基于脑电信号和深度学习的亚型帕金森病类型识别系统

本发明涉及人工智能，特别是涉及一种基于脑电信号和深度学习的亚型帕金森病类型识别系统。

背景技术：

1、帕金森病(pd)是一种常见的慢性、进行性、退行性神经系统疾病。越来越多的循证医学证明了这一点。帕金森病表现复杂多样，包括震颤、强直、运动迟缓、姿势不稳等，这些症状是影响帕金森病患者生活质量的重要因素，甚至会导致进行性功能障碍。此外，由于不同的因素，帕金森病患者的体质、临床症状、年龄等均表现出较大的个体差异和异质性。帕金森病者的临床特点有助于进一步了解帕金森病的发病机制、临床进展及个体化治疗。

2、为了客观反映帕金森病的临床异质性，学者们利用数据驱动分类技术对帕金森病患者进行了分析。最常见的分类之一是以震颤为主(td)亚型、姿势不稳定和步态困难(pigd)亚型、以及混合型亚型。通过比较td和pigd患者的临床特点发现，大多数pigd亚型帕金森病患者病情进展迅速，临床预后较差。

3、许多帕金森病患者除了典型的运动症状外，还伴有一些非运动症状，如睡眠障碍、抑郁焦虑、视力减退、胃肠道紊乱等，这些症状往往在帕金森病诊断前就存在，可能是帕金森病的重要前兆特征。部分临床报告显示，pigd亚型患者存在较高的认知障碍、痴呆、幻觉风险、抑郁、冷漠等心理和情绪问题，这些症状通常对多巴胺能治疗无反应或反应较差。td亚型的临床症状较轻，运动和认知症状进展较慢，痴呆和精神疾病的风险较低。

4、tus认为，在治疗运动症状的基础上，及早发现不同亚型，并对与该亚型相关的非运动症状进行个体化干预，可能是延缓疾病进展、改善患者预后的重要途径。然而，以往的研究大多基于单一的运动症状问卷，很少有研究报道区分不同亚型的非运动症状，更未有综合考虑运动症状和非运动症状等来对亚型帕金森病的类型进行识别的技术。

技术实现思路

1、本发明针对现有技术存在的问题和不足，提供一种基于脑电信号和深度学习的亚型帕金森病类型识别系统。

2、本发明是通过下述技术方案来解决上述技术问题的：

3、本发明提供一种基于脑电信号和深度学习的亚型帕金森病类型识别系统，其特点在于，其包括信息采集模块、信息预处理模块、特征提取模块、特征向量构建模块和类型识别模块；

4、所述信息采集模块用于采集待识别者的基本信息、运动症状信息、非运动症状信息和客观指标；

5、其中，基本信息包括性别和年龄；运动症状信息包括利用多模态传感器检测到的震颤数据、强直数据、姿势不稳步态障碍数据和运动迟缓数据，震颤数据包括震颤信号及其对应的脑电信号，强直数据包括强直信号及其对应的脑电信号，姿势不稳步态障碍数据包括姿势信号、步态信号及其对应的脑电信号，运动迟缓数据包括运动迟缓信号及其对应的脑电信号；

6、非运动症状信息包括胃肠道症状信息、泌尿道症状信息、心血管症状信息、体温调节症状信息、瞳孔调节症状信息、性功能症状信息、睡眠障碍症状信息、快速眼动睡眠行为异常症状信息即rbd症状信息、焦虑程度症状信息和抑郁程度症状信息；客观指标包括唾液皮质醇含量和唾液褪黑素含量；

7、所述信息预处理模块用于针对基本信息进行赋值预处理操作；针对运动症状信息，对震颤信号及其对应的脑电信号、强直信号及其对应的脑电信号、姿势信号与步态信号及其对应的脑电信号、运动迟缓信号及其对应的脑电信号进行降噪滤波预处理操作；针对非运动症状信息中的各个信息进行评分预处理操作；

8、所述特征提取模块用于针对基本信息提取性别赋值特征和年龄赋值特征；针对运动症状信息，提取震颤信号中震颤时域特征和震颤频域特征，提取震颤信号对应的脑电信号中震颤脑电时域特征和震颤脑电频域特征，提取强直信号中强直时域特征和强直频域特征，提取强直信号对应的脑电信号中强直脑电时域特征和强直脑电频域特征，提取姿势信号中姿势时域特征和姿势频域特征，提取步态信号中步态时域特征和步态频域特征，提取姿势信号对应的脑电信号中姿势脑电时域特征和姿势脑电频域特征，提取运动迟缓信号中迟缓时域特征和迟缓频域特征，提取运动迟缓信号对应的脑电信号中迟缓脑电时域特征和迟缓脑电频域特征；针对非运动症状信息中的各个信息分别提取胃肠道评分赋值特征、泌尿道评分赋值特征、心血管评分赋值特征、体温调节评分赋值特征、瞳孔调节评分赋值特征、性功能评分赋值特征、睡眠障碍评分赋值特征、rbd评分赋值特征、焦虑程度评分赋值特征和抑郁程度评分赋值特征；

9、所述特征向量构建模块用于基于各个特征构建一维特征向量＝(性别赋值特征、年龄赋值特征、震颤时域特征、震颤频域特征、震颤脑电时域特征、震颤脑电频域特征、强直时域特征、强直频域特征、强直脑电时域特征、强直脑电频域特征、姿势时域特征、姿势频域特征、步态时域特征、步态频域特征、姿势脑电时域特征、姿势脑电频域特征、迟缓时域特征、迟缓频域特征、迟缓脑电时域特征、迟缓脑电频域特征、胃肠道评分赋值特征、泌尿道评分赋值特征、心血管评分赋值特征、体温调节评分赋值特征、瞳孔调节评分赋值特征、性功能评分赋值特征、睡眠障碍评分赋值特征、rbd评分赋值特征、焦虑程度评分赋值特征、抑郁程度评分赋值特征、唾液皮质醇含量特征、唾液褪黑素含量特征)；

10、所述类型识别模块用于将待识别者的一维特征向量输入至基于深度学习算法构建的目标卷积神经网络类型识别模型中进行亚型帕金森病的类型识别，从而识别并输出待识别者的具体亚型帕金森病的类型，亚型帕金森病的类型包括震颤为主的亚型帕金森病即td亚型、姿势不稳定及步态困难亚型帕金森病即pigd亚型、以及混合型亚型帕金森病。

11、本发明的积极进步效果在于：

12、本发明同时考虑了待识别者的基本信息、运动症状信息、非运动症状信息和客观指标这些因素，基于这些因素提取出多个特征，利用这些特征和基于深度学习算法构建的目标卷积神经网络类型识别模型能够准确的识别出待识别者的亚型帕金森病的类型。

1.一种基于脑电信号和深度学习的亚型帕金森病类型识别系统，其特征在于，其包括信息采集模块、信息预处理模块、特征提取模块、特征向量构建模块和类型识别模块；

2.如权利要求1所述的基于脑电信号和深度学习的亚型帕金森病类型识别系统，其特征在于，所述特征提取模块用于针对震颤时域特征、强直时域特征、姿势时域特征、步态时域特征和迟缓时域特征，提取的时域特征包括幅值、标准差和相似熵；针对震颤频域特征、强直频域特征、姿势频域特征、步态频域特征和迟缓频域特征，提取的频域特征包括频率、频谱最大峰值和频谱能量值；针对震颤脑电时域特征、强直脑电时域特征、姿势脑电时域特征和迟缓脑电时域特征，提取的时域特征包括幅值、标准差和相似熵；针对震颤脑电频域特征、强直脑电频域特征、姿势脑电频域特征和迟缓脑电频域特征，提取的频域特征包括δ波、θ波、α波、β波和γ波频段的功率谱密度。

3.如权利要求1所述的基于脑电信号和深度学习的亚型帕金森病类型识别系统，其特征在于，所述特征提取模块用于针对非运动症状信息中的各个信息，提取的胃肠道评分赋值特征＝胃肠道评分值*胃肠道评分权重，提取的泌尿道评分赋值特征＝泌尿道评分值*泌尿道评分权重，提取的心血管评分赋值特征＝心血管评分值*心血管评分权重，提取的体温调节评分赋值特征＝体温调节评分值*体温调节评分权重，提取的瞳孔调节评分赋值特征＝瞳孔调节评分值*瞳孔调节评分权重，提取的性功能评分赋值特征＝性功能评分值*性功能评分权重，提取的睡眠障碍评分赋值特征＝睡眠障碍评分值*睡眠障碍评分权重，提取的rbd评分赋值特征＝rbd评分值*rbd评分权重，提取的焦虑程度评分赋值特征＝焦虑程度评分值*焦虑程度评分权重，提取的抑郁程度评分赋值特征＝抑郁程度评分值*抑郁程度评分权重。

4.如权利要求3所述的基于脑电信号和深度学习的亚型帕金森病类型识别系统，其特征在于，胃肠道评分权重、体温调节评分权重、rbd评分权重和焦虑程度评分权重的权重值较大，泌尿道评分权重、心血管评分权重、瞳孔调节评分权重、性功能评分权重、睡眠障碍评分权重、抑郁程度评分权重的权重值较小。

5.如权利要求1所述的基于脑电信号和深度学习的亚型帕金森病类型识别系统，其特征在于，所述系统还包括模型构建模块，所述模型构建模块用于构建目标卷积神经网络类型识别模型：

6.如权利要求5所述的基于脑电信号和深度学习的亚型帕金森病类型识别系统，其特征在于，所述卷积神经网络类型识别模型由多个卷积层、每个卷积层后跟着一个池化层、最后一个池化层后跟着一个全连接层和全连接层后跟着一个softmax分类器组成，其中设定每个卷积层的卷积核的个数均为2的倍数，且前一卷积层的卷积核的个数大于后一卷积层的卷积核的个数。

7.如权利要求6所述的基于脑电信号和深度学习的亚型帕金森病类型识别系统，其特征在于，所述模型构建模块用于：

8.如权利要求7所述的基于脑电信号和深度学习的亚型帕金森病类型识别系统，其特征在于，当全局最优适应度达到预设值或迭代次数达到最大迭代次数t则迭代结束，此时基于全局最优位置得到最优超参数，利用最优超参数建立目标卷积神经网络类型识别模型，否则判定是否t≤t/2，是则按照降序方式将各个粒子的当前个体最优适应度进行排布，将位于最后的n1个粒子舍弃，将全局最优适应度所属粒子作为主精英粒子、未舍弃的其余粒子中随机选取n1个粒子作为从精英粒子，将主精英粒子分别与每个选出的从精英粒子进行遗传杂交获得n1个粒子，杂交获得的n1个粒子中每个粒子的当前位置即为第t次迭代后该粒子的位置，杂交获得的n1个粒子中每个粒子的当前速度即为第t次迭代后该粒子的速度＝主精英粒子和对应参与杂交的从精英粒子的速度的平均速度，以此可获得新粒子种群，对新粒子群继续更新各个粒子的速度和位置，n1为正整数且1≤n1≤l/3，t＝t+1，否则直接更新各个粒子的速度和位置。

9.如权利要求1所述的基于脑电信号和深度学习的亚型帕金森病类型识别系统，其特征在于，所述震颤信号利用震颤传感器检测获得，所述脑电信号利用脑电传感器检测获得，所述强直信号利用柔性触觉传感器检测获得，所述姿势信号利用姿势传感器检测获得，步态信号利用步态传感器检测获得，所述运动迟缓信号利用惯性传感器检测获得。