一种基于脑电信号的疼痛识别方法及系统

本发明涉及脑电信号处理，具体为一种基于脑电信号的疼痛识别方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、疼痛是人体的主观感受，不同人群受限于个体的差异，对疼痛的感知能力存在区别，一些检查需要确定疼痛的强度、部位等信息来确定药物的用量，而传统的疼痛评估方法主要依赖于患者的主观反馈，例如疼痛等级表和问卷调查，在一些无法沟通的特殊人群中(如婴儿、老年人或智力障碍者等)会受到限制。

3、疼痛虽然是人体的主观感受，但会反映在脑电信号中，通过将患者的脑电信号提取出来经过一系列处理，来绕过患者沟通能力的限制，从而获得相对客观的疼痛评估结果。但脑电信号会受到许多干扰因素的影响，例如肌电干扰、眼电干扰等，这些干扰可能掩盖脑电信号中与疼痛相关的信号，造成信号处理的障碍。另一方面，脑电信号中含有与疼痛相关的信号数据量较少，在深度学习中，更大的数据量通常有助于提高模型的泛化能力和准确性。但由于疼痛数据较少，使得计算机得不到足够的数据进行训练，这可能导致分类模型出现过拟合或者对少数类别的预测效果不佳等问题。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供一种基于脑电信号的疼痛识别方法及系统，通过预处理阶段的滤波方法去除脑电信号中对疼痛识别产生干扰的信号，利用带有梯度惩罚的wasserstein生成对抗网络进行数据增强，梯度惩罚作用于真假样本中间的过渡地带，通过数据增强生成更多的数据用于训练，能够在原始数据过少的情况下确保模型的性能。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供一种基于脑电信号的疼痛识别方法，包括以下步骤：

4、获取脑电信号并预处理，提取预处理后的信号中的时频域特征；

5、根据不同脑电信号采集区域对应的通道，将预处理后信号中的时频域特征作为真实数据，基于真实数据的噪声分布生成随机样本作为生成数据，基于损失函数计算真实数据和生成数据分布之间的差异，利用生成对抗网络对数据进行增强，确定生成对抗网络中损失与梯度惩罚之间的权重；

6、根据增强后的数据，生成对抗网络中损失与梯度惩罚之间的权重，以及时频域特征中高频分量对应的功率谱密度特征，选择分类模型并训练，基于训练完毕的模型输出疼痛分类结果。

7、进一步的，预处理包括，全脑重参考和伪信号去除；

8、全脑重参考包括，将所有电极信号的平均值作为新的参考，去除参考电极带来的干扰；

9、伪信号去除包括，独立成分分析、滤波和运动校正中的至少一种。

10、进一步的，提取预处理后的信号中的时频域特征，具体为：

11、预处理后的信号基于s变换获取时频域特征，如下式所示：

12、

13、其中，x(t)是脑电图信号，f是信号频率，τ是控制高斯窗口函数ω(τ-t,f)在时间轴上的位置的参数t，σ2(f)是标准差。

14、进一步的，生成对抗网络包括生成器和鉴别器，生成器从噪声分布pz(z)中生成随机样本来欺骗鉴别器，鉴别器试图将生成数据g(z)和真实数据x分布区分开，如下式所示：

15、

16、

17、其中，e(·)表示期望算子，当鉴别器满足真实数据分布时，对真实数据的鉴别满足d(x)＝1，则达到logd(x)的期望；当鉴别器满足生成的数据时，将满足d(g(z))＝0，则达到log(1-d(g(z)))的期望。

18、进一步的，基于损失函数计算真实数据和生成数据分布之间的差异，具体为：

19、计算真实数据和生成数据分布之间的wasserstein距离；

20、判别器经过训练，以最小化损耗固定生成器的wasserstein距离；

21、生成器经过训练，以最大化损耗固定鉴别器的wasserstein距离。

22、进一步的，计算真实数据和生成数据分布之间的wasserstein距离，如下式所示：

23、

24、判别器经过训练，以最小化损耗固定生成器的wasserstein距离如下式所示：

25、

26、生成器经过训练，以最大化损耗固定鉴别器的wasserstein距离如下式所示：

27、

28、其中，pf是从生成器生成的假数据样本空间(也称为伪样本)，pr是真实数据的样本空间，xf～pf表示从pf中取样本xf，xr～pr表示从pr中取样本xr，表示判别器对于从生成器生成的数据xf的评估，输出为标量值，表示判别器对输入数据xf的评分或置信度；dφd(xr)表示判别器对于来自真实数据分布的样本xr的评估，输出是一个标量值，表示判别器对输入的样本xr的评分或置信度；表示从生成器分布pf中采样的样本xf经过判别器dφd(xf)的评估的期望值，该期望值表示判别器对生成器生成的数据的平均评分；表示从生成器分布pr中采样的样本xr经过判别器dφd(xr)的评估的期望值，该期望值表示判别器对生成器生成的数据的平均评分。

29、进一步的，在损失中增加梯度惩罚，如下式所示：

30、

31、其中，前项是wasserstein距离，后项是网络正则化的梯度惩罚，λ是控制wgan损失和梯度惩罚之间权重的超参数，表示从pr和pf之间抽取的样本。

32、本发明的第二个方面提供一种基于脑电信号的疼痛识别系统，包括：

33、脑电采集模块，包括头皮脑电信号采集器，用于获取脑电信号并发送给信号预处理模块，得到预处理后的信号以及信号中的时频域特征；

34、疼痛信号分类处理模块，接收来自信号预处理模块的信号，向人机交互模块输出分类结果；

35、疼痛信号分类处理模块，被配置为：根据不同脑电信号采集区域对应的通道，将预处理后信号中的时频域特征作为真实数据，基于真实数据的噪声分布生成随机样本，基于损失函数计算真实数据和生成数据分布之间的差异，利用生成对抗网络对数据进行增强，确定生成对抗网络中损失与梯度惩罚之间的权重；

36、疼痛信号分类处理模块，还被配置为：根据增强后的数据，生成对抗网络中损失与梯度惩罚之间的权重，以及时频域特征中高频分量对应的功率谱密度特征，选择分类模型并训练，基于训练完毕的模型输出疼痛分类结果。

37、本发明的第三个方面提供一种计算机可读存储介质。

38、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种基于脑电信号的疼痛识别方法中的步骤。

39、本发明的第四个方面提供一种计算机设备。

40、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于脑电信号的疼痛识别方法中的步骤。

41、与现有技术相比，以上一个或多个技术方案存在以下有益效果：

42、1、由于获取和标注脑电数据的成本高昂，因此脑电数据中有关疼痛的数据集是有限的，而使用数据增强，通过生成合成数据样本来扩展原始数据集的规模，可以提供更多的训练样本，覆盖不同疼痛感知条件和个体之间的差异，进而改善性能；同时，生成的数据样本可以帮助模型学习更广泛的特征表示和泛化能力，有助于减轻过拟合问题，并使模型更能适应新的未见过的数据。

43、2、利用带有梯度惩罚的wasserstein生成对抗网络进行数据增强，梯度惩罚作用于真假样本中间的过渡地带，所以梯度的可控性强，且容易被调整到合适的尺度大小。

44、3、在疼痛识别研究中，不同频段的脑电特征可能与疼痛感知相关。通过预处理阶段的滤波方法，可以选择性地突出或抑制特定频段的信号成分(例如频域特征中高频分量对应的功率谱密度特征)，以更好地捕捉与疼痛相关的信息，有助于提高特征的区分度和辨识度，从而提高模型的性能。

45、4、脑电信号通常是高维数据，其中包含大量冗余信息，预处理阶段的滤波方法可以通过选择感兴趣的频段，实现对信号的降维处理。通过减少数据的维度，可以简化特征提取和分类过程，减少计算负担，并提高算法的效率和速度。