基于任务态脑电多频带图神经网络的辅助诊断方法及相关设备

摘要: 本技术涉及脑电信号处理与人工智能辅助诊断,尤其涉及一种基于任务态脑电多频带图神经网络的辅助诊断方法及相关设备。背景技术:1、自闭症谱系障碍(autismspec...
基于任务态脑电多频带图神经网络的辅助诊断方法及相关设备

本技术涉及脑电信号处理与人工智能辅助诊断,尤其涉及一种基于任务态脑电多频带图神经网络的辅助诊断方法及相关设备。

背景技术:

1、自闭症谱系障碍(autism spectrum disorder,asd)是一种复杂的神经发育障碍,约影响1/36的儿童,其特征包括社交沟通障碍和刻板重复行为。目前asd诊断主要依赖行为评估量表,缺乏客观的神经生理生物标志物。

2、脑电图(eeg)作为一种非侵入性神经电生理技术,具有设备成本低、便携性好、时间分辨率高的优势,是asd辅助诊断的重要候选工具。近年来,图神经网络被应用于基于eeg的asd辅助诊断研究,然而,现有基于eeg图神经网络的asd诊断方法存在以下技术问题:

3、第一,传统任务态eeg分析严重依赖刺激起始时间的精确对齐,以刺激起始时间为锚点提取固定长度的eeg数据段,不符合要求的试验段被大量丢弃。由于asd患者(尤其是儿童)配合度低、注意力难以持续集中,大量试验段因不符合要求而被丢弃,导致数据利用率极低。例如,现有技术中基于图卷积神经网络的eeg分类方法,需精确对齐刺激起始位置提取试验段,仅保留符合要求的数据段,导致asd被试的可用样本量显著减少。静息态eeg虽无此要求,但缺乏认知约束,asd与正常发育被试之间的组间差异容易被个体内部自发变异所掩盖。

4、第二,现有方法在全频带范围内混合处理eeg信号,未区分不同频带(delta、theta、alpha、beta、gamma)的神经振荡特性。由于不同频带承载不同的认知功能,asd在不同频带上的异常表现具有特异性,全频带混合处理会导致频带特异性诊断信息的丢失,影响分类准确率。

5、此外,基于功能性磁共振成像(fmri)的asd诊断方法虽空间分辨率较高,但设备昂贵、对被试运动极为敏感、采集过程对asd儿童尤为困难,且fmri时间分辨率低,无法捕捉eeg特有的多频带神经振荡动态信息,临床应用推广受限。

技术实现思路

1、本技术实施例的主要目的在于提出一种基于任务态脑电多频带图神经网络的辅助诊断方法、电子设备、存储介质及程序产品,能够同时实现高准确率分类和可解释的决策依据输出。

2、为实现上述目的,本技术实施例的一方面提出了一种基于任务态脑电多频带图神经网络的辅助诊断方法,所述方法包括:

3、采用刻意不对齐刺激起始时间的滑动窗口采样方式,对获取的被试在预设任务状态下的多通道脑电图信号进行采样,以提取多个时间窗口的脑电图样本;

4、基于提取的所述脑电图样本,构建各预设频带下的动态功能连接图序列;

5、基于所述动态功能连接图序列进行图神经网络编码,得到全脑表示向量;

6、根据所述全脑表示向量,输出自闭症谱系障碍分类概率。

7、在一些实施例中,所述滑动窗口采样方式中,相邻时间窗口之间存在预设重叠,且所述时间窗口的起始位置随机选取,不依赖于所述预设任务状态中任何刺激事件的时间锚点。

8、在一些实施例中,所述构建各预设频带下的动态功能连接图序列,具体包括:

9、将各所述脑电图样本分解为多个预设频带;

10、对每个所述频带,计算各时间窗口下所有通道对之间的相位锁值作为边权重,并以脑电图通道为节点,构建各时间窗口的功能连接图;

11、提取各通道在各时间窗口内的功率谱密度作为节点初始特征,得到各频带对应的动态图序列。

12、在一些实施例中,所述多个预设频带包括delta频带、theta频带、alpha频带、beta频带和gamma频带;所述相位锁值的计算公式为:

13、

14、其中,为两个信号在时间点的瞬时相位差,为时间点总数,为虚数单位。

15、在一些实施例中,所述基于所述动态功能连接图序列进行图神经网络编码,具体包括:

16、对各频带在各时间步的图结构独立进行空间维度的特征聚合,得到各时间步的空间聚合特征;

17、通过长短期记忆网络对所有时间步的空间聚合特征进行时序维度的编码,得到各频带的时序编码特征。

18、在一些实施例中,所述空间维度的特征聚合通过多层堆叠的图注意力网络实现,其中每层图注意力网络包含多头注意力机制、批归一化、激活函数和残差连接。

19、在一些实施例中,所述得到全脑表示向量,具体包括:

20、对各频带的时序编码特征进行通道级注意力融合,得到各频带的聚合表示;

21、对各频带的聚合表示进行频带级注意力融合,得到所述全脑表示向量;

22、其中,所述通道级注意力和所述频带级注意力独立计算且参数不共享,以解耦通道重要性和频带重要性。

23、在一些实施例中,所述方法还包括模型解释步骤,所述模型解释步骤具体包括:

24、获取训练完成的图神经网络分类模型及待解释的脑电图样本;

25、采用四层级联反事实干预框架对所述待解释的脑电图样本进行干预,所述四层级联反事实干预框架依次包括:频带级干预、通道级干预、时间级干预和边级干预;

26、分别计算各层级干预前后的自闭症谱系障碍概率差值,作为各层级的干预效应量。

27、在一些实施例中,所述频带级干预包括:

28、将所述待解释的脑电图样本在目标频带上的全部特征值替换为基线值,得到频带干预后样本;

29、将所述频带干预后样本输入所述图神经网络分类模型,计算干预后的自闭症谱系障碍概率;

30、根据干预前的自闭症谱系障碍概率与所述干预后的自闭症谱系障碍概率的差值,计算所述目标频带的干预效应量。

31、在一些实施例中,所述基线值为异类均值:

32、对于被所述图神经网络分类模型判定为自闭症谱系障碍的样本,所述异类均值为所有非自闭症谱系障碍样本在对应特征上的均值;

33、对于被所述图神经网络分类模型判定为非自闭症谱系障碍的样本,所述异类均值为所有自闭症谱系障碍样本在对应特征上的均值。

34、在一些实施例中,所述通道级干预包括:

35、将所述待解释的脑电图样本在目标通道上的全部频带的特征值替换为基线值,得到通道干预后样本;

36、将所述通道干预后样本输入所述图神经网络分类模型,计算干预后的自闭症谱系障碍概率;

37、根据干预前的自闭症谱系障碍概率与所述干预后的自闭症谱系障碍概率的差值,计算所述目标通道的干预效应量。

38、在一些实施例中,所述时间级干预包括:

39、将所述待解释的脑电图样本在连续k个时间窗口内的全部通道和全部频带的特征值替换为基线值,得到时间干预后样本,其中k≥1;

40、将所述时间干预后样本输入所述图神经网络分类模型,计算干预后的自闭症谱系障碍概率;

41、根据干预前的自闭症谱系障碍概率与所述干预后的自闭症谱系障碍概率的差值,计算所述连续k个时间窗口的干预效应量。

42、在一些实施例中,所述边级干预包括:

43、获取所述图神经网络分类模型中各图注意力网络层各注意力头输出的注意力权重矩阵;

44、对各注意力头取平均,得到各层的注意力权重;

45、根据各层预设的贡献衰减系数,对各层的注意力权重进行加权求和,计算各功能连接边的累积贡献值;

46、将累积贡献值满足预设条件的边确定为关键边;

47、对所述关键边进行反事实干预,并计算边级干预效应量;

48、其中,所述贡献衰减系数设置为越靠近输出层的层权重越高。

49、在一些实施例中,所述方法还包括神经标志物输出步骤,所述神经标志物输出步骤具体包括:

50、根据所述频带级干预的干预效应量、所述通道级干预的干预效应量、所述时间级干预的干预效应量和所述边级干预的干预效应量的大小,输出自闭症谱系障碍的神经标志物;

51、所述神经标志物包括关键频带、关键脑区、关键时间窗口和关键功能连接边中的至少一种。

52、为实现上述目的,本技术实施例的另一方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上所述的方法。

53、为实现上述目的,本技术实施例的另一方面提出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上所述的方法。

54、为实现上述目的,本技术实施例的另一方面提出了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上所述的方法。

55、本技术实施例至少包括以下有益效果:本技术提供一种基于任务态脑电多频带图神经网络的辅助诊断方法、电子设备、存储介质及程序产品,该方案通过采用刻意不对齐刺激起始时间的滑动窗口采样方式,使得eeg样本的提取不依赖于任何刺激事件的时间锚点,从而避免了传统任务态eeg分析中因asd被试配合度低、注意力难以持续集中而导致大量试验段被丢弃的问题,所有采集到的任务态数据均可用于模型训练,显著提高了数据利用率;同时,任务态范式下特定脑网络的持续激活使asd与正常发育被试之间的功能连接组间差异更加稳定和可检测,克服了静息态下个体内部自发变异掩盖组间差异的缺陷,为后续的图神经网络编码和分类提供了更丰富、更具区分度的训练样本,从而提升了asd辅助诊断的准确率和临床实用性——在包含未对齐采样的完整技术方案下,本技术在公开asd-eeg数据集上达到了81.8%的分类准确率,显著优于依赖精确对齐的传统方法,充分验证了该采样方式对分类性能的实际贡献。