一种ABR阈值客观识别方法及系统与流程

本发明涉及abr阈值客观识别，尤其涉及一种abr阈值客观识别方法及系统。

背景技术：

1、听觉诱发电位(auditory evoked potential，aep)是听觉系统在接受外界声刺激后，从耳蜗毛细胞、听神经、脑干，一直到皮层产生并记录到的诱发电位。听性脑干反应(auditory brainstem response,abr)是aep的早期成分，通常在声刺激后1-10ms潜伏期内出现。典型的abr包括七个不同的波，用罗马字顺序表示，即i、ii、iii、iv、v、vi、vii波，其中v波波幅最为明显，诱发率较高。临床上将能够引出v波的最小刺激强度定义为abr阈值，它是当前最为广泛使用的客观听阈检测技术，因此在abr阈值检测技术中对于v波的准确识别尤其重要，如图2为abr典型波形示意图。

2、现有的abr阈值客观识别技术主要应用机器学习方法来实现。早期研究主要采用基于传统机器学习和手工设计特征的方法。alpsan(1991)基于采集自10只耳朵的285条abr波形，提出了一个三层前馈人工神经网络，将经过平滑、压缩和归一化等预处理的abr波形判别为"有反应"或"无反应"，获得了74.9％的精度，与三位专家的判别性能相当。acir等人根据从36名正常听力成年人的耳朵中采集的648条abr波形，训练了一个支持向量机分类器，以用于自动的abr检测。该分类器以离散余弦变换系数作为输入特征，获得了97.7％的精度。然而，由于该研究缺乏额外的测试集，目前还不清楚其所报告的精度是否能代表在对新的未知abr波形进行分类时的泛化性能。davey等人基于85名受试者的550条波形，提出了时域、频域和交叉相关的特征，并结合人工神经网络和c5.0决策树算法构建二分类模型，以确定abr波形中是否有反应。结果发表幅度较大，波形明显的abr的分类精度为95.6％，幅度较小，波形不明显的分类精度为85％。基于相同的数据集，mccullagh等人在时域和小波域中提取了特征，并建立了四种分类模型，包括bayes、支持向量机、多层感知器和kstar。据报道，使用bayes时，最佳分类精度为83.4％。

3、近年来，一种更先进的机器学习方法--深度学习的应用使得abr波形的客观解读不需要再对波形进行任何人工特征提取。mckearney和mackinnon构建了一个一维深度卷积神经网络，将配对abr波形分类为："有反应"、"无反应"或"不确定"。该网络对来自8个正常听力的人的232个配对abr波形进行了训练和测试，总体精度为92.9％。mckearney等人在模拟数据上训练了四种类型的机器学习模型，这些数据是根据从12名正常听力参与者收集的abr和15名参与者的无刺激脑电图数据产生的，以分类脑电图数据中是否存在abr。他们提出了将cnn-lstm和随机森林模型聚合在一起的堆叠集合模型，其auc约为0.975，表现最佳。

4、但现有的识别方法集中于预测abr波形分化较好的易分类样本，而缺乏对信噪比低、接近阈值处的abr波形等难分样本的自动分类技术。例如，有研究将波形不明显的abr时域信号标注为“不确定”，而对于被模型分类为不确定的预测样本还需要进行进一步的人工复核，使得这种方法的自动化与智能化程度较低。事实上，临床上不可避免会面临许多信噪比、接近阈值处的波形等难辨别abr波形，因此提高此类样本的分类精度也是当前亟需解决的挑战。

技术实现思路

1、有鉴于此，本发明的目的在于提出一种abr阈值客观识别方法及系统，以解决现有识别方法分类精度不足的问题。

2、基于上述目的，本发明提供了一种abr阈值客观识别方法，包括以下步骤：

3、获取abr数据集，并对其中的abr数据进行预处理；

4、将abr数据集划分为训练集和测试集；

5、构建基于残差卷积神经网络和多头自注意力机制的abr阈值客观识别模型，模型包括一个一维残差卷积神经网络模块、一个transformer编码器模块和一个二分类模块；

6、使用训练集和测试集对abr阈值客观识别模型进行训练；

7、将待识别的abr波形输入到训练好的abr阈值客观识别模型中，得到是否存在v波的识别结果。

8、优选地，获取的abr数据集包括多个年龄阶段及不同听损程度的人群的abr数据。

9、优选地，对abr数据进行预处理包括：

10、对原始的abr时域序列进行归一化，将abr波形幅度缩放至[0,1]区间。

11、优选地，一维残差卷积神经网络模块的架构由一个卷积层、一个池化层以及三个残差块堆叠组成，每个残差块中包括主路和支路两个分支，主路分支包括两个卷积层、两个批量归一化层和relu激活层，支路分支采用跳连方式进行残差学习。

12、优选地，transformer编码器模块由一个8头自注意力机制、线性映射与残差连接组成。

13、优选地，二分类模块包括一个全连接层和一个softmax层，所述softmax层用于输出每个类别的概率，根据输出的概率判断是否高于设定阈值，若是则输出结果为abr波形中未引出v波，否则输出结果为abr波形引出v波。

14、优选地，二分类模块还包括dropout层。

15、优选地，对abr阈值客观识别模型进行训练的过程采用十折交叉验证对模型的超参数进行优化，包括：

16、将训练集分成10份，在每一折中其中一份数据轮流用作验证集，剩余9份用作训练集，训练出10个模型，将10个模型的性能进行平均进行超参数的优化，模型优化的损失函数采用交叉熵损失函数，采用adam优化器最小化损失函数，利用该损失函数值进行梯度计算，对网络参数更新时选择多步学习率策略改变学习速率，根据迭代次数逐步降低学习速率。

17、本发明还提供一种abr阈值客观识别系统，包括：

18、数据预处理模块，用于获取abr数据集，对其中的abr数据进行预处理，并将abr数据集划分为训练集和测试集；

19、模型构建模块，用于构建基于残差卷积神经网络和多头自注意力机制的abr阈值客观识别模型，模型包括一个一维残差卷积神经网络模块、一个transformer编码器模块和一个二分类模块；

20、模型训练模块，用于使用训练集和测试集对abr阈值客观识别模型进行训练；

21、识别模块，用于将待识别的abr波形输入到训练好的abr阈值客观识别模型中，得到是否存在v波的识别结果。

22、本发明的有益效果：本发明提出的识别模型基于残差卷积神经网络和多头自注意力机制，可自动判别原始的abr时域信号波形中是否存在v波，避免随着网络模型层数的加深而出现学习退化现象，自注意力机制可以站在全局的角度上判断resnet提取的特征对最终分类结果的重要性并进行加权，解决了针对许多信噪比、接近阈值处的波形等难辨别的问题，更贴近临床实际，本发明可以提高abr阈值判定的准确率，降低主观因素的干扰，减少临床误诊及误治，另一方面，客观识别abr波形可以降低abr检测技术的门槛，有助于基层医院广泛开展这一技术，从而提高聋病的诊疗水平；

23、本发明还通过针对大型临床数据集进行训练和验证的，算法鲁棒性和泛化能力强，通过模型训练自各个年龄阶段和不同听力损失程度的样本，临床普适性强。