[发明专利]一种基于静息态脑电数据的年龄段分类方法

说明书

本发明涉及一种基于静息态脑电数据的年龄段分类方法，包括以下步骤：S1、采集各年龄段对应的原始静息态脑电数据；S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；S3、构建卷积神经网络，并将去除伪迹的静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；S4、由训练好的卷积神经网络对实际静息态脑电数据进行年龄段分类。与现有技术相比，本发明将静息态脑电数据按脑区划分并进行去伪迹处理，通过卷积神经网络分别提取不同脑区上的特征，以根据不同脑区的特征进行年龄段分类，不仅降低了脑电数据预处理的复杂性，也解决了针对脑电数据无法选择合适模型的问题。

技术领域

本发明涉及深度学习神经网络和脑科学技术领域，尤其是涉及一种基于静息态脑电数据的年龄段分类方法。

背景技术

在脑科学中，已经有大量研究表明不同年龄阶段的大脑是存在差异的，2017年发表的Nature期刊上，有文章对286名受试者的大脑进行了研究，这些受试者的年龄分布在20～65岁之间，这些受试者按照年龄被划分为三组(年轻组、中年组和老年组)，将每组受试者的不同脑区激活状态进行可视化，结果表明，处于不同年龄阶段的大脑在视觉网络、运动感知网络以及显著性网络方面均存在差异，随着年龄的增长，这些网络中的功能连接呈现出逐渐下降的趋势，具体表现为：随着年龄的增长，大脑组成成分中神经细胞的大小、数量以及神经胶质上都会产生差异，并且随着脑容量、血流量的变化，大脑的认知能力也会随之下降。

由于不同脑区的激活程度能够体现在静息态脑电数据中，因此静息态脑电数据能够作为年龄段分类的一个可靠依据，但脑电数据通常没有规范的采集步骤，且具有表现抽象、难于预处理的特点，所以在利用机器学习方法对脑电数据进行分析时，无法找到一个合适的模型：首先，脑电数据的采集过程中会伴随很多噪声，在预处理过程中很难对其进行过滤；其次，在选择机器学习分类器的时候，比如SVM或者决策树，不同的数据预处理对模型的结果会产生不同的影响。

通过大脑数据进行年龄段分类，目前主要借助fMRI技术对大脑组成成分进行研究，并通过观察受试者在某些任务下的表现以进行大脑认知能力的研究，但是这两种方法均无法使用静息态脑电数据进行分析研究，即无法通过静息态脑电数据进行年龄段的分类。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于静息态脑电数据的年龄段分类方法。

本发明的目的可以通过以下技术方案来实现：一种基于静息态脑电数据的年龄段分类方法，包括以下步骤：

S1、根据实际年龄段分类情况，采集各年龄段对应的原始静息态脑电数据；

S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；

S3、构建卷积神经网络，并将去除伪迹的静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；

S4、由训练好的卷积神经网络对实际静息态脑电数据进行年龄段分类。

优选地，所述步骤S2具体包括以下步骤：

S21、将原始静息态脑电数据进行脑区划分，得到包括F、C、P、O和T共五个脑区，其中，F脑区的脑电数据对应于视觉网络，C脑区的脑电数据对应于运动感知网络，P脑区的脑电数据对应于显著性网络，O脑区的脑电数据具有抗噪能力；

S22、将F、C、P和O这四个脑区中脑电数据的数据量统一化；

S23、去除F、C、P和O这四个脑区中脑电数据的眼电信号，得到去除伪迹的静息态脑电数据。

优选地，所述步骤S23具体是采用独立成分分析法，对F、C、P和O这四个脑区的脑电数据进行分解，删除分解之后脑电数据中眼电信号对应的分量，以去除脑电数据的眼电信号，得到去除伪迹的静息态脑电数据。