一种基于脑网络特征的脑状态连续量化评估方法、装置、设备及介质

本发明涉及医疗仪器技术、设备与医学专用软件，特别是涉及一种基于脑网络特征的脑状态连续量化评估方法、装置、设备及介质。

背景技术：

1、脑卒中尤其是脑梗死作为一种高发病率、高致残率及高死亡率的脑血管疾病，已成为威胁人类健康的重大公共卫生问题，在患者出院及进入康复阶段之前，临床上通常需要对其神经功能恢复情况作出客观评估，以指导后续康复训练方案的制定并预测长期预后。传统的神经功能评估主要依赖临床量表，此类量表评价往往带有一定主观性，且难以从神经生理层面直接反映脑网络功能的恢复程度，因此借助客观生理信号对神经恢复状态进行量化评估逐渐成为相关领域的研究方向。

2、脑电图是一种通过头皮电极记录大脑神经元群体电活动的无创神经电生理技术，具有时间分辨率高、设备成本低以及可长期动态监测等特点，研究表明脑梗死患者在恢复过程中其脑电活动模式会发生明显变化。在脑电信号分析中通常提取两类特征，一类为反映信号能量分布的时频特征，例如各频段功率、δ-α比值、θ-β比值及频谱不对称指数等；另一类为刻画脑区之间功能耦合关系的脑网络拓扑特征，例如基于加权相位滞后指数构建的功能连接网络及由此提取的局部效率、全局效率、聚类系数等图论指标。随着机器学习与深度学习技术的发展，研究者开始利用自编码器等自动特征学习模型对脑电数据进行建模，借助输入与重构之间的误差来反映数据结构差异。

3、在一些已有的脑状态评估方案中，往往将患者在不同时期提取到的各类脑特征不加区分地直接拼接，并以此构建并训练有监督的深度分类器，例如采用支持向量机或图卷积神经网络进行端到端的二分类，以判别患者处于发病期还是康复期。然而，此类直接分类方法仅能在高维特征空间中建立分类边界并输出离散标签，无法提供反映脑状态演变过程的连续量化指标，难以表征大脑拓扑结构偏离原始病理状态的具体程度，其评估过程呈黑盒特性而可解释性较差；而在临床实践中，医生不仅需要判断患者是否康复，更需了解其恢复程度，现有方法因缺乏连续可解释的量化输出而难以满足这一需求。与此同时，由于脑电信号存在显著的个体差异，上述方法在直接混用大量原始或初级融合特征时，容易对个体本底生理噪声产生过拟合，使模型过度学习个体基础脑节律的差异，而忽略了与疾病演变相关的脑网络重组规律，从而在面对新患者时泛化能力显著下降。

4、由此可见，如何在脑梗死脑状态评估中摆脱离散分类标签的局限而提供连续可解释的量化指标，并同时抑制脑电个体差异所引入的生理噪声以提升跨个体的泛化能力，是本领域亟待解决的技术问题。

技术实现思路

1、针对现有技术中脑状态评估多依赖主观量表，且已有的深度学习直接分类方法仅能输出离散标签、无法连续量化脑状态恢复程度且可解释性较差，同时容易对个体本底生理噪声产生过拟合导致泛化能力显著下降的技术问题，本发明的目的在于提供一种基于脑网络特征的脑状态连续量化评估方法、装置、设备及介质，以解决上述问题。

2、本发明提供一种基于脑网络特征的脑状态连续量化评估方法，包括：获取受试者的连续脑电时序信号并进行预处理，划分为固定时间长度的连续脑电信号分段；在每一所述连续脑电信号分段内，并行提取所述受试者的时频特征与脑网络拓扑特征；对所提取的所述时频特征与所述脑网络拓扑特征进行组间统计分析与个体配对统计分析，筛选出在预设的第一不同脑状态之间具备群体显著性差异的组间特征，以及在每一个体中均存在显著性差异的个体共同特征；利用预先确定的基线状态数据训练自编码器以最小化同状态重构误差，并在训练收敛后冻结所述自编码器的网络权重；将目标状态数据对应的所述组间特征与所述个体共同特征，分别作为两路独立输入送入已冻结权重的所述自编码器，分别独立计算两路输入各自的跨状态重构误差；对比所述两路输入各自的跨状态重构误差的大小，将所述跨状态重构误差较小的一路所对应的特征分支锁定为目标评估路径；将所述目标状态数据在所述目标评估路径上的跨状态重构误差数值，作为表征脑网络拓扑偏离距离的连续量化指标予以输出。利用上述技术方案，本发明通过系统级的自验证机制，将最具流形稳定性的群体组间脑网络拓扑特征确立为核心输入，有效滤除了对个体本底生理噪声敏感的时频特征，并将原本依赖离散分类标签的脑状态判别问题，转化为以重构误差大小表征的连续距离度量问题，使得医生能够在判断患者是否康复的基础上进一步把握其由发病至出院的真实恢复轨迹与恢复量，克服了直接分类方法可解释性差且跨患者泛化能力弱的缺陷。

3、作为本发明的一种优选技术方案，所述获取受试者的连续脑电时序信号并进行预处理，划分为固定时间长度的连续脑电信号分段，包括：通过多个电极通道同步记录所述受试者的连续脑电时序信号；对所述连续脑电时序信号在1至30赫兹的频率范围内进行带通滤波；对滤波后的脑电信号进行坏段检测与剔除，并采用独立成分分析方法识别并去除眼电与肌电伪迹成分；按照预设的固定时间长度对去伪迹后的脑电信号进行加窗分段，得到所述连续脑电信号分段。利用上述优选技术方案，能够最大程度地抑制低频漂移与高频噪声，消除体动、眼电、肌电等强干扰生理信号，为下游多类特征的计算提取提供纯净且在统一尺度上规范化的输入单元，夯实了量化评估的数据基础。

4、作为本发明的一种优选技术方案，所述在每一所述连续脑电信号分段内，并行提取所述受试者的时频特征与脑网络拓扑特征，包括：采用谱估计方法计算各电极通道信号在预设频段内的功率谱密度，并据此计算各个预设频段的频段功率、相对功率、特定频段间的功率比值、峰值频率以及左右脑区不对称指数，作为所述时频特征；基于不同电极通道频域表示之间的互谱虚部，计算各个电极通道两两之间的加权相位滞后指数，以构建功能连接矩阵；对所述功能连接矩阵提取基于预设分位数的比例阈值并进行二值化处理，生成二值邻接矩阵所对应的稀疏脑功能连接图结构；在所述稀疏脑功能连接图结构上，计算节点局部效率及其对应感兴趣脑区的区域聚合值，作为所述脑网络拓扑特征。利用上述优选技术方案，不仅从信号波动的角度提取了反映能量分布的时频特征，更深层次地从脑区间相互作用角度构建了刻画真实功能耦合的复杂网络并提取图论拓扑特征，为下游评估阶段多视角的特征比对与验证提供了全面的高维特征矩阵支撑。

5、作为本发明的一种优选技术方案，所述峰值频率的计算过程为：在8至13赫兹的频段范围内，采用重心法计算第个电极通道的峰值频率：

6、

7、式中，表示第个电极通道的峰值频率，表示第个通道在频率处的功率谱密度，与分别为频段的下限与上限频率，为频率变量；和/或，所述加权相位滞后指数的计算公式为：

8、

9、式中，表示第个电极通道与第个电极通道之间的加权相位滞后指数，表示第个电极通道与第个电极通道之间互谱的虚部，表示期望或时间平均运算，为符号函数。利用上述优选技术方案，采用能量加权方式提取频谱重心相较于直接提取谱峰提升了抗噪性能；通过互谱虚部剔除零相位耦合，极大地抑制了容积传导与共参考所引起的伪连接干扰，保障了所提取脑网络拓扑特征的客观真实性。

10、作为本发明的一种优选技术方案，所述对所提取的所述时频特征与所述脑网络拓扑特征进行组间统计分析与个体配对统计分析，筛选出组间特征以及个体共同特征，包括：获取所述受试者在所述第一不同脑状态下对应的两组样本数据集合，通过独立样本检验或非参数检验比较各特征在两组样本间的分布差异，将显著性水平满足预设阈值的特征汇集为所述组间特征；对同一受试者在所述第一不同脑状态下采集到的对应特征进行配对统计检验，获取单个受试者产生显著变化的特征；对全部参与筛选的受试者个体产生显著变化的特征取交集，将能够在所有个体中同时出现显著变化的特征提取为所述个体共同特征。利用上述优选技术方案，通过群体与个体两个宏微观统计层级的分离，精准圈定了在群体尺度对脑神经网络重组敏感的组间特征与对个体本底生理极其敏感的个体共同特征，为后续消除个体差异提供了特征对比靶点。

11、作为本发明的一种优选技术方案，所述第一不同脑状态包括脑梗死患者的发病基线状态与演变康复状态；所述基线状态数据与所述目标状态数据对应所选择的组合方式包括以下任一种：以所述发病基线状态数据作为所述基线状态数据用于训练自编码器，以所述演变康复状态数据作为所述目标状态数据，所述连续量化指标的取值大小正向表征脑网络拓扑结构相对发病基线的恢复偏离程度；以所述演变康复状态数据作为所述基线状态数据用于训练自编码器，以所述发病基线状态数据作为所述目标状态数据；以健康对照个体生理状态数据作为所述基线状态数据用于训练自编码器，以脑梗死患者数据作为所述目标状态数据，所述连续量化指标的取值大小反向表征脑网络拓扑结构相对健康状态的趋近程度。利用上述优选技术方案，极大地拓展了评估方法的临床适用场景，能够灵活支持多视角交叉验证，从发病偏离度、康复终态趋近度等不同时空维度实现对受试者大脑功能的连续量化评估。

12、作为本发明的一种优选技术方案，所述利用预先确定的基线状态数据训练自编码器以最小化同状态重构误差，包括：利用由编码器与解码器级联构成的所述自编码器，将基线状态下的输入特征向量映射至低维潜在表示并进行重构输出；基于公式

13、

14、计算重构误差，以最小化所述重构误差为训练目标对自编码器进行权重更新；其中，为重构误差，为第个输入特征向量，为对应的重构输出，为样本数量；经过对比锁定后，所述跨状态重构误差较小的一路所对应的特征分支为所述组间特征所在分支，所述组间特征经统计学映射后被确立为所述脑网络拓扑特征。利用上述优选技术方案，充分发挥了自编码器在无监督条件下的流形学习能力，无需依赖人工经验干预，即可通过纯数据驱动的跨状态交叉重构测算，将最不易发生流形坍塌的特征标定为最佳评估指标，提升了系统整体的鲁棒性。

15、本发明提供一种基于脑网络特征的脑状态连续量化评估装置，包括：预处理单元，用于获取受试者的连续脑电时序信号并进行预处理，划分为固定时间长度的连续脑电信号分段；特征提取单元，用于在每一所述连续脑电信号分段内，并行提取所述受试者的时频特征与脑网络拓扑特征；统计筛选单元，用于对所提取的所述时频特征与所述脑网络拓扑特征进行组间统计分析与个体配对统计分析，筛选出在预设的第一不同脑状态之间具备群体显著性差异的组间特征，以及在每一个体中均存在显著性差异的个体共同特征；重构评估单元，用于利用预先确定的基线状态数据训练自编码器以最小化同状态重构误差，并在训练收敛后冻结所述自编码器的网络权重；将目标状态数据对应的所述组间特征与所述个体共同特征，分别作为两路独立输入送入已冻结权重的所述自编码器，分别独立计算两路输入各自的跨状态重构误差；并对比所述两路输入各自的跨状态重构误差的大小，将所述跨状态重构误差较小的一路所对应的特征分支锁定为目标评估路径；量化输出单元，用于将所述目标状态数据在所述目标评估路径上的跨状态重构误差数值，作为表征脑网络拓扑偏离距离的连续量化指标予以输出。

16、本发明提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于脑网络特征的脑状态连续量化评估方法的步骤。

17、本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于脑网络特征的脑状态连续量化评估方法的步骤。

18、与现有技术相比，本发明具有以下有益效果：

19、本发明通过系统级的自验证机制，将最具流形稳定性的群体组间脑网络拓扑特征确立为核心评估输入，有效滤除了对个体本底生理噪声敏感的时频特征，并将原本依赖离散分类标签的脑状态判别问题，转化为以重构误差大小表征的连续距离度量问题，使医生能够在判断患者是否康复的基础上进一步把握其由发病至出院的真实恢复轨迹与恢复量，克服了直接分类方法可解释性差且跨患者泛化能力弱的缺陷。通过群体与个体两个宏微观统计层级的分离，精准圈定了在群体尺度对脑神经网络重组敏感的组间特征与对个体本底生理极其敏感的个体共同特征，为后续消除个体差异提供了特征对比靶点；自编码器仅以基线状态数据训练并冻结权重，通过对比两路特征分支各自的跨状态重构误差，无需人工经验干预即可自动锁定最优评估路径，提升了系统整体的鲁棒性。此外，本发明所提出的基线状态与目标状态组合方式具有良好的灵活性，能够支持发病基线、康复终态、健康对照等多种交叉验证场景，从不同时空维度实现对受试者大脑功能恢复程度的连续量化评估，具有较强的临床适用性与推广价值。