一种构建基于脑电模糊熵和连续卷积神经网络的精神分裂症识别模型的方法、系统及计算机存储介质

本发明涉及脑机接口，尤其涉及一种构建基于脑电模糊熵和连续卷积神经网络的精神分裂症识别模型的方法、系统及计算机存储介质。

背景技术：

1、精神分裂症是一种较为普遍的精神疾病，其患者通常展现出感知、思维等行为的异常，以及精神活动的不协调。研究指出，与成年人相比，青少年精神分裂症患者的临床症状更为严重，且往往伴随危险行为，增加了家庭和社会的压力。

2、目前，对精神分裂症的诊断主要依赖于医生对患者临床表现的专业判断，这不仅需要深厚的专业知识，还耗时较长。近年来，脑电信号作为大脑活动的客观反映，在精神疾病研究中逐渐受到重视。通过脑电信号辅助医生进行青少年精神分裂症的诊断，有助于早期发现病症，使患者得到及时治疗，从而提高治疗效果。熵，作为一个至关重要的物理和数学概念，在信息论中扮演了衡量数据内在信息量的角色，揭示了数据的不确定性及混乱程度。近年来，模糊熵作为一种常用的熵值特征，在精神类疾病脑电信号的研究中得到了广泛的采纳和应用。

3、以往的很多研究都证明了结合脑电的模糊熵特征和机器学习算法能够对病症进行有效识别，然而仅仅依靠传统机器学习方法往往难以对特征在空间位置上的信息进行更深层次的挖掘，从而难以进一步提高对病症的识别效果。

4、所以，如何能够对特征在空间位置上的信息进行更深层次的挖掘提升识别效果，并能够克服单一模型识别的局限性成为亟待解决的问题。

技术实现思路

1、本发明提供一种构建基于脑电模糊熵和连续卷积神经网络的精神分裂症识别模型的方法，用以对特征在空间位置上的信息进行更深层次的挖掘提升识别效果，并克服单一模型识别的局限性。

2、为了实现上述目的，本发明技术方案提供了一种构建基于脑电模糊熵和连续卷积神经网络的精神分裂症识别模型的方法，包括：对脑电波信号进行预处理，得到待处理脑电信号；对各所述待处理脑电信号分别提取各自不同的节律波段，得到各所述节律波段对应的模糊熵；将各所述节律波段对应的各模糊熵映射至矩阵上，构建一包含所述脑电信号的空间信息的三维特征矩阵；构建一包括卷积层与并行注意力机制模型的神经网络，卷积层对包含各模糊熵信息的所述三维特征矩阵进行卷积，并采用不同注意力机制对卷积结果进行处理，输出不同识别结果；采用不同投票法对所述不同识别结果进行结合，得到模型输出的最终识别结果。

3、作为上述技术方案的优选，较佳的，对各所述待处理脑电信号分别提取各自不同的节律波段，得到各所述节律波段对应的模糊熵，包括：对所述待处理脑电信号进行分割，提取分割后待处理脑电信号的0.5hz-3hz的delta节律波段、4hz-7hz的theta节律波段、8hz-12hz的alpha节律波段、13hz-30hz的beta节律波段和31hz-45hz的gamma节律波段；对以上各节律波段分别计算各自的所述模糊熵。

4、作为上述技术方案的优选，较佳的，将各所述节律波段对应的各模糊熵映射至矩阵上，构建一三维矩阵，包括：根据脑电电极的实际空间排布位置，将各所述模糊熵作为基础特征，分别映射至各9×9大小的矩阵上；根据各所述节律波段的顺序对映射后的各9×9矩阵整合，得到9×9×5的所述三维特征矩阵。

5、作为上述技术方案的优选，较佳的，采用神经网络对包含各模糊熵信息的所述三维特征矩阵进行卷积，并采用不同注意力机制对卷积输出不同识别结果，包括：所述卷积层用于采用不同卷积核对所述三维特征矩阵依次卷积，得到卷积结果；所述注意力机制层中不同的注意力机制并行对所述卷积结果特征提取得到不同识别结果。

6、作为上述技术方案的优选，较佳的，采用不同投票法对所述不同识别结果进行结合，得到模型输出的最终识别结果，包括，采用硬投票和软投票的方法分别对所述不同识别结果进行投票，从两个投票结果中选择票数高的识别结果作为所述最终识别结果。

7、作为上述技术方案的优选，较佳的，使用五折交叉验证的方法对所述模型进行训练和测试。

8、本发明还提供一种能够实现上述方法的构建基于脑电模糊熵和连续卷积神经网络的精神分裂症识别模型的系统，包括：

9、预处理单元，用于对脑电波信号进行预处理，得到待处理脑电信号；其中，对所述待处理脑电信号进行分割，提取分割后待处理脑电信号的0.5hz-3hz的delta节律波段、4hz-7hz的theta节律波段、8hz-12hz的alpha节律波段、13hz-30hz的beta节律波段和31hz-45hz的gamma节律波段；对以上各节律波段分别计算各自的所述模糊熵；

10、模糊熵计算单元，用于对所述预处理单元得到的各所述待处理脑电信号分别提取各自不同的节律波段，得到各所述节律波段对应的模糊熵；

11、特征矩阵构建单元，用于将从所述模糊熵计算单元计算得到的各所述节律波段对应的各模糊熵映射至矩阵上，构建一三维特征矩阵；具体的，根据脑电电极的实际空间排布位置，将各所述模糊熵作为基础特征，分别映射至各9×9大小的矩阵上；根据各所述节律波段的顺序对映射后的各9×9矩阵整合，得到9×9×5的所述三维特征矩阵；

12、特征识别单元，用于采用神经网络对所述特征矩阵构建单元构建的包含各模糊熵信息的所述三维特征矩阵进行卷积，并采用不同注意力机制对卷积输出不同识别结果；还用于，采用不同投票法对所述不同识别结果进行结合，得到模型输出的最终识别结果；

13、验证单元，用于使用五折交叉验证的方法对所述特征识别单元中的模型进行训练和测试。

14、作为上述技术方案的优选，较佳的，特征识别单元，包括，卷积模块，注意力模块。卷积模块，用于采用不同卷积核对所述三维特征矩阵依次卷积，得到卷积结果；注意力模块，用于采用不同的注意力机制并行对所述卷积模块得到的所述卷积结果进行特征提取，具体的，采用硬投票和软投票的方法分别对所述不同识别结果进行投票，从两个投票结果中选择票数高的识别结果作为所述最终识别结果。

15、本发明还提供一种计算机存储介质，其上存储有计算机程序，此计算机程序被处理器执行时实现上述构建基于脑电模糊熵和连续卷积神经网络的精神分裂症识别模型的方法的步骤。

16、本发明技术方案提供了一种构建基于脑电模糊熵和连续卷积神经网络的精神分裂症识别模型的方法、系统及计算机存储介质，对脑电波信号进行预处理，得到待处理脑电信号；对各待处理脑电信号分别提取各自不同的节律波段，得到各所述节律波段对应的模糊熵；将各所述节律波段对应的各模糊熵映射至矩阵上，构建一三维特征矩阵；构建一包括卷积层与并行注意力机制模型的神经网络，所述卷积层对包含各模糊熵信息的所述三维特征矩阵进行卷积，并采用不同注意力机制对卷积输出不同识别结果；采用不同投票法对所述不同识别结果进行结合，得到模型输出的最终识别结果。

17、本发明的优点是：构建了一种包含脑电特征空间位置信息的三维特征矩阵，并在模型方面构建了一种集成attention-cnn模型，将三种不同的注意力机制融入基础连续卷积神经网络模型中，构建三个并行的网络模型。在三个模型进行独立训练后，将这些模型在决策层进行融合，构建最佳分类模型。最终，基于本研究所构建的模型，能够实现对精神分裂症的自动检测与识别。