一种基于ERP脑电信号的认知水平评估装置、电子设备的制作方法

本发明涉及医学及生理信号检测与处理领域，尤其涉及一种基于erp脑电信号的认知水平评估装置、电子设备及存储介质。

背景技术：

1、痴呆症是由于脑部功能退化或脑部功能受损所表达出来的病症，多发于老年群体。老年痴呆的主要临床表现包括记忆力功能减弱、认知功能出现障碍等症状，严重患者甚至于失去自理能力，需要实时看护。在老年痴呆和正常老年人之间存在一种中间状态，称之为轻度认知障碍。处于该状态下的老人认知功能和记忆功能退化程度较为轻微，症状表现轻微，不影响正常的生活，因此不易引起重视。

2、但是，有研究表明，轻度认知障碍患者中每年有10％-15％转化为老年痴呆，其速度是正常老年人的10倍，并且老年痴呆患者中有近2/3的病人是由轻度认知障碍患者转化而来。因此，及时发现老人认知退化、评估其认知水平，是一件需要解决的技术问题。

3、传统的方式是通过人工结合各种手段的检测结果进行综合判断，因此，医生的经验就尤其重要。

4、近年来，人工智能辅助下的eeg自动诊断在癫痫检测与发作预测、帕金森病识别、情绪分类以及本研究描述的认知障碍诊断等方面都取得了显著的成功。

5、而来自人体的生理电信号可以反应机体当前的状态，且不受个人和他人的主观意愿影响。脑电信号是生理电信号的一种，是脑部各个神经元活动的综合反应。头皮脑电是脑部神经电活动投射在大脑皮层的电信号，该信号直接在头皮采集，无需电极深入颅内，不用开刀，没有创口，相比于脑部成像，费用便宜，对患者友好。脑电信号包括自发脑电和诱发脑电，事件相关电位(erp)是一种与认知功能相关的内源性诱发脑电成分，反映了认知过程中脑部的神经电生理的变化，也被称为认知电位，通常计算其特征点的幅值和潜伏期作为评价认知功能的指标。

6、传统的机器学习方法包括svm、knn等，结合手工提取信号特征，来实现智能计算。深度学习技术是人工智能领域中的一个重要分支，使用cnn、rnn和gnn等模型来处理任务，而无需手动提取特征。深度学习方法可以是端到端的方法，比传统的机器学习方法更方便。

7、若是能结合人工智能技术，对事件相关电位(erp)进行处理识别，对患者的认知水平进行智能评估，可及时发现老人认知退化，有利于尽早采取药物和治疗手段进行干预，而目前并没有相应的装置及技术结合人工智能技术，对患者的认知水平进行智能评估。

技术实现思路

1、本发明的目的是提供一种基于erp脑电信号的认知水平评估装置、电子设备和计算机可读存储介质，针对现有技术中没有结合人工智能技术，对事件相关电位(erp)进行处理识别的现状，解决了对患者的认知水平进行智能评估缺失的问题，填补当前技术空白。

2、为解决上述技术问题，根据一些实施例，本发明第一方面，提供了一种基于erp脑电信号的认知水平评估装置，其特征在于，包括：

3、构建神经网络模型，所述神经网络模型包括由卷积层构造的编码器，以及由所述卷积层和转置卷积层构造的解码器，所述编码器和所述解码器共同构成unet网络结构；

4、所述编码器连接第一分类器作为主分类器，用于执行认知水平分类任务；

5、所述解码器连接辅助输出端，输出的特征与第一辅助输出端及第二辅助输出端相连接，所述第一辅助输出端连接有一个卷积层，用于完成重建输入信号的辅助任务及提取非监督特征；所述解码器的尾端连接的所述第二分类器，用于对认知水平的辅助评估，用于实现对所述神经网络模型的正则化；

6、将接收到的erp脑电信号作为训练好的所述神经网络模型的输入，根据所述编码器的尾端连接的主分类器，对认知水平进行评估。

7、在一些实施例中，所述编码器具有三层卷积，用于从所述脑电信号中提取特征，所述编码器的输出特征作为所述解码器的输入信号被送入所述神经网络模型中，所述解码器具有七层卷积，用于从所述特征中恢复输入信号，及重建所述输入信号的辅助任务，其中，所述解码器的七层卷积中的三层卷积，是和所述编码器对应的转置卷积。

8、在一些实施例中，所述编码器具有三层卷积，具体包括：

9、所述编码器的第一个卷积层，包括三个并行的分支结构，在通道维度上执行多尺度卷积操作；

10、所述编码器的第二个卷积层，卷积核的长度设置与所述erp脑电信号的通道数目相同,用于压缩所述erp脑电信号通道维度上的特征；

11、所述编码器的第三个卷积层，具有四个并行的分支，所述四个并行的分支的输出的特征拼接到一起，作为第三个卷积层的输出特征，在时间维度上进行卷积操作。

12、在一些实施例中，所述编码器连接第一分类器作为主分类器，用于执行认知水平分类任务，具体包括：

13、所述编码器输出的特征被连接到所述主分类器，所述主分类器的结构具有三层，包括：

14、第一层对输入的特征进行平铺操作，用于将二维特征变换为一维特征；第二层设置有全连接层，用于减小特征尺寸；第三层设置有softmax函数的全连接层，用于处理特征，输出主分类器对认知水平评估的结果。

15、在一些实施例中，所述解码器的七层卷积中的三层卷积，是和所述编码器对应的转置卷积，具体包括：

16、所述解码器的第三个卷积层的输出特征与所述编码器第二个卷积层的输出特征拼接在一起，作为所述第三个卷积层的输出特征，所述解码器的第三个卷积层是根据所述编码器中第三个卷积层的设置，将所述特征图均分为四组，分别进入四个分支进行转置卷积操作；

17、所述解码器的第五个卷积层的输出特征与所述编码器第一个卷积层的输出特征拼接在一起，作为所述第三个卷积层的输出特征，所述解码器的第五个卷积层是根据所述编码器中第一个卷积层的设置，进行转置卷积操作；

18、所述解码器的第七个卷积层的输出特征，是所述解码器的输出特征，所述解码器的第七个卷积层是根据所述编码器中第一个卷积层的设置，将特征图均分为三组，分别进入三个分支进行转置卷积操作。

19、在一些实施例中，所述解码器具有七层卷积，用于从所述特征中恢复输入信号，实现重建输入信号的辅助任务，具体包括：

20、所述解码器的第一个卷积层，用于生成一组和所述解码器输入对称的特征；所述解码器的第二个卷积层，用于调节拼接特征的尺寸，使之与所述编码器的第三个卷积层的输出特征尺寸相同；所述解码器的第三个卷积层，用于根据所述编码器中第三个卷积层的设置进行转置卷积操作；所述解码器的第四个卷积层，与编码器的第二个卷积层的输出特征尺寸相同；所述编码器的第五个卷积层，用于根据所述编码器中第一个卷积层的设置，进行转置卷积操作；所述在解码器的第六个卷积层，与编码器的第二个卷积层的输出特征尺寸相同；所述解码器的第七个卷积层，用于根据所述编码器的第一个卷积层进行相应的转置卷积操作，且，将所述解码器的第七个卷积层的输出特征拼接在一起，作为所述第七个卷积层的输出特征，同时作为所述解码器的输出特征。

21、在一些实施例中，所述第一辅助输出端连接有一个卷积层，具体包括：

22、第一辅助输出端连接的所述的卷积层，所调节特征的尺寸与所述输入信号相同，所述卷积层的输出特征作为重建输入信号的结果。

23、在一些实施例中，所述解码器的尾端还连接有第二分类器，用于对认知水平的辅助评估，用于实现对所述神经网络模型的正则化，具体包括：

24、所述第二分类器，具有两层卷积，所述第二分类器的第一层卷积，对输入的特征进行平铺操作，将二维特征变换为一维特征，所述第二分类器的第二层卷积，搭配有softmax函数的全连接层，用于处理特征，输出所述主分类器对认知水平评估的结果。

25、在一些实施例中，所述主分类器、第一辅助输出端和第二辅助输出端，共同参与所述神经网络模型的训练和优化。

26、在一些实施例中，用于训练和优化的损失函数如下：

27、l＝l1+l2+l3

28、

29、

30、

31、其中，l为损失函数，l1为所述主分类器输出端损失，l2为所述第二辅助输出端的信号损失，l3为所述第一辅助输出端损失，c是分类目标的标签类别，i表示第i个标签，y1_i是主分类器对第i个标签的预测结果，p1_i是主分类器对第i个标签的预测概率值，y2_i是所述第二辅助输出端对第i个标签的预测结果，p2_i是所述第二辅助输出端对第i个标签的预测概率值，n是输入的样本点总数，j表示输入信号中的第j个样本点，xj是输入的第j个样本点，x′j是所述第一辅助输出端对第j个样本点的预测值。

32、第二方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面任一项所述方法的步骤。

33、第三方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一项所述方法的步骤。

34、第四方面，本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序存储在计算机可读存储介质中；当电子设备的处理器从所述计算机可读存储介质读取所述计算机程序时，所述处理器执行所述计算机程序，使得所述电子设备执行上述第一方面任一项所述方法的步骤。

35、第五方面，本发明实施例还提供一种基于erp脑电信号的认知水平评估方法，包括：

36、获取用户的erp脑电信号，将所述脑电信号传输至由上述第一方面任一项所述的认知水平评估装置；

37、根据所述认知水平评估装置的评估信息，确定所述用户的认知水平。

38、本发明的上述技术方案至少具有如下有益的技术效果：本发明的实施例，通过结合人工智能技术，对事件相关电位(erp)进行处理识别，对患者的认知水平进行智能评估，可及时发现老人认知退化，有利于尽早采取药物和治疗手段进行干预，延缓脑部功能退化过程，且，本发明的技术方案，可借助各类训练方式优化算法，能增强识别准确性，充分提高评估准确性，且，评估过程可自动化进行，相对的减少了人工成本。