【技術(shù)實現(xiàn)步驟摘要】
本申請涉及腦電信號生成，進(jìn)一步的涉及一種類腦電信號生成方法及設(shè)備。
技術(shù)介紹
1、在現(xiàn)代醫(yī)療領(lǐng)域，基于腦電信號的疾病檢測已成為一種重要的診斷手段。目前，醫(yī)院臨床常用的腦電采集設(shè)備通常配備有64通道或128通道，以確保能夠收集到豐富的腦電信號數(shù)據(jù)。這些高通道數(shù)的設(shè)備在疾病診斷中發(fā)揮著重要作用，并已在臨床實踐中得到了廣泛驗證。然而，這種多通道的腦電信號采集方式也帶來了一些挑戰(zhàn)，例如采集成本較高等問題。
技術(shù)實現(xiàn)思路
1、為了解決上述技術(shù)問題，本申請?zhí)峁┮环N類腦電信號生成方法及設(shè)備，減少了多通道采集腦電信號的成本。
2、第一方面，本申請?zhí)峁┮环N類腦電信號生成方法，包括：將多通道腦電信號轉(zhuǎn)換為對應(yīng)的多通道時間序列信號；將所述多通道時間序列信號輸入至深度學(xué)習(xí)模型，并根據(jù)所述多通道時間序列信號的數(shù)據(jù)分布和時間特性對所述深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，以使所述深度學(xué)習(xí)模型生成類時間序列信號；在所述深度學(xué)習(xí)模型無法區(qū)分所述多通道時間序列信號和所述類時間序列信號時，通過所述深度學(xué)習(xí)模型輸出所述類時間序列信號；將所述類時間序列信號轉(zhuǎn)換為對應(yīng)的類腦電信號。
3、以上類腦電信號生成方法，通過將腦電信號轉(zhuǎn)換為時間序列信號，并將時間序列信號輸入深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練，從而得到與腦電信號相似的類腦電信號。從而使得類腦電信號作為腦電信號的補充，減少了多通道采集腦電信號的成本，同時還能減少腦電采集設(shè)備的通道數(shù)，從而簡化腦電采集設(shè)備的結(jié)構(gòu)。
4、在一種實現(xiàn)中，所述的將多通道腦電信號轉(zhuǎn)換為多通
5、以上類腦電信號生成方法，通過對腦電信號進(jìn)行濾波和采樣，能夠得到清潔的時間序列信號，并且使得深度學(xué)習(xí)模型獲取到的數(shù)據(jù)分布和時間特性更準(zhǔn)確，從而進(jìn)一步提高了類腦電信號與腦電信號之間的相似度。
6、在一種實現(xiàn)中，所述多通道時間序列信號包括第一通道時間序列信號；所述的將所述多通道時間序列信號輸入至深度學(xué)習(xí)模型，并根據(jù)所述多通道時間序列信號的數(shù)據(jù)分布和時間特性對所述深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，以使所述深度學(xué)習(xí)模型生成類時間序列信號，具體包括：根據(jù)所述深度學(xué)習(xí)模型中的嵌入模塊和所述第一通道時間序列信號，構(gòu)建低維潛向量空間下的真實樣本數(shù)據(jù)集；通過所述深度學(xué)習(xí)模型中的生成模塊，生成低維潛向量空間下的偽造樣本數(shù)據(jù)集，并獲取監(jiān)督損失；將所述真實樣本數(shù)據(jù)集和所述偽造樣本數(shù)據(jù)集輸入所述深度學(xué)習(xí)模型中的判別模塊進(jìn)行識別分類，并獲取對抗損失；在所述監(jiān)督損失和所述對抗損失的加和不小于第一預(yù)設(shè)值時，根據(jù)所述監(jiān)督損失和所述對抗損失，更新所述生成模塊的參數(shù)；重復(fù)執(zhí)行生成所述偽造樣本數(shù)據(jù)集、獲取所述監(jiān)督損失、獲取所述對抗損失以及更新所述生成模塊的參數(shù)的步驟，直至所述監(jiān)督損失和所述對抗損失的加和小于第一預(yù)設(shè)值時，通過所述恢復(fù)模塊將所述偽造樣本數(shù)據(jù)集轉(zhuǎn)換為所述類時間序列信號。
7、以上類腦電信號生成方法，通過深度學(xué)習(xí)模型中的嵌入模塊將時間序列信號轉(zhuǎn)化為真實樣本數(shù)據(jù)集，并利用生成模塊生成偽造樣本數(shù)據(jù)集，同時計算監(jiān)督損失和對抗損失。在兩種損失之和超過第一預(yù)設(shè)值時，模型更新生成模塊的參數(shù)以改善偽造樣本數(shù)據(jù)集的質(zhì)量。這個過程不斷重復(fù)，直到損失之和低于第一預(yù)設(shè)值，恢復(fù)模塊將偽造樣本數(shù)據(jù)集轉(zhuǎn)換回類時間序列信號。最終將類時間序列信號轉(zhuǎn)換為相應(yīng)的類腦電信號。進(jìn)一步提高了類腦電信號與腦電信號之間的相似度和用戶的使用體驗。
8、在一種實現(xiàn)中，所述的根據(jù)所述深度學(xué)習(xí)模型中的嵌入模塊和所述第一通道時間序列信號，構(gòu)建低維潛向量空間下的真實樣本數(shù)據(jù)集，具體包括：提取所述第一通道時間序列信號中各個子時間序列信號的靜態(tài)特征、時間特征和序列長度；將每個子時間序列信號的靜態(tài)特征、時間特征和序列長度作為樣本，構(gòu)建訓(xùn)練數(shù)據(jù)集；通過所述嵌入模塊將所述訓(xùn)練數(shù)據(jù)集中的靜態(tài)特征和時間特征轉(zhuǎn)換為低維潛向量空間下的靜態(tài)特征和時間特征，并將轉(zhuǎn)換后的訓(xùn)練數(shù)據(jù)集作為所述真實樣本數(shù)據(jù)集。
9、在一種實現(xiàn)中，還包括：通過所述恢復(fù)模塊、所述訓(xùn)練數(shù)據(jù)集和所述真實樣本數(shù)據(jù)集，獲取重建損失；在所述監(jiān)督損失和所述重建損失的加和不小于第二預(yù)設(shè)值時，根據(jù)所述監(jiān)督損失和所述重建損失，更新所述恢復(fù)模塊和所述嵌入模塊的參數(shù)；重復(fù)執(zhí)行所述獲取重建損失、更新所述恢復(fù)模塊和所述嵌入模塊的參數(shù)的步驟，直至所述監(jiān)督損失和所述重建損失的加和小于第二預(yù)設(shè)值時停止。
10、以上類腦電信號生成方法，通過訓(xùn)練數(shù)據(jù)集和真實樣本數(shù)據(jù)集獲取重建損失，并在重建損失和監(jiān)督損失之和不小于第二預(yù)設(shè)值時，更新恢復(fù)模塊和嵌入模塊的參數(shù)。不斷重復(fù)這些流程，直至重建損失和監(jiān)督損失之和小于第二預(yù)設(shè)值時，完成恢復(fù)模塊和嵌入模塊的訓(xùn)練。提高了恢復(fù)模塊的重建效果，以及進(jìn)一步提高了類腦電信號與腦電信號之間的相似度。
11、在一種實現(xiàn)中，所述真實樣本數(shù)據(jù)集包括第一真實樣本，所述訓(xùn)練數(shù)據(jù)集中與所述第一真實樣本對應(yīng)的樣本為第一訓(xùn)練樣本；所述的通過所述嵌入模塊將所述訓(xùn)練數(shù)據(jù)集中的靜態(tài)特征和時間特征轉(zhuǎn)換為低維潛向量空間下的靜態(tài)特征和時間特征，具體包括：通過嵌入函數(shù)將所述第一訓(xùn)練樣本的靜態(tài)特征和時間特征映射為所述低維潛向量空間下的靜態(tài)特征和時間特征；將映射后的第一訓(xùn)練樣本作為所述第一真實樣本。
12、在一種實現(xiàn)中，所述的通過所述恢復(fù)模塊、所述訓(xùn)練數(shù)據(jù)集和所述真實樣本數(shù)據(jù)集，獲取重建損失，具體包括：通過恢復(fù)函數(shù)將所述第一真實樣本的靜態(tài)特征和時間特征，恢復(fù)為高維空間下對應(yīng)的靜態(tài)特征和時間特征；根據(jù)恢復(fù)后的所述第一真實樣本的靜態(tài)特征和時間特征，以及所述第一訓(xùn)練樣本的靜態(tài)特征和時間特征，計算所述重建損失。
13、在一種實現(xiàn)中，所述偽造樣本數(shù)據(jù)集包括第一偽造樣本；所述的通過所述深度學(xué)習(xí)模型中的生成模塊，生成低維潛向量空間下的偽造樣本數(shù)據(jù)集，并獲取監(jiān)督損失，具體包括：從所述生成模塊中選取靜態(tài)特征隨機向量和時間特征隨機向量，并將所述靜態(tài)特征隨機向量和所述時間特征隨機向量輸入所述嵌入模塊；通過生成函數(shù)將所述靜態(tài)特征隨機向量和所述時間特征隨機向量，映射為所述低維潛向量空間下的靜態(tài)特征和時間特征，并構(gòu)建所述第一偽造樣本；根據(jù)所述第一偽造樣本和所述第一真實樣本，計算所述監(jiān)督損失。
14、在一種實現(xiàn)中，所述的將所述真實樣本數(shù)據(jù)集和所述偽造樣本數(shù)據(jù)集輸入所述深度學(xué)習(xí)模型中的判別模塊進(jìn)行識別分類，并獲取對抗損失，具體包括：通過判別函數(shù)計算所述第一真實樣本為真實數(shù)據(jù)的第一概率，以及計算所述第一偽造樣本為真實數(shù)據(jù)的第二概率；根據(jù)所述第一概率和所述第二概率計算所述對抗損失。
15、第二方面，本申請還提供一種類腦電信號生成設(shè)備，用于通過以上任一實現(xiàn)所述的類腦電信號生成方法生成類腦電信號。
16、與現(xiàn)有技術(shù)相比，本專利技術(shù)至少具有以下一項有益效果：
17、1、通過將腦電信號轉(zhuǎn)換為時間序列信號，并將時間序列信號輸入深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練，從本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點】
1.一種類腦電信號生成方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的類腦電信號生成方法，其特征在于，所述的將多通道腦電信號轉(zhuǎn)換為多通道時間序列信號，具體包括：
3.根據(jù)權(quán)利要求1所述的類腦電信號生成方法，其特征在于，所述多通道時間序列信號包括第一通道時間序列信號；所述的將所述多通道時間序列信號輸入至深度學(xué)習(xí)模型，并根據(jù)所述多通道時間序列信號的數(shù)據(jù)分布和時間特性對所述深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，以使所述深度學(xué)習(xí)模型生成類時間序列信號，具體包括：
4.根據(jù)權(quán)利要求3所述的類腦電信號生成方法，其特征在于，所述的根據(jù)所述深度學(xué)習(xí)模型中的嵌入模塊和所述第一通道時間序列信號，構(gòu)建低維潛向量空間下的真實樣本數(shù)據(jù)集，具體包括：
5.根據(jù)權(quán)利要求4所述的類腦電信號生成方法，其特征在于，還包括：
6.根據(jù)權(quán)利要求5所述的類腦電信號生成方法，其特征在于，所述真實樣本數(shù)據(jù)集包括第一真實樣本，所述訓(xùn)練數(shù)據(jù)集中與所述第一真實樣本對應(yīng)的樣本為第一訓(xùn)練樣本；所述的通過所述嵌入模塊將所述訓(xùn)練數(shù)據(jù)集中的靜態(tài)特征和時間特征轉(zhuǎn)換為低維潛向量空間下的靜態(tài)特征和時間
7.根據(jù)權(quán)利要求6所述的類腦電信號生成方法，其特征在于，所述的通過所述恢復(fù)模塊、所述訓(xùn)練數(shù)據(jù)集和所述真實樣本數(shù)據(jù)集，獲取重建損失，具體包括：
8.根據(jù)權(quán)利要求6所述的類腦電信號生成方法，其特征在于，所述偽造樣本數(shù)據(jù)集包括第一偽造樣本；所述的通過所述深度學(xué)習(xí)模型中的生成模塊，生成低維潛向量空間下的偽造樣本數(shù)據(jù)集，并獲取監(jiān)督損失，具體包括：
9.根據(jù)權(quán)利要求8所述的類腦電信號生成方法，其特征在于，所述的將所述真實樣本數(shù)據(jù)集和所述偽造樣本數(shù)據(jù)集輸入所述深度學(xué)習(xí)模型中的判別模塊進(jìn)行識別分類，并獲取對抗損失，具體包括：
10.一種類腦電信號生成設(shè)備，其特征在于，用于通過權(quán)利要求1-9任一項所述的類腦電信號生成方法生成類腦電信號。
...【技術(shù)特征摘要】
1.一種類腦電信號生成方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的類腦電信號生成方法，其特征在于，所述的將多通道腦電信號轉(zhuǎn)換為多通道時間序列信號，具體包括：
3.根據(jù)權(quán)利要求1所述的類腦電信號生成方法，其特征在于，所述多通道時間序列信號包括第一通道時間序列信號；所述的將所述多通道時間序列信號輸入至深度學(xué)習(xí)模型，并根據(jù)所述多通道時間序列信號的數(shù)據(jù)分布和時間特性對所述深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，以使所述深度學(xué)習(xí)模型生成類時間序列信號，具體包括：
4.根據(jù)權(quán)利要求3所述的類腦電信號生成方法，其特征在于，所述的根據(jù)所述深度學(xué)習(xí)模型中的嵌入模塊和所述第一通道時間序列信號，構(gòu)建低維潛向量空間下的真實樣本數(shù)據(jù)集，具體包括：
5.根據(jù)權(quán)利要求4所述的類腦電信號生成方法，其特征在于，還包括：
6.根據(jù)權(quán)利要求5所述的類腦電信號生成方法，其特征在于，所述真實樣本數(shù)據(jù)集包括第一真實樣本，所述訓(xùn)練...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：何丹，周昱澄，蔣皆恢，陸峰，
申請(專利權(quán))人：芙索特上海醫(yī)療科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。