本發(fā)明屬于阿爾茨海默癥輔助診斷，具體地說，涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法。

背景技術(shù)：

1、腦電信號通過電極記錄大腦的電活動，可以反映大腦的功能狀態(tài)和神經(jīng)活動模式。利用阿爾茨海默癥（alzheimer’s?disease，ad）潛在患者的腦電信號進(jìn)行輔助診斷技術(shù)是一種基于腦電信號特征和統(tǒng)計(jì)分析的方法，旨在幫助識別阿爾茨海默癥。深度學(xué)習(xí)是學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，這些學(xué)習(xí)過程中獲得的信息對諸如文字、圖像和聲音的數(shù)據(jù)的解釋有很大的幫助。其中深度學(xué)習(xí)技術(shù)大量運(yùn)用于醫(yī)療病灶診斷成像、醫(yī)療電信號輔助診斷、無人機(jī)航拍、自動駕駛和軍事目標(biāo)檢測等。

2、腦電信號是大腦中神經(jīng)細(xì)胞的電活動產(chǎn)生的，就像電路中的電流一樣，神經(jīng)細(xì)胞之間通過電信號來傳遞信息。這些信號可以通過頭皮上的電極來檢測，然后被放大和記錄下來用來做科學(xué)研究。傳統(tǒng)的阿爾茨海默癥輔助診斷技術(shù)是利用腦成像設(shè)備實(shí)現(xiàn)的，如功能性磁共振成像（fmri）和計(jì)算機(jī)斷層掃描（ct），不過這些技術(shù)通常只能表征大腦的瞬態(tài)特征，而阿爾茨海默癥在清醒和睡眠狀態(tài)下的腦活動表現(xiàn)不同，導(dǎo)致現(xiàn)有的輔助診斷方法可靠性偏低，而且費(fèi)用昂貴。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)中上述的不足，本發(fā)明提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法，以更低的成本更可靠地診斷阿爾茨海默癥。

2、為了達(dá)到上述目的，本發(fā)明采用的解決方案是：一種基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法，包括以下步驟：

3、s1、采集獲得待識別腦電圖；獲取訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)包括基礎(chǔ)卷積模塊、特征提取模塊、分類診斷模塊和殘差模塊；

4、s2、根據(jù)所述基礎(chǔ)卷積模塊對所述待識別腦電圖進(jìn)行處理后，得到基礎(chǔ)特征圖；

5、s3、多個所述特征提取模塊順次連接，所述特征提取模塊中設(shè)有第一池化層；所述殘差模塊與所述特征提取模塊對應(yīng)設(shè)置，所述殘差模塊以所述基礎(chǔ)特征圖作為輸入，所述殘差模塊的信息輸出端與對應(yīng)的特征提取模塊信息輸出端連接；所述基礎(chǔ)特征圖經(jīng)過多個所述特征提取模塊和所述殘差模塊處理后，得到腦電特征圖；

6、s4、將所述腦電特征圖輸入所述分類診斷模塊，然后所述分類診斷模塊輸出所述待識別腦電圖的識別結(jié)果。

7、進(jìn)一步地，所述基礎(chǔ)卷積模塊包括順次連接的第一卷積層、第二卷積層和第一激活層。

8、進(jìn)一步地，所述特征提取模塊中設(shè)有順次連接的多個特征提取單體，所述第一池化層連接在最后一個特征提取單體的下游端，所述特征提取單體包括順次連接的第三卷積層、第四卷積層、第二激活層和第一批歸一化層。

9、進(jìn)一步地，所述殘差模塊包括順次連接的第五卷積層、跨步卷積層、第三激活層和第二批歸一化層，所述殘差模塊輸出的特征圖尺寸與對應(yīng)的特征提取模塊輸出的特征圖尺寸相等。

10、進(jìn)一步地，所述分類診斷模塊包括順次連接的銜接模塊、展開層、第一全連接層、第四激活層、第二全連接層和分類器，所述銜接模塊包括順次連接的第六卷積層、第七卷積層、第五激活層、第三批歸一化層和第二池化層。

11、進(jìn)一步地，所述卷積神經(jīng)網(wǎng)絡(luò)中還設(shè)有補(bǔ)償模塊，所述補(bǔ)償模塊以所有所述殘差模塊輸出的特征圖和展開層輸出的向量作為輸入，經(jīng)過計(jì)算，所述補(bǔ)償模塊輸出補(bǔ)償向量；所述補(bǔ)償向量先與所述第四激活層輸出的向量融合，生成融合向量，然后再將所述融合向量輸入第二全連接層。

12、進(jìn)一步地，所述補(bǔ)償向量的長度與所述第四激活層輸出的向量長度相等，所述補(bǔ)償向量與所述第四激活層輸出的向量通過對應(yīng)元素相加實(shí)現(xiàn)融合。

13、進(jìn)一步地，所述補(bǔ)償模塊內(nèi)部包括多個全局池化層和多個補(bǔ)償卷積塊，所述全局池化層與所述殘差模塊一一對應(yīng)設(shè)置，所述殘差模塊輸出的特征圖經(jīng)過所述全局池化層處理后，生成多個殘差向量；

14、所述補(bǔ)償卷積塊與所述全局池化層一一對應(yīng)設(shè)置，所述展開層輸出的向量分別經(jīng)過各個所述補(bǔ)償卷積塊處理后，所述補(bǔ)償卷積塊輸出展調(diào)向量，將所有展調(diào)向量與所有殘差向量融合后，生成得到所述補(bǔ)償向量；

15、所述補(bǔ)償卷積塊包括順次連接的第八卷積層和第六激活層。

16、進(jìn)一步地，所述將所有展調(diào)向量與所有殘差向量融合后，生成得到所述補(bǔ)償向量，包括：

17、各個展調(diào)向量的長度與對應(yīng)的殘差向量長度相等，將所述展調(diào)向量與對應(yīng)的殘差向量相加，生成多個遞補(bǔ)向量；

18、將所有遞補(bǔ)向量拼接，得到合并向量；

19、所述合并向量依次經(jīng)過第九卷積層和第七激活層處理后，得到所述補(bǔ)償向量。

20、本發(fā)明的有益效果是：

21、與ct和磁共振相比，腦電圖（electroencephalography，eeg）具有低成本、便攜性和用戶友好性（即不需要參與者長時間不動），同時阿爾茨海默癥的腦電信號分類仍是當(dāng)前數(shù)據(jù)挖掘等領(lǐng)域的重大問題，大多仍停留在對數(shù)據(jù)進(jìn)行人工提取特征。本發(fā)明通過深度學(xué)習(xí)對腦電圖進(jìn)行分類，在減少人工因素的同時，提高了對阿爾茨海默癥診斷的準(zhǔn)確率，避免了人工提取特征帶來的差異性，確保特征在相同規(guī)則下的一致性，減少了特征存在的偏差，提取的腦電圖特征更具客觀性。

22、現(xiàn)有的技術(shù)中，將三維的特征圖展開得到一維的向量后，基本都是利用全連接層向后映射并傳遞信息，但是，經(jīng)過長期的實(shí)踐發(fā)現(xiàn)，全連接層對于腦電圖的信息映射效果具有較大的局限性，因此，本發(fā)明設(shè)置了補(bǔ)償模塊，該模塊同時以多個殘差模塊輸出的特征圖和展開層輸出的向量作為輸入，然后將生成的補(bǔ)償向量與第四激活層輸出的向量融合后，再輸入第二全連接層，這樣有效地將不同深度的腦電圖像信息整合起來對全連接層中的信息流進(jìn)行補(bǔ)償，提高網(wǎng)絡(luò)對腦電圖的識別效果。

技術(shù)特征：

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法，其特征是，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法，其特征是：所述基礎(chǔ)卷積模塊包括順次連接的第一卷積層、第二卷積層和第一激活層。

3.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法，其特征是：所述特征提取模塊中設(shè)有順次連接的多個特征提取單體，所述第一池化層連接在最后一個特征提取單體的下游端，所述特征提取單體包括順次連接的第三卷積層、第四卷積層、第二激活層和第一批歸一化層。

4.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法，其特征是：所述殘差模塊包括順次連接的第五卷積層、跨步卷積層、第三激活層和第二批歸一化層，所述殘差模塊輸出的特征圖尺寸與對應(yīng)的特征提取模塊輸出的特征圖尺寸相等。

5.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法，其特征是：所述分類診斷模塊包括順次連接的銜接模塊、展開層、第一全連接層、第四激活層、第二全連接層和分類器，所述銜接模塊包括順次連接的第六卷積層、第七卷積層、第五激活層、第三批歸一化層和第二池化層。

6.根據(jù)權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法，其特征是：所述卷積神經(jīng)網(wǎng)絡(luò)中還設(shè)有補(bǔ)償模塊，所述補(bǔ)償模塊以所有所述殘差模塊輸出的特征圖和展開層輸出的向量作為輸入，經(jīng)過計(jì)算，所述補(bǔ)償模塊輸出補(bǔ)償向量；所述補(bǔ)償向量先與所述第四激活層輸出的向量融合，生成融合向量，然后再將所述融合向量輸入第二全連接層。

7.根據(jù)權(quán)利要求6所述的基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法，其特征是：所述補(bǔ)償向量的長度與所述第四激活層輸出的向量長度相等，所述補(bǔ)償向量與所述第四激活層輸出的向量通過對應(yīng)元素相加實(shí)現(xiàn)融合。

8.根據(jù)權(quán)利要求6所述的基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法，其特征是：所述補(bǔ)償模塊內(nèi)部包括多個全局池化層和多個補(bǔ)償卷積塊，所述全局池化層與所述殘差模塊一一對應(yīng)設(shè)置，所述殘差模塊輸出的特征圖經(jīng)過所述全局池化層處理后，生成多個殘差向量；

9.根據(jù)權(quán)利要求8所述的基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法，其特征是：所述將所有展調(diào)向量與所有殘差向量融合后，生成得到所述補(bǔ)償向量，包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的阿爾茨海默癥輔助診斷方法，屬于阿爾茨海默癥輔助診斷技術(shù)領(lǐng)域。輔助診斷方法包括：采集獲得待識別腦電圖；獲取訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)基礎(chǔ)卷積模塊對待識別腦電圖進(jìn)行處理后，得到基礎(chǔ)特征圖；殘差模塊以基礎(chǔ)特征圖作為輸入，殘差模塊的信息輸出端與對應(yīng)的特征提取模塊信息輸出端連接；基礎(chǔ)特征圖經(jīng)過多個特征提取模塊和殘差模塊處理后，得到腦電特征圖；將腦電特征圖輸入分類診斷模塊，然后分類診斷模塊輸出待識別腦電圖的識別結(jié)果。本發(fā)明通過深度學(xué)習(xí)對腦電圖進(jìn)行分類，在減少人工因素的同時，提高了對阿爾茨海默癥診斷的準(zhǔn)確率，避免了人工提取特征帶來的差異性。

技術(shù)研發(fā)人員：李永紅,姜學(xué)峰,彭俊文,余杭
受保護(hù)的技術(shù)使用者：成都信息工程大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19