基于分布感知自动聚合机制的患者意识障碍识别方法、系统和设备

本技术涉及患者的意识障碍识别，尤其涉及一种基于分布感知自动聚合机制的患者意识障碍识别方法、系统和设备。

背景技术：

1、意识障碍（disorders of consciousness，doc）是严重脑损伤后最严重的临床后果之一，意识障碍类别主要包括无反应觉醒综合征（unresponsive wakefulnesssyndrome，uws，旧称植物状态）和微意识状态（minimally conscious state，mcs）。准确鉴别uws与mcs直接决定患者的治疗方案（如促醒药物、神经调控、康复策略）和预后判断，是神经重症和康复医学的核心难题。

2、目前对患者意识障碍的临床鉴别主要依赖行为量表评估，行为量表包括昏迷恢复量表修订版coma recovery scale-revised（crs-r）和加尔维斯顿定向与适应问卷galveston orientation and adaptation questionnaire（goaqq）。其中，昏迷恢复量表修订版crs-r被公认为金标准，由康复医学专业人员进行逐项行为测试。然而，对患者意识障碍识别采用行为量表评估存在三重局限，分别为：一是评估者间差异显著——不同康复医师的评分一致性有限，尤其是uws与mcs的鉴别准确率仅63-77%；二是评估受限——部分重症患者因气道管理（气管插管）、肌肉松弛或运动障碍无法配合行为测试，导致假阴性；三是动态监测困难——crs-r评估耗时且依赖专业人员，不适合高频次床旁监测。

3、随着脑机接口技术发展，脑电图（eeg）因其无创、可高频采集、成本低的特性，成为意识障碍doc鉴别的替代/补充手段。脑电图eeg是通过捕捉大脑内的活动模式（如反应性、频谱特征、功能连接等），可以在患者无法配合行为测试时提供客观的神经生理学证据。近年来，基于脑电图eeg的意识障碍doc鉴别方法从传统的基于手工特征的机器学习方法（如频谱功率、功能连接+svm），逐步发展到基于深度学习的端到端方法。现有基于脑电信号的意识障碍患者状态鉴别方法（尤其针对无反应觉醒综合征uws与最小意识状态mcs的分类）在实际临床应用中，受患者个体差异、脑电时变特性以及数据类别分布不均衡等因素影响，仍存在患者级特征表达能力不足、模型决策过程缺乏可解释性以及临床敏感度与泛化性能难以兼顾的问题，从而限制了其临床应用价值。现有基于脑电信号的意识障碍患者状态鉴别方法分为基于手工特征与浅层机器学习的方法和基于深度学习的端到端分类方法。

4、基于手工特征与浅层机器学习的方法是对脑电信号进行预处理，然后提取人工设计的特征作为患者状态表征，并结合传统分类器完成意识状态判别。具体为：提取脑电信号的功率谱密度（psd）、分形维数、样本熵等时域、频域及非线性特征，或者进一步构建脑区功能连接特征（例如相位锁定值plv、互信息mi），再采用支持向量机（svm）、随机森林等分类模型完成uws与mcs的分类任务，完成患者意识状态的识别。基于手工特征与浅层机器学习的方法的流程为：eeg预处理→手工特征提取（时域/频域/非线性特征）→特征选择（如lasso）→浅层分类器（svm/随机森林）→决策输出。该基于手工特征与浅层机器学习的方法存在手工特征设计依赖先验经验，难以充分覆盖脑电信号中的复杂判别模式；同时特征提取与分类过程相互独立，无法实现联合优化，因此在复杂临床场景下的适应能力和泛化性能存在一定限制。

5、近年来，深度学习方法逐渐成为意识障碍脑电鉴别的主要技术路线。现有基于深度学习的端到端患者级分类方法是首先将单个患者的多个脑电片段epochs分别输入深度网络（例如卷积神经网络或循环神经网络），得到对应的深层特征表示（embedding）；随后采用均值聚合（mean pooling）等方式对多个片段特征进行融合，形成患者级表征，并通过全连接层或分类器输出最终分类结果。具体为，该基于深度学习的端到端患者级分类方法的流程为：eeg预处理→深度编码网络提取epoch级特征→患者级特征融合→分类器→患者状态输出。该基于深度学习的端到端患者级分类方法虽然能够实现特征学习与分类过程的一体化，但仍存在以下不足：

6、一是患者级特征融合方式难以充分表达患者内部脑电分布特征；因不同脑电片段之间往往存在明显波动和异质性，其变化受患者觉醒状态、注意状态及神经活动动态变化影响；该基于深度学习的端到端患者级分类方法通常采用均值聚合对多个epoch特征进行聚合，仅保留整体中心信息，难以反映不同脑电片段之间的波动特征及统计分布关系，该类融合方式可能导致部分判别信息损失，从而影响分类性能，进而影响患者状态鉴别的准确性和稳定性；

7、二是模型决策过程可解释性不足，现有基于深度学习的端到端患者级分类方法采用端到端结构，其分类依据通常难以直接映射至可理解的脑电特征或决策逻辑，难以对分类结果提供可追溯的特征支撑，限制了模型结果的临床解释能力及应用可信度，难以兼顾临床敏感度需求与模型泛化能力；

8、三是现有基于深度学习的端到端患者级分类方法普遍以整体分类性能或整体准确率作为优化目标，在类别分布不均衡及患者差异较大的情况下，难以对临床关注的高敏感度需求进行有效约束，从而影响模型在真实患者群体中的稳定性和适用性。

9、综上，现有深度学习脑电鉴别方法虽然能够自动提取脑电深层特征，但患者级融合策略仍较为简单，难以充分利用患者内部脑电分布信息，同时存在模型可解释性不足及临床适应能力有限的问题。

技术实现思路

1、本技术提供了一种基于分布感知自动聚合机制的患者意识障碍识别方法、系统和设备，用于解决现有意识障碍脑电鉴别方法中存在的患者级特征表达不足、分类决策可解释性欠缺以及高敏感度要求下泛化性能受限的技术问题。

2、为了实现上述目的，本技术提供如下技术方案：

3、一方面，提供了一种基于分布感知自动聚合机制的患者意识障碍识别方法，包括以下步骤：

4、获取待意识障碍识别患者的多导联脑电信号，对所述多导联脑电信号进行预处理和片段分割处理，得到n个脑电片段；

5、采用深度学习编码器对每个所述脑电片段进行深层特征表征提取，得到与n个所述脑电片段对应的n个特征向量；

6、采用分布感知自动聚合机制对n个所述特征向量进行处理，得到表征患者脑部神经状态异质性的分布向量；

7、采用可解释分类器对待意识障碍识别患者的所述分布向量进行意识障碍识别，得到对应待意识障碍识别患者的分类结果；

8、其中，所述深度学习编码器与所述可解释分类器级联连接，引入约束阈值优化机制更新所述可解释分类器中分类识别的决策阈值。

9、可选的，每个所述特征向量包括d个维度特征，采用分布感知自动聚合机制对n个所述特征向量进行处理，得到表征患者脑部神经状态异质性的分布向量包括：

10、根据所述特征向量的数量n和所有所述特征向量的每个维度特征计算，得到与所述维度特征对应的均值和标准差；根据多个不同数值的预设阈值采用percentile函数对所有所述特征向量的每个维度特征进行计算，得到在每个所述预设阈值下与所述维度特征对应的百分位数；

11、根据每个所述维度特征的所述均值、所述标准差和所有所述百分数，确定与每个所述维度特征对应的基础统计特征池，所述基础统计特征池包括k个基础特征数据；

12、根据所有所述基础统计特征池的每个基础特征数据，确定与所述基础特征数据对应的变异系数；

13、根据所有所述变异系数对每个所述维度特征的所述基础统计特征池进行加权融合处理，得到与每个所述维度特征对应的分布流形向量；

14、将所有所述分布流形向量按维度特征的顺序进行拼接处理，得到k×d维个体脑电分布流形向量作为所述分布向量。

15、可选的，所述约束阈值优化机制包括：

16、获取灵敏度约束阈值、数个候选决策阈值和m个患者的样本数据；

17、采用所述深度学习编码器和所述分布感知自动聚合机制对每个患者的所述样本数据进行处理，得到与每个患者对应的患者分布向量；

18、根据每个所述候选决策阈值和m个患者的所述患者分布向量采用所述可解释分类器进行意识障碍识别，得到与所述候选决策阈值对应的分类评价数据，所述分类评价数据包括植物状态的第一正确预测样本数量、植物状态的第一错误预测样本数量、微意识状态的第二正确预测样本数量和微意识状态的第二错误预测样本数量；

19、根据每个所述候选决策阈值的所述第一正确预测样本数量和所述第一错误预测样本数量计算，得到与所述候选决策阈值对应的灵敏度；根据每个所述候选决策阈值的所述第一正确预测样本数量、所述第一错误预测样本数量、所述第二正确预测样本数量和所述第二错误预测样本数量计算，得到与所述候选决策阈值对应的分类准确率；

20、根据所述灵敏度约束阈值和所述灵敏度对所有所述候选决策阈值进行筛选，得到满足所述灵敏度约束阈值的较优决策阈值；

21、根据所述分类准确率对所有所述较优决策阈值采用argmax函数进行筛选，得到所述可解释分类器中分类识别的决策阈值。

22、可选的，根据每个所述候选决策阈值和m个患者的所述患者分布向量采用所述可解释分类器进行意识障碍识别之前，该意识障碍患者状态识别方法还包括：对每个患者的样本数据进行数据增强；对每个患者的样本数据进行数据增强的内容包括：

23、根据每个患者的所述患者分布向量采用自适应合成采样方式对对应所述样本数据进行扩增处理，得到与所述患者对应的第一训练样本；

24、获取与每个患者的所述样本数据对应意识碍识类别的随机样本，根据每个患者的所述样本数据和所述随机样本采用线性插值方式进行处理，得到与所述患者对应的第二训练样本；

25、将每个患者的所述第一训练样本和所述第二训练样本进行合并，得到对应患者的训练样本作为新的样本数据。

26、可选的，采用可解释分类器对待意识障碍识别患者的所述分布向量进行意识障碍识别，得到对应待意识障碍识别患者的分类结果包括：

27、根据待意识障碍识别患者的所述分布向量输入所述可解释分类器中，所述可解释分类器输出待意识障碍识别患者的原始决策分数；

28、根据所述原始决策分数计算，得到待意识障碍识别患者的微意识状态预测概率；

29、根据所述微意识状态预测概率与所述决策阈值进行对比，得到该待意识障碍识别患者的分类结果；

30、其中，所述分类结果包括植物状态或微意识状态。

31、可选的，该基于分布感知自动聚合机制的患者意识障碍识别方法还包括：对所述分类结果进行输出，输出的内容包括待意识障碍识别患者的意识碍识类别、意识碍识类别预测概率和分布向量中各个分布特征贡献值。

32、另一方面，提供了一种基于分布感知自动聚合机制的患者意识障碍识别系统，包括：数据获取模块、特征提取模块、分布向量模块和障碍识别模块；

33、所述数据获取模块，用于获取待意识障碍识别患者的多导联脑电信号，对所述多导联脑电信号进行预处理和片段分割处理，得到n个脑电片段；

34、所述特征提取模块，用于采用深度学习编码器对每个所述脑电片段进行深层特征表征提取，得到与n个所述脑电片段对应的n个特征向量；

35、所述分布向量模块，用于采用分布感知自动聚合机制对n个所述特征向量进行处理，得到表征患者脑部神经状态异质性的分布向量；

36、所述障碍识别模块，用于采用可解释分类器对待意识障碍识别患者的所述分布向量进行意识障碍识别，得到对应待意识障碍识别患者的分类结果；

37、其中，所述深度学习编码器与所述可解释分类器级联连接，引入约束阈值优化机制更新所述可解释分类器中分类识别的决策阈值。

38、可选的，每个所述特征向量包括d个维度特征，所述分布向量模块包括计算子模块、特征池确定子模块、系数确定子模块、加权融合子模块和拼接构成子模块；

39、所述计算子模块，用于根据所述特征向量的数量n和所有所述特征向量的每个维度特征计算，得到与所述维度特征对应的均值和标准差；根据不同数值多个的预设阈值采用percentile函数对所有所述特征向量的每个维度特征进行计算，得到在每个所述预设阈值下与所述维度特征对应的百分位数；

40、所述特征池确定子模块，用于根据每个所述维度特征的所述均值、所述标准差和所有所述百分数，确定与每个所述维度特征对应的基础统计特征池，所述基础统计特征池包括k个基础特征数据；

41、所述系数确定子模块，用于根据所有所述基础统计特征池的每个基础特征数据，确定与所述基础特征数据对应的变异系数；

42、所述加权融合子模块，用于根据所有所述变异系数对每个所述维度特征的所述基础统计特征池进行加权融合处理，得到与每个所述维度特征对应的分布流形向量；

43、所述拼接构成子模块，用于将所有所述分布流形向量按维度特征的顺序进行拼接处理，得到k×d维个体脑电分布流形向量作为所述分布向量。

44、可选的，所述约束阈值优化机制包括：

45、获取灵敏度约束阈值、数个候选决策阈值和m个患者的样本数据；

46、采用所述深度学习编码器和所述分布感知自动聚合机制对每个患者的所述样本数据进行处理，得到与每个患者对应的患者分布向量；

47、根据每个所述候选决策阈值和m个患者的所述患者分布向量采用所述可解释分类器进行意识障碍识别，得到与所述候选决策阈值对应的分类评价数据，所述分类评价数据包括植物状态的第一正确预测样本数量、植物状态的第一错误预测样本数量、微意识状态的第二正确预测样本数量和微意识状态的第二错误预测样本数量；

48、根据每个所述候选决策阈值的所述第一正确预测样本数量和所述第一错误预测样本数量计算，得到与所述候选决策阈值对应的灵敏度；根据每个所述候选决策阈值的所述第一正确预测样本数量、所述第一错误预测样本数量、所述第二正确预测样本数量和所述第二错误预测样本数量计算，得到与所述候选决策阈值对应的分类准确率；

49、根据所述灵敏度约束阈值和所述灵敏度对所有所述候选决策阈值进行筛选，得到满足所述灵敏度约束阈值的较优决策阈值；

50、根据所述分类准确率对所有所述较优决策阈值采用argmax函数进行筛选，得到所述可解释分类器中分类识别的决策阈值。

51、再一方面，提供了一种终端设备，包括处理器以及存储器；

52、所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；

53、所述处理器，用于根据所述程序代码中的指令执行上述所述的基于分布感知自动聚合机制的患者意识障碍识别方法。

54、该基于分布感知自动聚合机制的患者意识障碍识别方法、系统和设备，该基于分布感知自动聚合机制的患者意识障碍识别方法包括获取待意识障碍识别患者的多导联脑电信号，对多导联脑电信号进行预处理和片段分割处理，得到n个固定长度的脑电片段；采用深度学习编码器对每个脑电片段进行深层特征表征提取，得到与n个脑电片段对应的n个特征向量；采用分布感知自动聚合机制对n个特征向量进行处理，得到表征患者脑部神经状态异质性的分布向量；采用可解释分类器对待意识障碍识别患者的分布向量进行意识障碍识别，得到对应待意识障碍识别患者的分类结果；其中，深度学习编码器与可解释分类器级联连接，引入约束阈值优化机制更新可解释分类器中分类识别的决策阈值。

55、从以上技术方案可以看出，本技术具有以下优点：该基于分布感知自动聚合机制的患者意识障碍识别方法通过深度学习编码器和分布感知池化机制对获取患者的多导联脑电信号进行处理得到表征患者脑电分布特征的分布向量，之后采用可解释分类器对待意识障碍识别患者的分布向量进行意识障碍识别得到对应待意识障碍识别患者的分类结果；解决了现有意识障碍脑电鉴别方法中存在的患者级特征表达不足、分类决策可解释性欠缺以及高敏感度要求下泛化性能受限的技术问题。

56、该基于分布感知自动聚合机制的患者意识障碍识别系统通过数据获取模块、特征提取模块、分布向量模块和障碍识别模块的分布感知自动聚合机制完整保留患者内脑电变异信息、可解释分类器提供可追溯决策以及约束阈值优化机制优化满足临床敏感度要求，实现高精度、可解释、临床适用的意识障碍识别。