脑电微状态模板提取方法、装置、终端及存储介

本发明涉及脑电信号处理，尤其涉及一种脑电微状态模板提取方法、装置、终端及存储介质。背景技术：1、对脑电进行分析的方法中，脑电微状态采用多通道电极的地形图拓扑结构定义状态，反映了脑电中占主导地位的大脑网络的同步活动产生的瞬态脑状态，是分析脑电数据的重要工具。对不同的人群，可以使用这些人群的脑电数据进行聚类，形成微状态模板，如对于老年痴呆(ad)人群、轻度认知障碍(mci)人群、正常人群可分别计算出ad组、mci组、正常组的微状态聚类结果，即微状态模板。2、目前提取脑电微状态模板的聚类算法一般为k-means方法和基于自下而上的聚类方法，如原子化与凝聚层次聚类(atomize&agglomerate hierarchical clustering，aahc)方法。其中，k-means方法由于聚类结果取决于原始类图的选择，具有计算结果不唯一，迭代次数多的缺点。aahc方法是一种将原始的每一种地形拓扑图都作为原始类图，然后逐渐减少到规定的聚类数目的方法，其计算结果唯一，但时间复杂度高。技术实现思路1、本发明实施例提供了一种脑电微状态模板提取方法、装置、终端及存储介质，以解决目前利用aahc提取脑电微状态模板时间复杂度高的问题。2、第一方面，本发明实施例提供了一种脑电微状态模板提取方法，包括：3、基于某类用户的脑电数据，计算对应的全局场功率；4、将所述全局场功率的每个峰值处的脑电数据作为一个类别图，记为当前类别图，并将所述全局场功率的峰值个数记为当前类别个数；5、将当前类别个数分别与目标聚类数目和设定阈值进行比较；6、若当前类别个数大于所述设定阈值，则将全局解释方差最小的一半当前类别图分配到所述全局解释方差最大的一半当前类别图中，得到新的当前类别图，并更新当前类别个数，跳转执行“将当前类别个数分别与目标聚类数目和设定阈值进行比较”的步骤及后续步骤；7、若当前类别个数等于所述目标聚类数目，则根据当前类别图得到脑电微状态模板。8、在一种可能的实现方式中，若当前类别个数大于所述设定阈值，还包括：9、对各个当前类别图进行压缩，得到压缩类别图；10、将全局解释方差最小的一半当前类别图分配到所述全局解释方差最大的一半当前类别图中，得到新的当前类别图，包括：11、将所述压缩类别图和全局解释方差最小的一半当前类别图分配到所述全局解释方差最大的一半当前类别图中，得到新的当前类别图。12、在一种可能的实现方式中，将所述全局解释方差最小的一半当前类别图记为第一当前类别图，将所述全局解释方差最大的一半初始类别图记为第二当前类别图；13、将所述压缩类别图和所述全局解释方差最小的一半当前类别图分配到所述全局解释方差最大的一半当前类别图中，得到新的当前类别图，包括：14、对于每个所述第一当前类别图，计算该第一当前类别图与每个所述第二当前类别图的第一空间相关性；15、对于每个所述压缩类别图，计算该压缩类别图与每个所述第二当前类别图的第二空间相关性；16、将该第一当前类别图分配到所述第一空间相关性最大的第二当前类别图中，并将该压缩类别图分配到所述第二空间相关性最大的第二当前类别图中，得到新的当前类别图。17、在一种可能的实现方式中，在将所述压缩类别图和全局解释方差最小的一半当前类别图分配到所述全局解释方差最大的一半当前类别图中，得到新的当前类别图之前，还包括：18、若当前类别个数为奇数，则根据所述全局场功率的最后一个峰值处对应的当前类别图，获得一个新增当前类别图；19、对各个当前类别图进行压缩，得到压缩类别图，包括：20、对各个当前类别图和所述新增当前类别图进行压缩，得到压缩类别图。21、在一种可能的实现方式中，若当前类别个数等于所述目标聚类数目，则根据当前类别图得到脑电微状态模板，包括：22、若当前类别个数等于所述目标聚类数目，且当前类别个数不等于所述峰值个数，则对所述压缩类别图进行重构，得到重构类别图和重构类别个数；23、根据所述重构类别图和所述重构类别个数对当前类别图进行更新，得到脑电微状态模板。24、在一种可能的实现方式中，根据所述重构类别图和所述重构类别个数对当前类别图进行更新，得到脑电微状态模板，包括：25、根据所述重构类别图对当前类别图进行更新，并判断所述重构类别个数是否等于所述峰值个数；26、若所述重构类别个数不等于所述峰值个数，则对所述重构类别图进行再次重构，根据再次重构的重构类别图对更新的当前类别图进行再次更新，更新所述重构类别个数，并跳转执行“判断所述重构类别个数是否等于所述峰值个数”的步骤及后续步骤；27、若所述重构类别个数等于所述峰值个数，则根据更新或再次更新的当前类别图得到脑电微状态模板。28、在一种可能的实现方式中，在将当前类别个数分别与目标聚类数目和设定阈值进行比较之后，还包括：29、若当前类别个数小于或等于所述设定阈值，且当前类别个数大于所述目标聚类数目，则将所述全局解释方差最小的一个当前类别图分配到其他当前类别图中，更新当前类别个数，并跳转执行“将当前类别个数分别与目标聚类数目和设定阈值进行比较”的步骤及后续步骤。30、第二方面，本发明实施例提供了一种脑电微状态模板提取装置，包括：31、计算模块，用于基于某类用户的脑电数据，计算对应的全局场功率；32、初始化模块，用于将所述全局场功率的每个峰值处的脑电数据作为一个类别图，记为当前类别图，并将所述全局场功率的峰值个数记为当前类别个数；33、比较模块，用于将当前类别个数分别与目标聚类数目和设定阈值进行比较；34、第一处理模块，用于若当前类别个数大于所述设定阈值，则将全局解释方差最小的一半当前类别图分配到所述全局解释方差最大的一半当前类别图中，得到新的当前类别图，并更新当前类别个数，跳转执行“将当前类别个数分别与目标聚类数目和设定阈值进行比较”的步骤及后续步骤；35、第二处理模块，用于若当前类别个数等于所述目标聚类数目，则根据当前类别图得到脑电微状态模板。36、第三方面，本发明实施例提供了一种终端，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。37、第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。38、本发明实施例提供一种脑电微状态模板提取方法、装置、终端及存储介质，通过基于某类用户的脑电数据，计算对应的全局场功率，将全局场功率的每个峰值处的脑电数据分别作为一个类别图，记为当前类别图，并将全局场功率的峰值个数记为当前类别个数，然后将当前类别个数分别与目标聚类数目和设定阈值进行比较，在当前类别个数较多时，例如当前类别个数大于设定阈值时，通过将全局解释方差最小的一半当前类别图分配到全局解释方差最大的一半当前类别图中，得到新的当前类别图，从而使新的当前类别图的类别个数减半，直到新的当前类别图的类别个数等于目标聚类数目时，再根据相应的当前类别图得到脑电微状态模板。从而在脑电数据划分的类别个数较多时，通过每次类别个数减半的方式逐渐确定目标聚类数目的脑电微状态模板，而不是按照逐个递减的方式确定目标聚类数目的脑电微状态模板，从而大大降低脑电微状态模板提取的时间复杂度。