[发明专利]一种基于自编码的疼痛数据评估方法及相关组件

权利要求书

1.一种基于自编码的疼痛数据评估方法，其特征在于，包括：

将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量；然后使用全连接层将数据特征维度降低到预设的维度，得到编码信号；再使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建；

通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛；

基于编码信号，使用机器学习模型进行疼痛等级训练，构建得到疼痛等级预测模型，再使用所述疼痛等级预测模型进行预测。

2.根据权利要求1所述的基于自编码的疼痛数据评估方法，其特征在于，所述将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量，包括：

使用卷积核大小为1×125的第一卷积层对所述输入信号进行卷积操作；

使用卷积核大小为62×1的第二卷积层对所述第一卷积层输出的信号进行卷积操作；

使用深度可分离卷积层对所述第二卷积层输出的信号进行卷积操作，其中，所述深度可分离卷积层中包括两个依次设置的大小为1×15和大小为16×1的卷积核。

3.根据权利要求1所述的基于自编码的疼痛数据评估方法，其特征在于，所述使用全连接层将数据特征维度降低到预设的维度，得到编码信号，包括：

将深度可分离卷积层的所有节点均连接至第一全连接层中的每一个节点，将所述深度可分离卷积层输出的信号进行综合，得到编码信号。

4.根据权利要求3所述的基于自编码的疼痛数据评估方法，其特征在于，所述使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建，包括：

使用第二全连接层对编码信号进行处理；

使用深度可分离解卷积层对所述第二全连接层输出的信号进行解卷积操作，其中，所述深度可分离解卷积层中包括两个依次设置的大小为16×1和大小为1×15的卷积核；

使用卷积核大小为62×1的第一解卷积层对所述深度可分离解卷积层输出的信号进行解卷积操作；

使用卷积核大小为1×125的第二解卷积层对所述第一解卷积层输出的信号进行解卷积操作，得到重构信号，完成神经网络自编码模型的构建。

5.根据权利要求1所述的基于自编码的疼痛数据评估方法，其特征在于，所述机器学习模型为k近邻学习模型、支持向量机学习模型、线性判别分析学习模型或逻辑回归学习模型。

6.根据权利要求4所述的基于自编码的疼痛数据评估方法，其特征在于，还包括：

使用所述第一全连接层和第二全连接层调整数据特征维度。

7.根据权利要求6所述的基于自编码的疼痛数据评估方法，其特征在于，还包括：

对不同数据特征维度下的分类准确率进行评价，并根据评价结果确定数据特征维度。

8.一种基于自编码的疼痛数据评估装置，其特征在于，包括：

自编码模型构建单元，用于将激光诱发电位脑电数据作为输入信号送入卷积神经网络提取时间域以及空间域的信息，并使用深度可分离卷积层降低网络参数的数量；然后使用全连接层将数据特征维度降低到预设的维度，得到编码信号；再使用解卷积与上采样技术对编码信号进行恢复，得到重构信号，完成神经网络自编码模型的构建；

自编码模型优化单元，用于通过计算重构信号与输入信号差值的梯度迭代更新神经网络自编码模型的参数，使神经网络自编码模型达到收敛；

预测单元，用于基于编码信号，使用机器学习模型进行疼痛等级训练，构建得到疼痛等级预测模型，再使用所述疼痛等级预测模型进行预测。

9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于自编码的疼痛数据评估方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于自编码的疼痛数据评估方法。