一種基于鏈?zhǔn)骄幋a器康復(fù)預(yù)測模型的康復(fù)結(jié)果預(yù)測方法

本發(fā)明屬于康復(fù)預(yù)測，具體涉及一種基于鏈?zhǔn)骄幋a器康復(fù)預(yù)測模型的康復(fù)結(jié)果預(yù)測方法。

背景技術(shù)：

1、在康復(fù)預(yù)測的領(lǐng)域中，現(xiàn)有的方法通常基于統(tǒng)計學(xué)模型，如線性回歸、支持向量機(jī)等，以建立疾病與相關(guān)特征之間的關(guān)系模型。然而，這些方法在處理大規(guī)模醫(yī)療數(shù)據(jù)和高維特征時存在一定的限制，無法很好地捕捉非線性關(guān)系和高維特征的復(fù)雜性。隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的發(fā)展與應(yīng)用，其強(qiáng)大的表征學(xué)習(xí)能力和并行計算能力為康復(fù)預(yù)測提供了新的方法。

2、cn107280666a提供一種基于機(jī)器學(xué)習(xí)的耳聾患者ci術(shù)后康復(fù)預(yù)測方法及系統(tǒng)，首先獲取患者腦電信號并進(jìn)行預(yù)處理，對預(yù)處理后信號進(jìn)行特征提取，選定訓(xùn)練集和測試集，選取核函數(shù)，通過支持向量機(jī)進(jìn)行康復(fù)預(yù)測。該方法只考慮單一的腦電信號，且人工方式進(jìn)行特征提取受到經(jīng)驗限制，所選取特征對最終預(yù)測結(jié)果有直接影響。

3、cn118285790a提供了一種基于多模態(tài)異步數(shù)據(jù)的運(yùn)動功能康復(fù)預(yù)測方法及相關(guān)設(shè)備，首先獲取患者生物電信號和腦電成像數(shù)據(jù)并進(jìn)行預(yù)處理，然后進(jìn)行特征提取得到第一特征向量、第二特征向量、第三特征向量和第四特征向量，并通過特征融合得到目標(biāo)特征向量，最后將目標(biāo)特征向量輸入訓(xùn)練好的模型得到康復(fù)預(yù)測結(jié)果。該康復(fù)預(yù)測方法融合了不同模態(tài)數(shù)據(jù)，但忽略了患者康復(fù)具有過程性的特點(diǎn)。

4、綜上，現(xiàn)有技術(shù)在康復(fù)預(yù)測方面少有考慮異構(gòu)數(shù)據(jù)，且沒有考慮到患者康復(fù)的過程性，以及不同腦電通道對康復(fù)結(jié)果的影響程度不同，影響最終結(jié)果的準(zhǔn)確性。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供了一種基于鏈?zhǔn)骄幋a器康復(fù)預(yù)測模型的康復(fù)結(jié)果預(yù)測方法，根據(jù)患者康復(fù)進(jìn)程階段性的腦電數(shù)據(jù)以及量表數(shù)據(jù)預(yù)測下一階段恢復(fù)情況，提高康復(fù)預(yù)測準(zhǔn)確性。

2、本發(fā)明采用的技術(shù)方案為：一種基于鏈?zhǔn)骄幋a器康復(fù)預(yù)測模型的康復(fù)結(jié)果預(yù)測方法，具體步驟如下：

3、s1、收集患者康復(fù)記錄數(shù)據(jù)；

4、其中，將每一階段收集的患者腦電數(shù)據(jù)、量表數(shù)據(jù)和干預(yù)方法稱為康復(fù)記錄；患者腦電數(shù)據(jù)包括：患者靜息狀態(tài)腦電數(shù)據(jù)、事件相關(guān)電位腦電數(shù)據(jù)。

5、s2、構(gòu)建編碼器、解碼器，基于步驟s1收集的患者靜息狀態(tài)腦電數(shù)據(jù)，進(jìn)行編碼器、解碼器訓(xùn)練；

6、s3、基于步驟s2預(yù)訓(xùn)練后的編碼器、解碼器，使用事件相關(guān)電位腦電數(shù)據(jù)進(jìn)行次訓(xùn)練；

7、s4、基于步驟s3次訓(xùn)練后的編碼器、解碼器，構(gòu)建編碼器預(yù)測塊；

8、s5、基于步驟s4，使用級聯(lián)式訓(xùn)練方法，構(gòu)建基于鏈?zhǔn)骄幋a器的康復(fù)預(yù)測模型，即對編碼器預(yù)測塊進(jìn)行預(yù)測訓(xùn)練；

9、s6、基于步驟s5得到訓(xùn)練完的康復(fù)預(yù)測模型，輸入待預(yù)測患者的康復(fù)記錄數(shù)據(jù)，得到康復(fù)預(yù)測結(jié)果。

10、進(jìn)一步地，所述步驟s1具體如下：

11、首先獲取患者康復(fù)過程中的量表評分，將第m階段量表評分記錄在向量scm中，并同時記錄該患者康復(fù)過程中對患者實施的干預(yù)方法，記錄在向量inm。

12、其中，所述量表包括：漢密爾頓抑郁量表hamd、應(yīng)激事件調(diào)查表srss、漢密爾頓焦慮量表hama、匹茲堡睡眠質(zhì)量指數(shù)量表評分變化psqi；所述干預(yù)方法包括：針灸+藥物、非經(jīng)非穴、對稱針刺、太極拳和安慰劑。

13、使用多電極腦帽收集兩類腦電數(shù)據(jù)：

14、1)、患者靜息狀態(tài)腦電數(shù)據(jù)：患者靜坐并保持清醒，記錄患者q分鐘閉眼靜息態(tài)腦電圖。

15、其中，身體不能出現(xiàn)多余動作，包括晃動、眨眼、搖頭，且眼球也不能出現(xiàn)過多的掃視和運(yùn)動。q根據(jù)實際情況設(shè)定。

16、2)、事件相關(guān)電位腦電數(shù)據(jù)：患者觀看三種類型圖片，包括：快樂、平靜、驚恐三個主題內(nèi)容，每當(dāng)有圖片出現(xiàn)在屏幕上時，患者需用左手迅速按下按鍵，以按鍵時間點(diǎn)在腦電信號中插入標(biāo)記，記錄標(biāo)記前s1秒的腦電信號記錄、標(biāo)記后s2秒的腦電記錄。

17、其中，每種圖片為p張，p、s1、s2根據(jù)實際情況設(shè)定。

18、靜息狀態(tài)和事件相關(guān)電位試驗結(jié)束后，得到靜息狀態(tài)下患者的腦電數(shù)據(jù)以及事件相關(guān)電位腦電數(shù)據(jù)，使用eeglab對腦電數(shù)據(jù)進(jìn)行預(yù)處理，具體如下：

19、(1)降采樣，將采樣率從1000hz降采樣至100hz；

20、(2)濾波，使用陷波濾波器將去除49hz到50hz的市電偽跡，去除1hz以下的低頻噪聲，去除100hz以上的高頻噪聲；

21、(3)ica分析，使用eeglab中ica算法runica進(jìn)行ica分解，分解出眼電、肌電、通道噪聲和心電的噪聲信號，并進(jìn)行去除；

22、(4)將靜息狀態(tài)腦電數(shù)據(jù)分段，每個片段長度為s2-(-s1)秒；

23、(5)對三種類型的事件相關(guān)電位腦電數(shù)據(jù)使用eeglab提取出觀察到圖片前后的腦電數(shù)據(jù)片段；

24、其中，事件相關(guān)電位腦電數(shù)據(jù)片段長度為s2-(-s1)秒，范圍是[-s1*1000，s2*1000](ms)，單位為毫秒。

25、進(jìn)一步地，所述步驟s2具體如下：

26、首先構(gòu)建編碼器、解碼器。

27、編碼器包括：3個cnn層和1個lstm層；其中cnn層包括：卷積層、relu層和池化層。

28、其中，卷積層從靜息狀態(tài)腦電數(shù)據(jù)片段中捕獲腦電特征，將其輸入relu層和池化層增加深度、壓縮參數(shù)量并降低特征維數(shù)。cnn層的輸出結(jié)果輸入lstm層提取順序特征，輸出靜息狀態(tài)腦電數(shù)據(jù)片段對應(yīng)的編碼向量。

29、解碼器包括：1個lstm層和3個cnn層；其中cnn層包括：上采樣層、relu層和卷積層。

30、其中，lstm層將編碼向量還原成序列數(shù)據(jù)，然后序列數(shù)據(jù)經(jīng)上采樣還原數(shù)據(jù)維度，最后經(jīng)過cnn層輸出還原的靜息狀態(tài)腦電數(shù)據(jù)片段。

31、然后使用步驟s1得到的康復(fù)記錄中靜息狀態(tài)腦電數(shù)據(jù)將編碼器和解碼器進(jìn)行端到端預(yù)訓(xùn)練，初步學(xué)習(xí)腦電的特征表示。

32、步驟s1分段后的第j′個靜息狀態(tài)腦電數(shù)據(jù)片段表示為e(-，j′)＝[e(1，j′)，e(2，j′)，e(3，j′)，…e(i，j′)，…e(c，j′)]。

33、其中，i∈[1，c]表示通道編號，c表示腦電通道數(shù)，j′∈[1，n′]表示靜息狀態(tài)腦電數(shù)據(jù)片段號，n′表示靜息狀態(tài)腦電數(shù)據(jù)片段數(shù)量。

34、將靜息狀態(tài)腦電數(shù)據(jù)片段e(-，j′)輸入編碼器，獲得e(-，j′)對應(yīng)的編碼向量x(-，j′)＝[x(1，j′)，x(2，j′)，x(3，j′)，…x(c，j′)]。

35、然后將編碼器輸出的編碼向量x(-，j′)輸入到解碼器，通過解碼器對靜息狀態(tài)腦電數(shù)據(jù)片段進(jìn)行重構(gòu)，記解碼器輸出的靜息狀態(tài)腦電數(shù)據(jù)片段為

36、編碼器預(yù)訓(xùn)練的損失函數(shù)表達(dá)式如下：

37、

38、其中，n′表示靜息狀態(tài)腦電數(shù)據(jù)片段的數(shù)量。

39、最后保留預(yù)訓(xùn)練后的編碼器和解碼器，記為編碼器e和解碼器d。

40、進(jìn)一步地，所述步驟s3具體如下：

41、使用步驟s1所述三種不同類型的事件相關(guān)電位腦電數(shù)據(jù)分別再次訓(xùn)練編碼器e和解碼器d，所獲編碼器和解碼器表示為ek和dk。

42、其中，k∈{1，2，3}分別表示對應(yīng)快樂、平靜、驚恐所訓(xùn)練的事件相關(guān)電位腦電數(shù)據(jù)片段類型號。

43、將編碼器e和解碼器d進(jìn)行端到端的次訓(xùn)練，首先使用事件相關(guān)電位腦電數(shù)據(jù)集中的事件相關(guān)電位腦電數(shù)據(jù)片段作為編碼器e輸入，編碼器e輸出事件相關(guān)電位腦電數(shù)據(jù)片段對應(yīng)的編碼向量

44、其中，j∈[1，n]，n表示事件相關(guān)電位腦電數(shù)據(jù)片段的數(shù)量。

45、然后將編碼器e輸出的編碼向量作為解碼器d輸入，解碼器d重構(gòu)事件相關(guān)電位腦電數(shù)據(jù)片段，輸出表示為

46、其中，編碼器e次訓(xùn)練的損失函數(shù)表達(dá)式如下：

47、

48、其中，n表示事件相關(guān)電位腦電數(shù)據(jù)片段的數(shù)量。

49、最后保留次訓(xùn)練后的編碼器ek，k∈{1，2，3}。

50、進(jìn)一步地，所述步驟s4具體如下：

51、編碼器預(yù)測塊包括：編碼器層、注意力層、全連接層和激活函數(shù)層。

52、其中，編碼器層即步驟s3次訓(xùn)練后得到的編碼器ek。

53、所述編碼器預(yù)測塊添加注意力機(jī)制，計算腦部不同區(qū)域?qū)祻?fù)結(jié)果的貢獻(xiàn)，對于通道i，類型為k的事件相關(guān)電位腦電數(shù)據(jù)的編碼向量計算注意力表達(dá)式如下：

54、

55、其中，表示腦電編碼向量的潛在特征表示，用于計算對應(yīng)通道注意力值wi、bi分別表示權(quán)重和偏置值；θ表示腦電通道編號，取值范圍[1，c]；表示通過注意力層輸出的帶有注意力權(quán)重的腦電編碼向量，將不同片段腦電信號得到的進(jìn)行組合，表示為針對不同的事件相關(guān)電位腦電數(shù)據(jù)片段類型號k，將組合并展平為一維形式，記注意力向量

56、所述編碼器預(yù)測塊中，在患者的第m階段康復(fù)記錄數(shù)據(jù)中，將注意力向量和患者狀態(tài)向量[scm，inm]組合輸入至全連接層，再經(jīng)過激活函數(shù)層relu，預(yù)測患者第m+1階段康復(fù)記錄中量表向量

57、進(jìn)一步地，所述步驟s5具體如下：

58、使用級聯(lián)式訓(xùn)練方法，構(gòu)建基于鏈?zhǔn)骄幋a器的康復(fù)預(yù)測模型，即對編碼器預(yù)測塊進(jìn)行預(yù)測訓(xùn)練，當(dāng)患者具有第m階段康復(fù)記錄數(shù)據(jù)時，根據(jù)患者康復(fù)記錄數(shù)據(jù)，使用編碼器預(yù)測塊預(yù)測患者第m+1階段康復(fù)記錄的量表向量當(dāng)患者具有第m+1階段康復(fù)記錄的數(shù)據(jù)時，可根據(jù)第m+1階段康復(fù)記錄量表向量scm+1和預(yù)測的量表向量構(gòu)建損失，訓(xùn)練該編碼器預(yù)測塊，且針對每次訓(xùn)練過程，編碼器參數(shù)共享。

59、其中，編碼器預(yù)測塊通過均方誤差損失函數(shù)來計算損失，表達(dá)式如下：：

60、

61、其中，n表示量表向量長度，表示scm+1第i項元素值，表示的第i項元素值。

62、在訓(xùn)練完康復(fù)預(yù)測模型后，輸出并保留模型，輸出注意力層中的權(quán)重參數(shù)w＝[w1，w2，...wc-1，wc]，即可得到患者康復(fù)過程中腦電通道對康復(fù)結(jié)果影響的重要性。

63、進(jìn)一步地，所述步驟s6具體如下：

64、對于待預(yù)測患者，患者的康復(fù)記錄數(shù)據(jù)輸入到步驟s5訓(xùn)練好的基于鏈?zhǔn)骄幋a器的康復(fù)預(yù)測模型中，輸出得到患者康復(fù)過程中下一階段的hamd、srss、hama、psqi評分結(jié)果，即康復(fù)預(yù)測結(jié)果。

65、本發(fā)明的有益效果：本發(fā)明的方法首先收集患者康復(fù)記錄數(shù)據(jù)，然后構(gòu)建編碼器、解碼器，使用患者腦電數(shù)據(jù)進(jìn)行訓(xùn)練，即針對編碼器進(jìn)行靜息腦電還原的預(yù)訓(xùn)練，然后使用三種不同事件相關(guān)的腦電進(jìn)行不同類型編碼器訓(xùn)練，再使用注意力層計算不同腦電通道重要性，并結(jié)合患者的狀態(tài)向量，構(gòu)建編碼器預(yù)測塊，最后使用級聯(lián)式訓(xùn)練方法構(gòu)建鏈?zhǔn)骄幋a器康復(fù)預(yù)測模型，提取出模型注意力層中的權(quán)重參數(shù)，得到不同腦電通道對預(yù)測的重要性，完成康復(fù)預(yù)測。本發(fā)明的方法構(gòu)建的鏈?zhǔn)骄幋a器結(jié)構(gòu)融合異構(gòu)數(shù)據(jù)，充分考慮了康復(fù)進(jìn)程的階段性，以及不同腦電通道對康復(fù)效果的影響，提升了康復(fù)預(yù)測的準(zhǔn)確性，能為醫(yī)師提供決策支持。