一种心境障碍评估模型的构建方法与流程

本发明涉及医疗，尤其涉及一种心境障碍评估模型的构建方法。背景技术：1、随着社会的发展，心境障碍类疾病成为了现代人日益关注的问题。目前，常规的心境障碍诊疗是基于量表评估和医生经验实现。大脑功能活动信号图是一种常用的记录皮层产生的电活动的测量方法，具有高分辨率，无创性和低成本的特点，能够适用于各个年龄段的患者，可以反映人脑各种功能区的神经活动，因此在脑疾病诊断，运动恢复，神经系统疾病评估上都有应用。近年来，在心理学和认知神经科学领域的期刊上，基于大脑功能活动信号图探究心境障碍的研究也呈上升趋势。2、情绪障碍通常涉及大脑不同区域之间的功能连接异常，通过网络连接分析，可以揭示患者的大脑连接模式，由于大脑功能活动信号具有非常高的时序分辨率，可以捕获大脑活动的快速变化。这使得大脑功能活动信号图能够提供情绪调节过程中脑网络动态变化的详细信息，大量研究者通过大脑功能活动信号图和数学方法计算得到脑网络的连接方式，应用于情绪，认知等疾病鉴别或干预。3、从目前医院现有的诊断技术上看，患者基于填写量表再由医生评估，过程繁琐，患者填写时状态不稳定有一定误诊率，且大部分检测方法不具备客观的检测标准。大脑功能活动信号图是一种便于检测，成本低且可以反应脑活动，可以作为诊断精神类疾病的客观指标。同时，大脑功能活动信号图是一种多通道的时序信号。通道的位置特性可以用于表征脑功能连接，时序特性可以表征动态变化。4、在连接性实现技术上，传统方法中，很多研究者利用在频域或时域计算通道间的相关性或相似性得到连接性，这种计算方式均为线性计算方法，在表征复杂的大脑连接时有局限性。5、在时序分析技术上，很多研究者会采用在时序上的合并策略，这种合并通常也是线性的，导致复杂动态信息丢失；也有研究者采用深度模型采用非线性的建模方法，但是由于现有的时序模型不能直接处理图结构数据，这也使得如何更精细准确的表征大脑连接的动态变化成为难点。6、对于情绪障碍本身，患者间存在个体差异，只通过显著差异比较或传统的机器学习模型的分析方法无法兼顾不同个体的大脑的动态连接模式，导致结果不能泛化。技术实现思路1、为此，本发明所要解决的技术问题在于克服现有技术中对于情绪障碍本身，患者间存在个体差异，只通过显著差异比较或传统的机器学习模型的分析方法无法兼顾不同个体的大脑的动态连接模式，导致结果不能泛化的问题。2、为解决上述技术问题，本发明提供了一种心境障碍评估模型的构建方法，包括：3、获取大脑功能活动信号特征数据，并将所述大脑功能活动信号特征数据转化为图结构数据；所述大脑功能活动信号特征数据为大脑功能活动信号数据或低维度大脑功能活动信号特征数据；所述大脑功能活动信号数据为连续时长长于预设长度的大脑功能活动信号片段；4、在图网络模型的基础上根据所述图结构数据构建图网络模块；5、在时序网络模型的基础上根据图特征构建时序网络模块；6、根据全连接层连接而成的深度模型构建分类模块；7、基于所述图网络模块、所述时序网络模块和所述分类模块构建初始心境障碍评估模型，根据分类目标定义损失函数，利用反向传播策略，迭代优化所述初始心境障碍评估模型的参数，直至损失函数收敛，完成训练得到目标心境障碍评估模型。8、在本发明的一个实施例中，获取所述大脑功能活动信号数据的步骤包括：9、采集初始大脑功能活动信号数据，并对所述初始大脑功能活动信号数据进行预处理得到处理后的大脑功能活动信号数据；所述初始大脑功能活动信号数据包括脑电数据、颅内脑电数据、脑磁数据和功能磁共振数据；10、对所述处理后的大脑功能活动信号数据进行大脑功能活动信号时间切片和伪差去除，获取所述大脑功能活动信号数据。11、在本发明的一个实施例中，在图网络模型的基础上根据所述图结构数据构建图网络模块，其中包括：12、选取目标图网络模型，将所述图结构数据输入至所述目标图网络模型中；13、通过所述目标图网络模型对所述图结构数据进行特征学习得到多节点特征；14、采用图池化法将所述多节点特征转化为图特征并输出。15、在本发明的一个实施例中，在时序网络模型的基础上根据图特征构建时序网络模块，其中包括：16、选取目标时序网络模型；17、将所述图特征输入至所述目标时序网络模型中，通过多层模型处理，得到时序数据特征。18、在本发明的一个实施例中，根据全连接层连接而成的深度模型构建分类模块，其中包括：19、将所述时序数据特征在时间维度上展平并输入至所述分类模块以输出分类结果。20、在本发明的一个实施例中，所述低维度大脑功能活动信号特征数据的获取步骤为：21、将大脑功能活动信号按预设时间长度切分为多个时间片段并去除伪差片段得到处理后的时间片段；22、对所述处理后的时间片段和通道进行降维，以将大脑功能活动信号压缩为所述低维度大脑功能活动信号特征数据。23、在本发明的一个实施例中，在获取大脑功能活动信号特征数据，并将所述大脑功能活动信号特征数据转化为图结构数据的步骤之前还包括：24、定义动态或静态的邻接矩阵，以通过所述邻接矩阵计算得到电极之间的连接关系。25、在本发明的一个实施例中，所述图结构数据包括所述邻接矩阵和所述大脑功能活动信号特征数据，并将电极表示为节点，将所述电极之间的连接关系表示为边。26、在本发明的一个实施例中，对所述初始大脑功能活动信号数据进行预处理，具体包括：对采集得到所述初始大脑功能活动信号数据进行重采样、重参考、陷波去工频、去除基漂、去除噪声和i ca方法去除眼电心电肌电。27、在本发明的一个实施例中，对所述处理后的大脑功能活动信号数据进行大脑功能活动信号时间切片和伪差去除，获取所述大脑功能活动信号数据，具体包括：28、将大脑功能活动信号按预设时间长度切分为多个时间片段；29、通过设置波幅阈值记录波幅超过所述波幅阈值的时间片段，并记为伪差片段；30、将波幅小于所述波幅阈值的时间片段记为非伪差片段；31、保留连续时长长于所述预设时间长度的非伪差片段作为所述大脑功能活动信号数据。32、本发明的上述技术方案相比现有技术具有以下有益效果：33、本发明所述的心境障碍评估模型的构建方法通过图网络模型，学习大脑中的非线性关系和复杂的动态变化，得到可以更全面的揭示大脑网络连接的拓扑结构和复杂连接的特征，通过时序深度模型，可以兼顾长程脑活动，自适应不同疾病状态下的动态大脑连接模式。本方法基于情绪疾病的神经生物特性，利用深度网络的学习能力与泛化能力，可以提供更加精准的情绪障碍的评估，辅助医生诊疗是否患病以及判别抑郁和双相情感障碍。技术特征：1.一种心境障碍评估模型的构建方法，其特征在于，包括：2.根据权利要求1所述的心境障碍评估模型的构建方法，其特征在于，获取所述大脑功能活动信号数据的步骤包括：3.根据权利要求1所述的心境障碍评估模型的构建方法，其特征在于，在图网络模型的基础上根据所述图结构数据构建图网络模块，其中包括：4.根据权利要求3所述的心境障碍评估模型的构建方法，其特征在于，在时序网络模型的基础上根据图特征构建时序网络模块，其中包括：5.根据权利要求4所述的心境障碍评估模型的构建方法，其特征在于，根据全连接层连接而成的深度模型构建分类模块，其中包括：6.根据权利要求1所述的心境障碍评估模型的构建方法，其特征在于，所述低维度大脑功能活动信号特征数据的获取步骤为：7.根据权利要求1所述的心境障碍评估模型的构建方法，其特征在于，在获取大脑功能活动信号特征数据，并将所述大脑功能活动信号特征数据转化为图结构数据的步骤之前还包括：8.根据权利要求7所述的心境障碍评估模型的构建方法，其特征在于，所述图结构数据包括所述邻接矩阵和所述大脑功能活动信号特征数据，并将电极表示为节点，将所述电极之间的连接关系表示为边。9.根据权利要求2所述的心境障碍评估模型的构建方法，其特征在于，对所述初始大脑功能活动信号数据进行预处理，具体包括：对采集得到所述初始大脑功能活动信号数据进行重采样、重参考、陷波去工频、去除基漂、去除噪声和ica方法去除眼电心电肌电。10.根据权利要求2所述的心境障碍评估模型的构建方法，其特征在于，对所述处理后的大脑功能活动信号数据进行大脑功能活动信号时间切片和伪差去除，获取所述大脑功能活动信号数据，具体包括：技术总结本发明涉及医疗技术领域，具体涉及一种心境障碍评估模型的构建方法，包括：获取大脑功能活动信号特征数据，将大脑功能活动信号特征数据转化为图结构数据；在图网络模型的基础上根据图结构数据构建图网络模块；在时序网络模型的基础上根据图特征构建时序网络模块；根据全连接层连接而成的深度模型构建分类模块；基于图网络模块、时序网络模块和分类模块构建初始心境障碍评估模型，通过训练得到目标心境障碍评估模型。本发明基于情绪疾病的神经生物特性，利用深度网络的学习能力与泛化能力，可以提供更加精准的情绪障碍的评估，辅助医生诊疗是否患病以及判别抑郁和双相情感障碍。技术研发人员：王刚,崔洢,赵童,闫宇翔,赵希希,李珂,沙莎,任艳萍,张玲,王斌受保护的技术使用者：灵心慧智医学科技（北京）有限公司技术研发日：技术公布日：2024/8/15