[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

说明书

本发明公开了一种基于自编码的疼痛数据评估方法及相关组件，方法包括：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，再使用所述疼痛等级预测模型进行预测。本发明对输入信号进行编码和解码，将高维数据降至低维特征，可以更精准地提取到激光诱发电位信息从而实现更高的疼痛预测准确率。

技术领域

本发明涉及机器学习预测技术领域，特别涉及一种基于自编码的疼痛数据评估方法及相关组件。

背景技术

疼痛是一种主观感觉，自我报告是评估疼痛的金标准。临床上，患者通常依靠疼痛量表(例如，“0”表示没有疼痛，“10”表示难以忍受的疼痛)与医生沟通他们的疼痛程度。但是，自我报告是主观的，可能会导致一些严重的临床问题。例如，某些患者(如痴呆症患者，婴儿和重度昏迷患者)无法报告其疼痛，而另一些患者则可能故意提供虚假的疼痛评分。因此，有必要开发新的客观可靠的疼痛评估工具来准确预测疼痛。

脑电图(EEG)和功能磁共振成像(fMRI)等各种功能性脑成像技术已被广泛用于研究疼痛的神经机制并开发客观的疼痛评估工具。鉴于脑电图的高时间分辨率和低成本，开发基于脑电图的疼痛预测模型更为普遍。通常，这种疼痛预测模型基于疼痛刺激引起的脑电势。例如，在激光诱发的疼痛实验中，可以从激光诱发电位(LEP)中提取一组与疼痛相关的特征，例如N2(180至300ms)，P2(250至500ms)和伽玛带事件相关的同步(180到260ms，60到85Hz)。随后，可以基于这些与疼痛相关的脑电图特征建立疼痛预测模型。

然而，疼痛诱发电位的信噪比(SNR)非常低，因此很难准确提取诱发脑电图的疼痛相关特征。而且，常规的特征提取方法在很大程度上取决于疼痛相关的脑电标志物的现有知识，准确性不足。

发明内容

本发明的目的是提供一种基于自编码的疼痛数据评估方法及相关组件，旨在解决现有疼痛数据评估方法准确性不足的问题。

第一方面，本发明实施例提供一种基于自编码的疼痛数据评估方法，其中，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。

第二方面，本发明实施例提供一种基于自编码的疼痛数据评估装置，其中，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。