[发明专利]一种基于神经元锋电位信号的抑郁状态指征确定装置

权利要求书

1.一种基于神经元锋电位信号的抑郁状态指征确定装置，其特征在于，所述装置包括：

获取模块，用于分别获取目标对象在抑郁状态下以及非抑郁状态下的锋电位通道信号数据；

转换模块，用于将各所述锋电位通道信号数据转换为神经元发放速率数据，并基于所述神经元发放速率数据构建输入数据矩阵；

建立模块，用于建立双路卷积-循环神经网络模型，并基于所述输入数据矩阵训练所述双路卷积-循环神经网络模型；

计算模块，用于基于所述双路卷积-循环神经网络模型对所述目标对象的当前锋电位通道信号数据进行计算，得到所述目标对象的当前抑郁状态指征数据；

其中，获取模块还包括：

标记单元，用于将抑郁状态下的所述锋电位通道信号数据标记为负样本数据，将非抑郁状态下的所述锋电位通道信号数据标记为正样本数据；

转换模块还包括：

第一划分单元，用于基于滑动时间窗口将所述神经元发放速率数据划分为多个连续时间片，整合各所述连续时间片，构建得到输入数据矩阵，所述滑动时间窗口用以分割出时间维度上互相不相关的多个负样本时间片和正样本时间片；

建立模块包括：

第一构建单元，用于构建多通道卷积-循环神经网络分支，所述多通道卷积-循环神经网络分支包括两组卷积-激活单元与一个单向循环神经网络；

第二构建单元，用于构建跨通道卷积-循环神经网络分支，所述跨通道卷积-循环神经网络分支包括一组通道间卷积-激活单元与一个所述单向循环神经网络；

拼接单元，用于将所述多通道卷积-循环神经网络分支与所述跨通道卷积-循环神经网络分支的隐空间变量拼接，构建三层全连接网络，并在所述三层全连接网络中接入二分类激活层，得到双路卷积-循环神经网络模型，用以将模型分类结果转换为标签预测概率值。

2.根据权利要求1所述的装置，其特征在于，所述转换模块包括：

第一确定单元，用于确定各所述锋电位通道信号数据对应的各锋电位通道；

统计单元，用于分别统计每个所述锋电位通道在单位统计时长内所述锋电位通道信号数据出现的个数，得到神经元发放速率数据。

3.根据权利要求1所述的装置，其特征在于，所述建立模块还包括：

第二划分单元，用于将所述输入数据矩阵划分为训练集矩阵与测试集矩阵；

训练单元，用于将所述训练集矩阵训练所述双路卷积-循环神经网络模型，并将交叉熵作为所述双路卷积-循环神经网络模型的损失函数；

优化单元，用于基于反向传播法最小化所述损失函数后，得到优化后的所述双路卷积-循环神经网络模型；

验证单元，用于根据所述测试集矩阵验证所述双路卷积-循环神经网络模型。

4.根据权利要求1所述的装置，其特征在于，所述装置还包括：

生成模块，用于根据所述当前抑郁状态指征数据确定电刺激数值，并基于所述电刺激数值生成控制指令。