[发明专利]基于多尺度网络的深度学习模型及在脑状态监测中的应用

摘要

一种基于多尺度网络的深度学习模型及在脑状态监测中的应用：对测得的多通道信号进行预处理和多尺度变换；对所有尺度下的多通道信号得到多尺度加权递归网络和多尺度加权递归网络对应的交叉递归率矩阵；提取多尺度加权递归网络在不同的尺度下的网络指标；在每个尺度下，保留交叉递归率矩阵中相对大的元素，得到无权的邻接矩阵及其所对应的多尺度无权递归网络；对在设定变量的变化范围内的每一个值，得到多尺度无权递归网络和多尺度无权递归网络对应的邻接矩阵，提取多尺度无权递归网络在不同尺度下的网络指标，计算变量在设定范围内变化时网络指标的积分，将积分作为每个尺度下多尺度无权递归网络的最终的网络指标；深度学习模型训练和进行脑状态监测。

主权项

1.一种基于多尺度网络的深度学习模型，其特征在于，模型的建立包括如下步骤：1)对从智能穿戴设备测得的多通道信号进行预处理，预处理中的带通滤波范围是据设定的任务选取对应的脑电节律波确定；对预处理后的脑电信号进行多尺度变换；2)在每一个固定尺度因子β下构建多尺度加权递归网络和多尺度加权递归网络对应的交叉递归率矩阵；3)通过对所有尺度下的多通道信号进行步骤2)的处理，得到多尺度加权递归网络和多尺度加权递归网络对应的交叉递归率矩阵；提取步骤2)中的多尺度加权递归网络在不同的尺度下的网络指标；4)在每个尺度下，设置一个变量q，保留所述的交叉递归率矩阵中相对大的元素，使保留下来的元素数目和原始的元素数目的比值为q；将保留下来的所有元素的值都设置为1，未保留的元素值都设为0，从而得到一个无权的邻接矩阵A以及无权的邻接矩阵A对应的多尺度无权递归网络；5)设定变量q的变化范围为0.1～0.3，变化步长为0.01，对于变量q的每一个值，得到多尺度无权递归网络和多尺度无权递归网络对应的邻接矩阵A，提取多尺度无权递归网络在不同尺度下的网络指标，计算q在0.1～0.3范围内变化时所述的网络指标的积分，将所述的积分作为每个尺度下多尺度无权递归网络的最终的网络指标；6)深度学习模型训练和进行脑状态监测。