基于EEG数据的阿尔兹海默症分类系统
本发明涉及数据处理，特别是基于eeg数据的阿尔兹海默症分类系统。
背景技术：
1、痴呆症是一种临床综合症，其特征是在两个或更多认知领域逐渐下降，包括记忆、语言、执行和视觉空间功能、个性和行为，导致失去执行日常生活的工具性和/或基本活动的能力。痴呆症是由影响大脑的各种疾病和损伤引起的。阿尔茨海默氏病(ad)是痴呆症最常见的形式。阿尔茨海默病作为全球最常见的痴呆症状的原因，其患病率在一定程度上因全球老龄化而持续增长。在健康老化(ha)和ad之间普遍承认的中间阶段被称为轻度认知障碍(mci)。目前，尚不清楚患有mci的个体中有多少会发展成ad痴呆。多方面的证据表明，在疾病的早期阶段修改增加风险的生活方式，并启动药物和非药物治疗，虽然不能改变其病程，但有助于保持日常活动中的个人自主权，并显著降低疾病管理的总成本。为此需要探索其他更快速、更便宜、非侵入性的生物标志物替代方案以实现ad的早期检测。
2、为了实现这一目标，有研究人员建议分析脑电图(eeg)信号，寻找可能有助于ad诊断的特征和生物标志物。eeg信号是一种无创的时变非线性非平稳电信号，可以记录大脑电活动。越来越多的研究者开始使用eeg来检测和区分痴呆变体，特别是ad的早期检测。但是由于eeg信号的复杂、非静态和非线性特性，并且伴随着采集过程中的噪声信号，eeg信号的特征提取变得十分困难，一般eeg中ad和ha之间的三个主要特征是：eeg减速、eeg复杂性降低和eeg同步性。传统检测eeg减速的信号处理方法，如离散傅里叶变换(dft)、功率谱密度(psd)和连续小波变换(cwt)等来提取特征来进行检测。但是上述方法仍然存在着一些缺点，dft无法提供有关信号的局部信息，因为它只提供整个信号的频域表示。psd通常基于平稳性假设，即信号的统计性质不随时间变化。但是，eeg信号通常是非平稳的，这可能导致psd在分析非平稳信号时的局限性。cwt的计算复杂性相对较高，尤其是对于长时间序列。这可能导致在实时应用中的不可行性。在选择小波尺度时，需要考虑到频率和时间的平衡。近年来，随着深度学习任务的兴起，eeg信号的特征提取任务可得到新的解决方法。
技术实现思路
1、本发明的目的在于提供基于eeg数据的阿尔兹海默症分类系统，通过深度学习模型对eeg数据进行有效的预处理、剪切、训练和分类，以提高阿尔兹海默症分类检测的准确性和稳定性。
2、本发明的目的通过以下技术方案来实现：
3、基于eeg数据的阿尔兹海默症分类系统，包括：
4、预处理模块：对原始eeg数据进行数据标准化和去噪处理；
5、数据剪切模块：对预处理后的eeg数据按时间长度进行不重复剪切，以适应网络架构模块的输入要求；
6、网络架构模块：网络架构模块构成深度学习模型架构，其包括输入层、数据处理层、输出层，所述数据处理层包括首尾依次串联的多个数据处理模块，所述数据处理模块包括conv模块和mlp模块，所述conv模块的输出与所述和mlp模块的输入相连接，所述输出层的线性层将模型学到的高维特征映射到类别空间，执行层归一化后再通过线性层输出分类结果；
7、训练模块：用于将剪切后的eeg数据输入网络架构模块中，经多轮训练调整模型参数，提高在训练集上的准确率；
8、预测模块：用于将新的eeg数据输入训练好的模型中，进行ad、mci、ha三分类预测。
9、进一步的，所述conv模块包括提取输入特征空间信息的卷积层和执行层归一化的layernormalization层。
10、更进一步的，所述mlp模块包括两个全连接层、starrelu激活函数和丢弃层，经过前一全连接层的数据通过starrelu激活函数引入非线性变换，并输入后一全连接层，后一全连接层的输出层大小与前一全连接层的输出大小一致，两个全连接层互为映射。
11、更进一步的，所述starrelu激活函数为：
12、starrelu＝s*(relu(x))2+b
13、式中：s为可学习的缩放因子，b为偏置项。
14、更进一步的，所述训练模块采用rmsprop优化器进行模型参数的更新，模型训练中选取交叉熵损失函数进行模型优化。
15、更进一步的，所述rmsprop优化器公式如下：
16、
17、式中，θt是参数，gt是梯度，η是学习率，β是衰减系数，∈是平滑项，μt是动量。
18、更进一步的，所述交叉熵损失函数为：
19、
20、式中，是模型的预测值，yij数据是实际值，n是样本数量，c是类别数量
21、本发明具有以下优点：通过深度学习模型，能够更全面、自动的提取eeg数据的特征，通过对eeg数据预处理、剪切、提高模型对时序特征的敏感性，在多轮训练后，模型在阿尔兹海默症的三分类任务上具有较高的准确性和稳定性。
技术特征：
1.基于eeg数据的阿尔兹海默症分类系统，其特征在于：包括：
2.根据权利要求1所述的基于eeg数据的阿尔兹海默症分类系统，其特征在于：所述conv模块包括提取输入特征空间信息的卷积层和执行层归一化的layernormalization层。
3.根据权利要求1所述的基于eeg数据的阿尔兹海默症分类系统，其特征在于：所述mlp模块包括两个全连接层、starrelu激活函数和丢弃层，经过前一全连接层的数据通过starrelu激活函数引入非线性变换，并输入后一全连接层，后一全连接层的输出层大小与前一全连接层的输出大小一致，两个全连接层互为映射。
4.根据权利要求3所述的基于eeg数据的阿尔兹海默症分类系统，其特征在于：所述starrelu激活函数为：
5.根据权利要求1所述的基于eeg数据的阿尔兹海默症分类系统，其特征在于：所述训练模块采用rmsprop优化器进行模型参数的更新，模型训练中选取交叉熵损失函数进行模型优化。
6.根据权利要求5所述的基于eeg数据的阿尔兹海默症分类系统，其特征在于：所述rmsprop优化器公式如下：
7.根据权利要求5所述的基于eeg数据的阿尔兹海默症分类系统，其特征在于：所述交叉熵损失函数为：
技术总结
本发明公开了基于EEG数据的阿尔兹海默症分类系统，包括：预处理模块：对原始EEG数据进行数据标准化和去噪处理；数据剪切模块：对预处理后的EEG数据按时间长度进行不重复剪切；网络架构模块：网络架构模块构成深度学习模型架构，其包括输入层、数据处理层、输出层，数据处理层包括首尾依次串联的多个数据处理模块；训练模块：用于将剪切后的EEG数据输入网络架构模块中，训练调整模型参数；预测模块：用于将新的EEG数据输入训练好的模型中，进行AD、MCI、HA三分类预测。本发明能够更全面、自动的提取EEG数据的特征，通过对EEG数据预处理、剪切、提高模型对时序特征的敏感性，在多轮训练后，模型在阿尔兹海默症的三分类任务上具有较高的准确性和稳定性。
技术研发人员：李征骥,陈礼,兰奕珩,罗欣雨,陈兴,杨丹,陶岚菊
受保护的技术使用者：成都锦城学院
技术研发日：
技术公布日：2024/9/23