圖作為一種無創(chuàng)、經(jīng)濟(jì)、便攜的技術(shù)，通過在頭皮上放置電極并檢測成千上萬個(gè)神經(jīng)元產(chǎn)生的電信號(hào)，可有效反映大腦活動(dòng)的動(dòng)態(tài)變化。但是在實(shí)際應(yīng)用中，現(xiàn)有的基于腦電圖的檢測系統(tǒng)仍存在以下不足之處：特征分類方法的分類性能在很大程度上依賴于在有足夠先驗(yàn)知識(shí)的條件下進(jìn)行特征工程和特征選擇；目前用于認(rèn)知狀態(tài)分類評(píng)估的深度學(xué)習(xí)模型擅長捕捉大腦的物理空間信息，但往往忽略了不同腦區(qū)(通道)之間的內(nèi)在聯(lián)系。而認(rèn)知過程，往往涉及多個(gè)腦區(qū)的協(xié)調(diào)，不同的腦區(qū)負(fù)責(zé)不同的功能。因此，獲取多個(gè)通道之間的內(nèi)在聯(lián)系對(duì)于認(rèn)知狀態(tài)分類評(píng)估同樣重要。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的目的是提供一種基于腦電信號(hào)的認(rèn)知狀態(tài)深度學(xué)習(xí)分類方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品，可通過分析不同通道信號(hào)之間的內(nèi)在聯(lián)系，得到頻段內(nèi)特征，進(jìn)一步進(jìn)行頻段間特征融合，得到最終融合特征，優(yōu)化腦電信號(hào)特征提取方法，提高認(rèn)知狀態(tài)分類的準(zhǔn)確性。

2、為實(shí)現(xiàn)上述目的，本技術(shù)提供了如下方案：

3、第一方面，本技術(shù)提供了一種基于腦電信號(hào)的認(rèn)知狀態(tài)深度學(xué)習(xí)分類方法，包括：

4、獲取原始腦電信號(hào)；所述原始腦電信號(hào)包含多個(gè)通道信號(hào)；

5、在頻域內(nèi)對(duì)所述原始腦電信號(hào)進(jìn)行劃分，得到多個(gè)頻段，并在每個(gè)頻段內(nèi)，根據(jù)所述頻段的通道信號(hào)兩兩之間的相位同步性，得到對(duì)應(yīng)每個(gè)頻段的頻段內(nèi)特征；

6、對(duì)全部頻段的頻段內(nèi)特征進(jìn)行融合，得到融合特征；

7、根據(jù)所述融合特征，采用認(rèn)知狀態(tài)分類模型，確定所述原始腦電信號(hào)對(duì)應(yīng)的認(rèn)知狀態(tài)；所述認(rèn)知狀態(tài)分類模型為預(yù)先根據(jù)訓(xùn)練樣本集搭建的神經(jīng)網(wǎng)絡(luò)模型；所述訓(xùn)練樣本集包括多個(gè)樣本腦電信號(hào)的特征信息和每個(gè)樣本腦電信號(hào)對(duì)應(yīng)的認(rèn)知狀態(tài)。

8、可選地，在頻域內(nèi)對(duì)所述原始腦電信號(hào)進(jìn)行劃分，得到多個(gè)頻段，并在每個(gè)頻段內(nèi)，根據(jù)所述頻段的通道信號(hào)兩兩之間的相位同步性，得到對(duì)應(yīng)每個(gè)頻段的頻段內(nèi)特征之前，所述基于腦電信號(hào)的認(rèn)知狀態(tài)深度學(xué)習(xí)分類方法還包括：

9、對(duì)所述原始腦電信號(hào)依次進(jìn)行降采樣、帶通濾波以及獨(dú)立成分分析處理。

10、可選地，在頻域內(nèi)對(duì)所述原始腦電信號(hào)進(jìn)行劃分，得到多個(gè)頻段，并在每個(gè)頻段內(nèi)，根據(jù)所述頻段的通道信號(hào)兩兩之間的相位同步性，得到對(duì)應(yīng)每個(gè)頻段的頻段內(nèi)特征，具體包括：

11、在時(shí)域內(nèi)對(duì)所述原始腦電信號(hào)進(jìn)行劃分，得到多個(gè)時(shí)段；

12、針對(duì)任一時(shí)段，在頻域內(nèi)對(duì)所述時(shí)段進(jìn)行劃分，得到所述時(shí)段的多個(gè)頻段，并在所述時(shí)段的每個(gè)頻段內(nèi)，計(jì)算所述頻段的通道信號(hào)兩兩之間的相位同步性，得到所述時(shí)段的每個(gè)頻段的通道對(duì)特征；

13、根據(jù)全部時(shí)段的所有頻段的通道對(duì)特征，采用深度學(xué)習(xí)算法，得到對(duì)應(yīng)每個(gè)頻段的頻段內(nèi)特征。

14、可選地，所述深度學(xué)習(xí)算法為多頭注意力機(jī)制。

15、可選地，所述認(rèn)知狀態(tài)分類模型的搭建方法包括：

16、獲取多個(gè)樣本腦電信號(hào)；每個(gè)樣本腦電信號(hào)包含多個(gè)通道信號(hào)；

17、針對(duì)任一樣本腦電信號(hào)，在頻域內(nèi)對(duì)所述樣本腦電信號(hào)進(jìn)行劃分，得到多個(gè)樣本頻段，并在每個(gè)樣本頻段內(nèi)，根據(jù)所述樣本頻段的通道信號(hào)兩兩之間的相位同步性，得到對(duì)應(yīng)每個(gè)樣本頻段的樣本頻段內(nèi)特征；

18、針對(duì)任一樣本腦電信號(hào)，對(duì)所述樣本腦電信號(hào)全部樣本頻段的樣本頻段內(nèi)特征進(jìn)行融合，得到所述樣本腦電信號(hào)的特征信息；

19、根據(jù)每個(gè)特征信息以及每個(gè)特征信息對(duì)應(yīng)的認(rèn)知狀態(tài)，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以得到所述認(rèn)知狀態(tài)分類模型。

20、可選地，針對(duì)任一樣本腦電信號(hào)，在頻域內(nèi)對(duì)所述樣本腦電信號(hào)進(jìn)行劃分，得到多個(gè)樣本頻段，并在每個(gè)樣本頻段內(nèi)，根據(jù)所述樣本頻段的通道信號(hào)兩兩之間的相位同步性，得到對(duì)應(yīng)每個(gè)樣本頻段的樣本頻段內(nèi)特征，具體包括：

21、在時(shí)域內(nèi)對(duì)所述樣本腦電信號(hào)進(jìn)行劃分，得到多個(gè)樣本時(shí)段；

22、針對(duì)任一樣本時(shí)段，在頻域內(nèi)對(duì)所述樣本時(shí)段進(jìn)行劃分，得到所述樣本時(shí)段的多個(gè)樣本頻段，并在所述樣本時(shí)段的每個(gè)樣本頻段內(nèi)，計(jì)算所述樣本頻段的通道信號(hào)兩兩之間的相位同步性，得到所述樣本時(shí)段的每個(gè)樣本頻段的通道對(duì)特征；

23、根據(jù)全部樣本時(shí)段的所有樣本頻段的通道對(duì)特征，采用深度學(xué)習(xí)算法，得到對(duì)應(yīng)每個(gè)樣本頻段的樣本頻段內(nèi)特征。

24、第二方面，本技術(shù)提供了一種基于腦電信號(hào)的認(rèn)知狀態(tài)深度學(xué)習(xí)分類裝置，應(yīng)用于上述任一項(xiàng)所述的基于腦電信號(hào)的認(rèn)知狀態(tài)深度學(xué)習(xí)分類方法，包括：

25、信號(hào)獲取模塊，用于獲取原始腦電信號(hào)；所述原始腦電信號(hào)包含多個(gè)通道信號(hào)；

26、頻段內(nèi)特征提取模塊，用于在頻域內(nèi)對(duì)所述原始腦電信號(hào)進(jìn)行劃分，得到多個(gè)頻段，并在每個(gè)頻段內(nèi)，根據(jù)所述頻段的通道信號(hào)兩兩之間的相位同步性，得到對(duì)應(yīng)每個(gè)頻段的頻段內(nèi)特征；

27、融合特征提取模塊，用于對(duì)全部頻段的頻段內(nèi)特征進(jìn)行融合，得到融合特征；

28、認(rèn)知狀態(tài)分類模塊，用于根據(jù)所述融合特征，采用認(rèn)知狀態(tài)分類模型，確定所述原始腦電信號(hào)對(duì)應(yīng)的認(rèn)知狀態(tài)；所述認(rèn)知狀態(tài)分類模型為預(yù)先根據(jù)訓(xùn)練樣本集搭建的神經(jīng)網(wǎng)絡(luò)模型；所述訓(xùn)練樣本集包括多個(gè)樣本腦電信號(hào)的特征信息和每個(gè)樣本腦電信號(hào)對(duì)應(yīng)的認(rèn)知狀態(tài)。

29、第三方面，本技術(shù)提供了一種計(jì)算機(jī)設(shè)備，包括：存儲(chǔ)器、處理器以及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)上述的基于腦電信號(hào)的認(rèn)知狀態(tài)深度學(xué)習(xí)分類方法。

30、第四方面，本技術(shù)提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的基于腦電信號(hào)的認(rèn)知狀態(tài)深度學(xué)習(xí)分類方法。

31、第五方面，本技術(shù)提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的基于腦電信號(hào)的認(rèn)知狀態(tài)深度學(xué)習(xí)分類方法。

32、根據(jù)本技術(shù)提供的具體實(shí)施例，本技術(shù)具有以下技術(shù)效果：

33、本技術(shù)提供了一種基于腦電信號(hào)的認(rèn)知狀態(tài)深度學(xué)習(xí)分類方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品，通過在頻域內(nèi)對(duì)原始腦電信號(hào)進(jìn)行劃分，在不同頻段內(nèi)分析不同通道信號(hào)之間的相位同步性，作為頻段內(nèi)特征，得到了不同腦區(qū)之間的內(nèi)在聯(lián)系；并進(jìn)一步通過將不同頻段的頻段內(nèi)特征進(jìn)行頻段間特征融合，得到了最終融合特征。融合特征同時(shí)考慮了頻段內(nèi)特征和頻段間特征，優(yōu)化了腦電信號(hào)特征提取方法，提高了認(rèn)知狀態(tài)分類的準(zhǔn)確性。