一种基于脑电非线性效应连接的精神状态检测系统及方法

1.本技术涉及精神状态检测技术领域，尤其涉及一种基于脑电非线性效应连接的精神状态检测系统及方法。


背景技术：

2.精神状态的不同变化在一些生理指标上有明显差异，脑电信号就是其中之一。大脑中的神经细胞通过一些微弱的神经信号相互交流，产生一些可测量的变化，这些可测量的变化可以被称为脑电信号。脑电信号其本质是神经元活动自发的放电行为，不容易受主观意识的控制，可以作为精神状态检测的依据。
3.在一些实施例中，从脑电信号中获取各类特征去检测精神状态需要从脑电信号中发掘出和脑功能关联较强的特征。在大脑中，区域之间的连接关系是客观存在的，静息动力学相关的研究也表明，即使人在安静状态下不同脑区间也存在着明显的信息交流。从脑电信号中获取连接性度量的方式可以包括功能连接和效应连接两种方式，通过这两种方式，可以用来衡量脑电导联所在区域神经活动之间的联系，进而为精神状态检测提供依据。其中，功能连接倾向于了解神经活动间的相关性，而效应连接倾向于了解神经活动间的因果效应，在实际使用场景中，因果效应更有助于对大脑活动有更全面的认识。
4.例如，在效应连接的方式中，可以以格兰杰因果为理论基础来计算时域或频域上的线性连接特性。但是，大脑本身是一个高度复杂的非线性动力系统，所以仅从线性连接特征去分析脑网络会比较片面，导致对精神状态检测的结果不准确。而对于非线性格兰杰因果的发掘主要基于时间序列概率分布或者核方法，它们共有的局限是较难选择合适的非线性计算方式，导致在用于脑电非线性效应连接表征计算时会存在泛化性不足的问题，则对精神状态检测结果也不准确。


技术实现要素：

5.本技术一些实施例提供一种基于脑电非线性效应连接的精神状态检测系统及方法，以解决精神状态检测结果不准确的问题。
6.第一方面，本技术一些实施例提供一种基于脑电非线性效应连接的精神状态检测方法，包括：
7.采集静息状态下不同的脑电信号；
8.对所述脑电信号执行预处理；
9.对预处理后的脑电信号执行非线性效应连接表征学习，得到非线性效应连接表征；
10.解码所述非线性效应连接表征，以将所述非线性效应连接表征还原为脑电信号；所述脑电信号为预处理后的脑电信号；
11.将所述脑电信号输入到训练完成后的神经网络模型中，以根据所述神经网络模型计算出的所述非线性效应连接表征检测所述脑电信号，以及，输出对所述脑电信号中的精
神状态检测结果。
12.在一些实施例中，采集静息状态下不同的脑电信号的步骤，包括：
13.筛选预设年龄范围区间的多位被试目标；
14.设置脑电信号的采样频率；
15.按照所述采样频率通过脑电帽的传感器采集所述被试目标的脑电信号。
16.在一些实施例中，对所述脑电信号执行预处理的步骤，包括：
17.设置滤波区间和滤波阈值；
18.按照所述滤波区间对所述脑电信号执行带通滤波处理，以及按照所述滤波阈值对所述脑电信号执行陷波滤波处理，以得到目标频段脑电信号；
19.使用伪迹子空间重构算法移除所述目标频段脑电信号中的伪迹信号，以得到有效脑电信号；
20.通过预设时长的不重叠时间窗将所述有效脑电信号划分为数据段，以生成预处理后的脑电信号。
21.在一些实施例中，对预处理后的脑电信号执行非线性效应连接表征学习，得到非线性效应连接表征的步骤，包括：
22.获取预处理后的脑电信号的导联数量和预处理后的脑电信号的时间点数，以形成用于所述神经网络模型计算的二阶张量；
23.基于所述二阶张量将每两个导联的时间序列执行拼接，以对拼接后的拼接结果执行维度变换得到预处理后的脑电信号的三阶张量，所述三阶张量是不同导联在大脑区域中的初始连接表示。
24.在一些实施例中，所述方法还包括：
25.通过编码器使用卷积神经网络对所述三阶张量执行非线性效应连接高层表征学习；
26.通过小尺度卷积核与多层网络的形式挖掘所述非线性效应连接高层表征学习过程中的非线性关系；
27.每经过两层所述卷积神经网络，在所述编码器中添加残差连接层，以通过所述残差连接层防止梯度消失。
28.在一些实施例中，所述方法还包括：
29.通过多层感知机将所述非线性效应连接表征的时间维度降维为1；
30.将所述非线性效应连接表征经过两个独立的全连接层，以将所述非线性效应连接表征的特征图维度降维为1，得到表示非线性效应连接强度值关于高斯分布的均值向量和方差向量。
31.在一些实施例中，解码所述非线性效应连接表征，以将所述非线性效应连接表征还原为脑电信号的步骤，包括：
32.通过解码器在所述高斯分布表示中采样出隐向量；
33.对预设时间段内的脑电信号执行图变换，将图变换后的脑电信号经过多层感知机与所述隐向量执行乘积计算；
34.对乘积计算的结果执行图聚合运算，得到隐藏表征；
35.基于所述隐藏表征还原预设位数序列的时间点，以完成对非线性效应连接表征的
解码，得到预处理后的脑电信号。
36.在一些实施例中，所述方法还包括：
37.根据所述隐向量执行精神状态检测；
38.通过三层多层感知机输出精神状态检测结果。
39.在一些实施例中，所述方法还包括：
40.获取所述均值向量和所述方差向量；
41.获取还原后的脑电信号和所述精神状态检测结果；
42.获取所述脑电信号的信号类别和预设不同类别信号的非线性效应连接分布；
43.根据所述均值向量、所述方差向量、所述还原后的脑电信号、所述精神状态检测结果、所述信号类别和所述非线性效应连接分布计算损失函数；
44.通过所述损失函数训练所述神经网络模型，以优化所述神经网络模型中的参数。
45.第二方面，本技术一些实施例提供一种基于脑电非线性效应连接的精神状态检测系统，包括：
46.脑电信号采集模块，采集静息状态下不同的脑电信号；
47.脑电信号预处理模块，对所述脑电信号执行预处理；
48.非线性效应连接编码器模块，对预处理后的脑电信号执行非线性效应连接表征学习，得到非线性效应连接表征；
49.非线性脑连接网络解码器模块，解码所述非线性效应连接表征，以将所述非线性效应连接表征还原为脑电信号；所述脑电信号为预处理后的脑电信号；
50.精神状态检测模块，将所述脑电信号输入到训练完成后的神经网络模型中，以根据所述神经网络模型计算出的所述非线性效应连接表征检测所述脑电信号，以及，输出对所述脑电信号中的精神状态检测结果。
51.由以上技术方案可知，本技术一些实施例提供一种基于脑电非线性效应连接的精神状态检测系统及方法，所述方法包括：采集静息状态下不同的脑电信号；对脑电信号执行预处理；对预处理后的脑电信号执行非线性效应连接表征学习，得到非线性效应连接表征；解码非线性效应连接表征，以将非线性效应连接表征还原为脑电信号；脑电信号为预处理后的脑电信号；将脑电信号输入到训练完成后的神经网络模型中，以根据神经网络模型计算出的非线性效应连接表征检测脑电信号，以及，输出对脑电信号中的精神状态检测结果。所述方法可以增强神经网络模型的抗噪能力、提升神经网络模型的泛化能力并提升精神状态检测结果的准确性，进而解决精神状态检测结果不准确的问题。
附图说明
52.为了更清楚地说明本技术一些实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
53.图1为本技术一些实施例提供的基于脑电非线性效应连接的精神状态检测系统的工作流程示意图；
54.图2为本技术一些实施例提供的神经网络模型中非线性效应连接计算网络的结构
示意图；
55.图3为本技术一些实施例提供的神经网络模型获取均值向量和方差向量的流程示意图；
56.图4为本技术一些实施例提供的神经网络模型解码非线性效应连接表征的流程示意图；
57.图5为本技术一些实施例提供的基于脑电非线性效应连接的精神状态检测方法流程示意图。
具体实施方式
58.为使本技术一些实施例的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术一些实施例技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。
59.需要说明的是，本技术一些实施例中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本技术一些实施例的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
60.术语“模块”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。
61.在一些实施例中，精神状态的不同变化在一些生理指标上有明显差异，脑电信号就是其中之一。大脑中的神经细胞通过一些微弱的神经信号相互交流，产生一些可测量的变化，这些可测量的变化可以被称为脑电信号。脑电信号其本质是神经元活动自发的放电行为，不容易受主观意识的控制，可以作为精神状态检测的依据。
62.在一些实施例中，从脑电信号中获取各类特征去检测精神状态需要从脑电信号中发掘出和脑功能关联较强的特征。在大脑中，区域之间的连接关系是客观存在的，静息动力学相关的研究也表明，即使人在安静状态下不同脑区间也存在着明显的信息交流。从脑电信号中获取连接性度量的方式可以包括功能连接和效应连接两种方式，通过这两种方式，可以用来衡量脑电导联所在神经活动之间的联系，进而为精神状态检测提供依据。其中，功能连接倾向于了解神经活动间的相关性，而效应连接倾向于了解神经活动间的因果效应，在实际使用场景中，因果效应更有助于对大脑活动有更全面的认识。
63.例如，在效应连接的方式中，可以以格兰杰因果为理论基础来计算时域或频域上的线性连接特性。但是，大脑本身是一个高度复杂的非线性动力系统，所以仅从线性连接特征去分析脑网络会比较片面，导致对精神状态检测的结果不准确。而对于非线性格兰杰因果的发掘主要基于时间序列概率分布或者核方法，它们共有的局限是较难选择合适的非线性计算方式，导致在用于脑电非线性效应连接表征计算时会存在泛化性不足的问题，则对精神状态检测结果也不准确。
64.为了解决精神状态检测结果不准确的问题，本技术一些实施例提供一种基于脑电非线性效应连接的精神状态检测系统，该系统可以理解为一个大型的神经网络模型，该神经网络模型可以通过图神经网络和变分自编码器从数据分布的角度入手更好地挖掘大脑间的非线性连接关系，并在解码过程中拟合了非线性格兰杰因果的计算形式，使神经网络模型学得的非线性效应连接表征更具泛化性。当通过非线性效应连接表征去进行精神状态
的检测和识别时，可以改善线性时频域以及非线性大脑连接特征泛化性不足的问题，进而提升精神状态检测的准确性。
65.图1为本技术一些实施例提供的基于脑电非线性效应连接的精神状态检测系统的工作流程示意图，如图1所示，在一些实施例中，基于脑电非线性效应连接的精神状态检测系统可以包括脑电信号采集模块110、脑电信号预处理模块120、非线性效应连接编码器模块130、非线性脑连接网络解码器模块140、脑网络差异计算模块150和精神状态检测模块160。
66.其中，脑电信号采集模块110用于采集静息状态下不同的脑电信号，如用于获取静息状态不同个体的脑电信号，脑电信号预处理模块120用于对脑电信号执行预处理，非线性效应连接编码器模块130用于对预处理后的脑电信号执行非线性效应连接表征学习，得到非线性效应连接表征，非线性效应连接编码器模块130是一个大型的图神经网络，它对预处理后的脑电信号进行非线性效应连接的表征学习，非线性脑连接网络解码器模块140用于解码非线性效应连接表征，以将非线性效应连接表征还原为脑电信号，其中，脑电信号为预处理后的脑电信号。即非线性脑连接网络解码器模块140用于对学到的非线性效应连接解码还原成预处理后的脑电信号。脑网络差异计算模块150用于计算神经网络模型的目标函数，以基于目标函数训练神经网络模型，精神状态检测模块160用于将脑电信号输入到训练完成后的神经网络模型中，以根据神经网络模型计算出的非线性效应连接表征检测脑电信号，以及，输出对脑电信号中的精神状态检测结果。脑网络差异计算模块150和精神状态检测模块160通过计算损失对整个模型进行优化，获取不同人群脑网络间的区别以及完成精神状态识别任务。
67.图2为本技术一些实施例提供的神经网络模型中非线性效应连接计算网络的结构示意图，如图2所示，非线性效应连接编码器模块130、非线性脑连接网络解码器模块140和脑网络差异计算模块150这三个模块构成了非线性效应连接计算网络，该计算网络中各个步骤的实现过程将在下文中进行详细说明。
68.在一些实施例中，可以通过如下步骤采集静息状态下不同的脑电信号。首先，脑电信号采集模块110可以筛选预设年龄范围区间的多位被试目标，之后，设置脑电信号的采样频率，再按照采样频率通过脑电帽的传感器采集被试目标的脑电信号。
69.示例性的，其具体实施过程可以如下。首先可以筛选出年龄性别相仿的多名精神状态不良被试如抑郁被试和多名精神状态正常被试。在一些实施例中，脑电信号采集可以由brain master discovery系统来完成，它包含21个导联，符合相关标准导联系统，其中19个电凝胶传感器脑电帽用于获取脑电数据，左耳乳突电极用作参考，信号采样频率可以被设置为256hz，总共收集被试5分钟的闭眼静息态脑电信号。这样就可以获取到采集静息状态下不同的脑电信号。
70.继续参见图1，脑电信号预处理模块120可以包括信号滤波、伪迹去除和数据分段三部分。为了提升测试效果的准确性，在一些实施例中，在进行主要的预处理流程前，可以先将脑电信号采集过程中数据缺失较多的被试数据去除，最终留下数据较全面的被试数据。
71.在一些实施例中，对脑电信号执行预处理时，首先可以设置滤波区间和滤波阈值，之后按照滤波区间对脑电信号执行带通滤波处理，以及按照滤波阈值对脑电信号执行陷波
滤波处理，以得到目标频段脑电信号；再使用伪迹子空间重构算法移除目标频段脑电信号中的伪迹信号，以得到有效脑电信号，最后通过预设时长的不重叠时间窗将有效脑电信号划分为数据段，以生成预处理后的脑电信号。
72.示例性的，在进行预处理时，将信号进行0.1到70hz的带通滤波以及50hz的陷波滤波，这样可以留下主要脑电频段的数据，之后再使用伪迹子空间重构算法(artifact subspace reconstruction)来移除眼电和肌电等伪迹，最后将从受试者采集到的脑电信号通过2秒不重叠时间窗划分数据段，以获取充足的样本以及平稳的脑电数据。
73.在一些实施例中，非线性效应连接编码器模块130可以基于不同导联收集到的脑电信号构造非线性效应连接网络。神经网络模型在获取非线性效应连接表征时，可以通过如下步骤实现。首先可以获取预处理后的脑电信号的导联数量和预处理后的脑电信号的时间点数，以形成用于神经网络模型计算的二阶张量；之后，基于二阶张量将每两个导联的时间序列执行拼接，以对拼接后的拼接结果执行维度变换得到预处理后的脑电信号的三阶张量，其中，三阶张量是不同导联在大脑区域中的初始连接表示。例如，神经网络模型可以使用卷积神经网络去进一步学习上述连接关系的高级表征。在一些实施例中，神经网络模型首先可以在脑电信号的原始时间序列上构造效应连接图，之后把每个导联的时间序列进行两两拼接再通过维度变换得到三阶张量获取初始状态下不同导联对应大脑区域的连接表示。
74.示例性的，神经网络模型可以对预处理后的脑电信号执行拼接运算和维度变换，得到不同脑电导联的初始连接表示。预处理后的脑电信号有19导时间序列，每个序列长度为512，则预处理后的脑电信号为二阶张量其中n代表导联个数，t代表一个样本中的时间点数，即二阶张量为这里二阶张量其实就是脑电信号导联数量和时间点数构成的二维矩阵。在一些实施例中，编码器是一个大型的图神经网络，它将每个导联的时间序列看作包含一定信息量的节点，在学习各导联间的连接关系时，先把每个导联的时间序列进行两两拼接再通过维度变换得到三阶张量获取初始状态下不同导联对应大脑区域的非线性效应连接表征。
75.在一些实施例中，编码器可以为非线性效应连接编码器，结合图2，神经网络系统还可以通过编码器使用卷积神经网络对所述三阶张量执行非线性效应连接高层表征学习；通过小尺度卷积核与多层网络的形式挖掘所述非线性效应连接高层表征学习过程中的非线性关系，之后，每经过两层卷积神经网络，在编码器中添加残差连接层，以通过残差连接层防止梯度消失。
76.编码器在使用多层卷积神经网络进一步学习这些连接关系的非线性高级表征时，可以标记h
l
是经过l层卷积神经网络所学到连接关系的表征，是h
l
进行卷积运算的第r个特征图，它的计算过程可表示为：其中q为上一层卷积神经网络获得表征的特征图总个数，*代表卷积运算，是当前层第r个2维卷积核，每个二维卷积核的大小是1
×
3，意味着只在每条边上进行卷积，不考虑边之间的交互作用。边上卷积运算的尺度为3也是利用小尺度卷积核以及多层网络的形式学习其中更多的非线性关系。是和第r个2维卷积核一同参与运算的偏置项，bn是批归一化运算，f是常见的非线性激活
函数relu函数，其表达式可以如下：
[0077][0078]
继续参见图2，在一些实施例中，每经过两层卷积神经网络，编码器中会加入残差连接层来防止神经网络中层数过多导致的梯度消失问题，第r个特征图的计算表达式可以为这样，每经过四层卷积神经网络，特征图的维数也会同时增加，可以从更多的角度去挖掘非线性连接关系，例如，整个编码器初始状态特征图维数是64，最后一层卷积网络特征图维数是256，维数增加过程中残差连接层的计算表达式为：其中是1
×
1大小的卷积核，只用来增加特征图维数，是参与运算对应的偏置项，q
′
是维数增加前特征图个数。
[0079]
图3为本技术一些实施例提供的神经网络模型获取均值向量和方差向量的流程示意图，如图3所示，在一些实施例中，神经网络模型首先通过多层感知机将非线性效应连接表征的时间维度降维为1，之后将非线性效应连接表征经过两个独立的全连接层，以将非线性效应连接表征的特征图维度降维为1，得到表示非线性效应连接强度值关于高斯分布的均值向量和方差向量。
[0080]
示例性的，经过多层卷积神经网络后，编码器可以将所得的表征通过维度变换和几个多层感知机在时间维度和特征图维度降为1，并计算关于所有效应连接的强度值，利用变分自编码器的理论，每个效应连接的强度需符合一个高斯分布，在一定程度上可以对抗噪声，所以最后编码器输出两个维数为nn的向量，分别代表所有效应连接强度分布的均值向量与方差向量。
[0081]
也就是说，在本技术一些实施例中，通过非线性效应连接编码器模块130对不同导联脑电信号进行适当地拼接，创建初始状态下的大脑效应连接图，再通过多层卷积神经网络学习每条连接关系的高级表征，每层使用小尺度卷积核进行卷积运算，同时套用非线性激活函数，使特征图维数也随卷积神经网络加深而增加，这样可以增强非线性表征挖掘能力，最后输出关于每条边连接强度的高斯分布，可以增强神经网络模型的抗噪能力。
[0082]
图4为本技术一些实施例提供的神经网络模型解码非线性效应连接表征的流程示意图，以将非线性效应连接表征还原为脑电信号，如图4所示，神经网络系统在还原脑电信号时，首先可以通过解码器在高斯分布表示中采样出隐向量，之后对预设时间段内的脑电信号执行图变换，将图变换后的脑电信号经过多层感知机再与隐向量执行乘积计算，再对乘积计算的结果执行图聚合运算，得到隐藏表征；之后基于隐藏表征还原预设位数序列的时间点，以完成对非线性效应连接表征的最终解码，得到预处理后的脑电信号。在一些实施例中，得到隐向量后，还可以根据隐向量执行精神状态检测，并通过三层多层感知机输出精神状态检测结果。
[0083]
示例性的，非线性脑连接网络解码器模块140可以利用编码器计算出的非线性效应连接表征结合非线性格兰杰因果去还原脑电信号。编码器所学的是所有大脑连接关系的分布表示，解码器需要从分布中采样出具体的隐向量来还原脑电信号。在一些实施例中，其计算表达式可以为：z＝μ+σ
⊙
ε，式中μ代表编码器所学效应连接强度高斯分布的均值向量，
σ是方差向量，
⊙
表示向量的哈达玛乘积，ε是从标准高斯分布中采样出来的与μ和σ维度相同的向量，z即为从多元独立高斯分布n(μ，σ)中采样出的具体向量，上述向量的维数都可以为361。
[0084]
在获取到大脑连接的隐向量后，解码器可以利用非线性格兰杰因果去还原脑电信号。在一些实施例中，非线性格兰杰因果的定义是在预测时间序列时，如果序列j对序列i没有格兰杰因果效应，则对于所有的以及任意的可以设置有如下关系，即其中，g是非线性变换函数，是具有n个时间序列系统中第i个序列的第t个时间点，是第j个序列第t-p个时间点到第t-1个时间点，表示用过去p阶时间点去预测下一个时间点，从定义中可以得出，当序列j对序列i没有格兰杰因果效应时，非线性变换函数中与序列j相关的变换系数都为0。
[0085]
在一些实施例中，解码器可以将大脑连接的表征向量如均值向量与方差向量以及原始脑电序列中所有t-p个时间点到第t-1个时间点作为输入，去还原所有的第t个时间点。示例性的，时间延迟p可以通过贝叶斯信息准则(bayesian information criterion，bic)计算，对于预处理后的脑电信号非线性格兰杰因果的计算为：其中是将所有第i个序列和第j个序列的t-p个时间点到第t-1个时间点进行拼接，通过线性变换和非线性函数relu的计算后，与以序列i为入边的大脑连接值z
ij
进行相乘，最后将所得隐向量以i为聚合点进行求和，获得隐藏表征例如，所有t从第5个时间点到第512个时间点以及i从第1个导联到第19个导联都会参与获得隐藏表征的过程。当z
ij
趋近于0时，也就意味着时间序列j对i几乎没有因果效应；经过上述解码过程，编码器学得的大脑连接表征向量z只是参与了线性运算，为了在解码器中不让z退化为线性表征，最后需通过如下运算还原脑电信号：利用残差连接的思想，将隐藏表征和序列再经过三层全连接层和非线性变换后输出待预测的时间
[0086]
也就是说，在本技术一些实施例中，非线性脑连接网络解码器模块140首先可以从编码器学得的脑网络连接强度分布采样出隐向量，将图变换后的脑电信号经过多层感知机再与隐向量执行乘积计算，再对乘积计算的结果执行图聚合运算，再将隐藏表征和序列经过三层全连接层和非线性变换后输出待预测的时间，以预测每个导联未来的时间序列，拟合了非线性格兰杰因果关系更广义的形式，可以提升神经网络模型的泛化能力。
[0087]
由于初始状态下神经网络模型的参数都是随机的，向神经网络模型中输入测试数据后，其输出的结果也是随机的，所以需要通过优化参数来指引神经网络模型向正确的方向学习与更新，以提升其检测结果的准确性。
[0088]
为了使神经网络模型参数向正确的方向更新，在一些实施例中，神经网络模型还可以获取编码器所得的关于非线性效应连接强度值高斯分布的均值向量与方差向量，获取解码器还原后的脑电信号以及输出的精神状态检测结果，并获取脑电信号的信号类别和预
设不同类别信号的非线性效应连接分布，之后根据均值向量、方差向量、还原后的脑电信号、精神状态检测结果、信号类别和非线性效应连接分布计算损失函数，再通过损失函数训练神经网络模型，以优化神经网络模型中的参数。
[0089]
在一些实施例中，脑网络差异计算模块150和精神状态检测模块160可以通过计算损失对整个模型进行优化，以获取不同人群脑网络间的区别及完成精神状态检测任务。变分自编码器在计算损失时要对隐变量的分布进行约束，得到最大化的变分边界，为了区分不同类别隐变量的分布，可以引入标签信息。例如，变分边界的表达方式可以为其计算方法可以为其中和p
θ
(x，y，z)分别可表示编码和解码时关于数据x、类别y、隐变量z的概率分布。根据数据编码和解码时的特点，可以将两个分布表达式拆解为p
θ
(x，y，z)＝p
θ
(x|z)p
θ
(z|y)p
θ
(y)和变分边界即可转换为：预处理后的脑电信号是假设数据中只有精神状态不良被试如抑郁被试和精神状态正常被试两类人群，所选时间延迟为4，此可计算出需要最小化的目标函数如下：
[0090][0091]
式中是在计算解码器预测的时间点与真实值的均方误差，onehot(y)是类别y的独热编码，μi和σi分别是编码器学得的非线性大脑连接强度高斯分布的均值向量与方差向量，μ
yi
是不同类别大脑连接高斯分布均值的类中心，在模型中设置成初始值为0的可训练参数，随神经网络模型的优化迭代而更新。
[0092]
在计算出不同类别人群脑网络差异后，神经网络模型还可以自动执行精神状态的检测。在解码器采样出具体的大脑连接表征向量z后，除了将其解码外，还同时把z送入三层多层感知机中以进行分类，可得分类损失：其中yi和分别是真实标签值和模型预测的标签值，c指的是类别个数。将平衡l1和l2两部分损失的超参数λ通过在[0.5，4]的区间内以步长0.5进行简单寻优后设定为1，则整个模型最终的损失函数如下所示：
[0093][0094]
式中的λ是用来平衡各部分损失的超参数。在本技术实施例中，损失函数的作用是通过计算前向传播后得到的输出结果与真实结果的差距来指导神经网络模型中的参数如何更新，使得两个结果之间的差距越来越小，也就是说，通过最小化的损失函数来优化神经网络模型。
[0095]
需要说明的是，神经网络模型无论在训练阶段还是在训练完成后的实际应用阶段，其输入只有预处理后的脑电信号，该预处理后的脑电信号首先会经过编码器计算非线性效应连接，之后再经过解码器通过非线性效应连接进行精神状态检测，神经网络模型只要接收预处理后的脑电信号就可获得人体精神状态检测结果。
[0096]
在一些实施例中，完成对神经网络模型中参数的优化后，还需要通过一些方式和
指标来评估神经网络模型的性能。在训练和评估神经网络模型的过程中，可以采用被试留出十折交叉验证的方式，十折交叉验证即可以用来测试模型检测的准确性，其实现的过程例如可以为，将被测数据的数据集分成十份，轮流将其中9份作为训练数据，1份作为测试数据进行试验。
[0097]
示例性的，将27个精神状态不良被试如27个抑郁被试和28个精神状态正常被试的所有样本按照个体划分为10份，即将27个抑郁被试和28个正常被试的所有样本按照个体划分为10份，每一份中尽量使得精神状态不良被试如抑郁被试和精神状态正常被试的人数相当。每次训练和测试时，留出1份的数据用来进行性能评估，其余9份的数据用来进行神经网络模型的训练，这个过程根据留出数据的不同总共进行10次，训练时可以采用adam优化器去更新神经网络模型中的参数。例如，学习率的初始值为0.0002，通过带重启的余弦退火策略调整学习率，使用早停法来保存最优的模型参数；对每一份数据完成测试后，计算出准确率、敏感性、特异性、f1分数四个指标，再对10次结果计算平均值，用作对神经网络模型最后的性能评估。
[0098]
经数据结果研究表明，通过本技术技术方案检测各项性能指标分别达到了91.42％的准确率、92.36％的敏感性、90.54％的特异性和91.48％的f1分数，其他的时域和频域以及非线性格兰杰因果效应连接特征结合svm或卷积神经网络分类方法在精神状态检测各项性能指标上最高只能达到88.79％的准确率、88.14％的敏感性、89.13％的特异性和88.32％的f1分数，其中时域效应连接特征如向量自回归系数，频域效应连接特征如部分定向相干、广义部分定向相干、有向传递函数、直接有向传递函数，非线性格兰杰因果效应连接特征如传递熵等，由此可见，通过参数优化后的神经网络模型对精神状态检测结果更准确，即提升了精神状态检测结果的准确性。
[0099]
也就是说，在本技术一些实施例中，脑网络差异计算模块150和精神状态检测模块160通过改进变分自编码器的损失函数，使神经网络模型可以更好地适用于不同类别人群脑网络差异性的度量，进而提升精神状态检测结果的准确性。
[0100]
由以上技术方案可知，上述实施例提供一种基于脑电非线性效应连接的精神状态检测系统，包括脑电信号采集模块，用于采集静息状态下不同的脑电信号；脑电信号预处理模块，用于对所述脑电信号执行预处理；非线性效应连接编码器模块，用于对预处理后的脑电信号执行非线性效应连接表征学习，得到非线性效应连接表征；非线性脑连接网络解码器模块，用于解码所述非线性效应连接表征，以将所述非线性效应连接表征还原为脑电信号；精神状态检测模块，用于将所述脑电信号输入到训练完成后的神经网络模型中，以根据所述神经网络模型计算出的所述非线性效应连接表征检测所述脑电信号，以及，输出对所述脑电信号中的精神状态检测结果。所述精神状态检测系统可以增强神经网络模型的抗噪能力、提升神经网络模型的泛化能力并提升精神状态检测结果的准确性，进而解决精神状态检测结果不准确的问题。
[0101]
基于上述脑电非线性效应连接的精神状态检测系统，本技术部分实施例还提供一种基于脑电非线性效应连接的精神状态检测方法，该方法可以应用于上述实施例中的精神状态检测系统。图5为本技术一些实施例提供的基于脑电非线性效应连接的精神状态检测方法流程示意图，如图5所示，在一些实施例中，所述方法可以包括如下步骤：
[0102]
s1：采集静息状态下不同的脑电信号；
[0103]
s2：对脑电信号执行预处理；
[0104]
s3：对预处理后的脑电信号执行非线性效应连接表征学习，得到非线性效应连接表征；
[0105]
s4：解码非线性效应连接表征，以将非线性效应连接表征还原为脑电信号；脑电信号为预处理后的脑电信号；
[0106]
s5：将脑电信号输入到训练完成后的神经网络模型中，以根据神经网络模型计算出的非线性效应连接表征检测脑电信号，以及，输出对脑电信号中的精神状态检测结果。
[0107]
由以上技术方案可知，上述实施例提供一种基于脑电非线性效应连接的精神状态检测方法，所述方法可以增强神经网络模型的抗噪能力、提升神经网络模型的泛化能力并提升精神状态检测结果的准确性，进而解决精神状态检测结果不准确的问题。
[0108]
本说明书中各个实施例之间相同相似的部分互相参照即可，在此不再赘述。
[0109]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。
[0110]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

技术特征：
1.一种基于脑电非线性效应连接的精神状态检测方法，其特征在于，包括：采集静息状态下不同的脑电信号；对所述脑电信号执行预处理；对预处理后的脑电信号执行非线性效应连接表征学习，得到非线性效应连接表征；解码所述非线性效应连接表征，以将所述非线性效应连接表征还原为脑电信号；所述脑电信号为预处理后的脑电信号；将所述脑电信号输入到训练完成后的神经网络模型中，以根据所述神经网络模型计算出的所述非线性效应连接表征检测所述脑电信号，以及，输出对所述脑电信号中的精神状态检测结果。2.根据权利要求1所述的精神状态检测方法，其特征在于，采集静息状态下不同的脑电信号的步骤，包括：筛选预设年龄范围区间的多位被试目标；设置脑电信号的采样频率；按照所述采样频率通过脑电帽的传感器采集所述被试目标的脑电信号。3.根据权利要求1所述的精神状态检测方法，其特征在于，对所述脑电信号执行预处理的步骤，包括：设置滤波区间和滤波阈值；按照所述滤波区间对所述脑电信号执行带通滤波处理，以及按照所述滤波阈值对所述脑电信号执行陷波滤波处理，以得到目标频段脑电信号；使用伪迹子空间重构算法移除所述目标频段脑电信号中的伪迹信号，以得到有效脑电信号；通过预设时长的不重叠时间窗将所述有效脑电信号划分为数据段，以生成预处理后的脑电信号。4.根据权利要求1所述的精神状态检测方法，其特征在于，对预处理后的脑电信号执行非线性效应连接表征学习，得到非线性效应连接表征的步骤，包括：获取预处理后的脑电信号的导联数量和预处理后的脑电信号的时间点数，以形成用于所述神经网络模型计算的二阶张量；基于所述二阶张量将每两个导联的时间序列执行拼接，以对拼接后的拼接结果执行维度变换得到预处理后的脑电信号的三阶张量，所述三阶张量是不同导联在大脑区域中的初始连接表示。5.根据权利要求4所述的精神状态检测方法，其特征在于，还包括：通过编码器使用卷积神经网络对所述三阶张量执行非线性效应连接高层表征学习；通过小尺度卷积核与多层网络的形式挖掘所述非线性效应连接高层表征学习过程中的非线性关系；每经过两层所述卷积神经网络，在所述编码器中添加残差连接层，以通过所述残差连接层防止梯度消失。6.根据权利要求5所述的精神状态检测方法，其特征在于，还包括：通过多层感知机将所述非线性效应连接表征的时间维度降维为1；将所述非线性效应连接表征经过两个独立的全连接层，以将所述非线性效应连接表征
的特征图维度降维为1，得到表示非线性效应连接强度值关于高斯分布的均值向量和方差向量。7.根据权利要求6所述的精神状态检测方法，其特征在于，解码所述非线性效应连接表征，以将所述非线性效应连接表征还原为脑电信号的步骤，包括：通过解码器在所述高斯分布表示中采样出隐向量；对预设时间段内的脑电信号执行图变换，将图变换后的脑电信号经过多层感知机与所述隐向量执行乘积计算；对乘积计算的结果执行图聚合运算，得到隐藏表征；基于所述隐藏表征还原预设位数序列的时间点，以完成对非线性效应连接表征的解码，得到预处理后的脑电信号。8.根据权利要求7所述的精神状态检测方法，其特征在于，还包括：根据所述隐向量执行精神状态检测；通过三层多层感知机输出精神状态检测结果。9.根据权利要求8所述的精神状态检测方法，其特征在于，还包括：获取所述均值向量和所述方差向量；获取还原后的脑电信号和所述精神状态检测结果；获取所述脑电信号的信号类别和预设不同类别信号的非线性效应连接分布；根据所述均值向量、所述方差向量、所述还原后的脑电信号、所述精神状态检测结果、所述信号类别和所述非线性效应连接分布计算损失函数；通过所述损失函数训练所述神经网络模型，以优化所述神经网络模型中的参数。10.一种基于脑电非线性效应连接的精神状态检测系统，其特征在于，包括：脑电信号采集模块，采集静息状态下不同的脑电信号；脑电信号预处理模块，对所述脑电信号执行预处理；非线性效应连接编码器模块，对预处理后的脑电信号执行非线性效应连接表征学习，得到非线性效应连接表征；非线性脑连接网络解码器模块，解码所述非线性效应连接表征，以将所述非线性效应连接表征还原为脑电信号；所述脑电信号为预处理后的脑电信号；精神状态检测模块，将所述脑电信号输入到训练完成后的神经网络模型中，以根据所述神经网络模型计算出的所述非线性效应连接表征检测所述脑电信号，以及，输出对所述脑电信号中的精神状态检测结果。

技术总结
本申请提供一种基于脑电非线性效应连接的精神状态检测系统及方法，方法包括采集静息状态下不同的脑电信号；对脑电信号执行预处理；对预处理后的脑电信号执行非线性效应连接表征学习，得到非线性效应连接表征；解码非线性效应连接表征，以将非线性效应连接表征还原为脑电信号；脑电信号为预处理后的脑电信号，将脑电信号输入到训练后的神经网络模型中，以根据神经网络模型计算出的非线性效应连接表征检测脑电信号，以及输出对脑电信号中的精神状态检测结果。方法可以增强神经网络模型的抗噪能力、提升神经网络模型的泛化能力并提升精神状态检测结果的准确性，进而解决精神状态检测结果不准确的问题。测结果不准确的问题。测结果不准确的问题。


技术研发人员：胡斌 张晓炜 袁文杰
受保护的技术使用者：兰州大学
技术研发日：2023.07.11
技术公布日：2023/10/15