CN106236027B - 一种脑电与温度相结合的抑郁人群判定*** - Google Patents
一种脑电与温度相结合的抑郁人群判定*** Download PDFInfo
- Publication number
- CN106236027B CN106236027B CN201610709400.9A CN201610709400A CN106236027B CN 106236027 B CN106236027 B CN 106236027B CN 201610709400 A CN201610709400 A CN 201610709400A CN 106236027 B CN106236027 B CN 106236027B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- unit
- signal
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Power Engineering (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种脑电与温度相结合的抑郁人群判定***，包括采集电极及信号处理***，采集电极包括EEG采集电极和温度采集电极，采集电极连接信号处理***；信号处理***包括温度信号放大单元、滤波单元、温度信号A/D模数转换单元、静电防护单元、EEG信号放大单元、EEG信号A/D模数转换单元、微处理器单元、数据存储单元、蓝牙传输单元、电源管理单元及显示输入单元，温度信号放大单元、滤波单元、温度信号A/D模数转换单元、微控制器单元依次相连，静电防护单元、EEG信号放大单元、EEG信号A/D模数转换单元、微处理器单元依次相连；微处理器单元连接数据存储单元、蓝牙传输单元、电源管理单元及显示输入单元；通过采集的信号判别是否为抑郁症患者。
Description
技术领域
本发明涉及脑电采集领域，具体为一种脑电与温度相结合的抑郁人群判定方法。
背景技术
抑郁症是一种非常常见的疾病。由于抑郁症不仅对患者本人而且也对于她的配偶和亲属的生活行为表现和生活质量也产生破坏性的影响，因此，对于如何实现早期诊断并随后进行早期治疗很重要。现今，借助于详细的对患者的问诊来诊断抑郁症，包括对患者的配偶和/或亲属的问诊。为此使用标准评估量表(例如，Hamilton的抑郁量表)缺少抑郁症的客观度量，也缺少抑郁症复发的客观度量。
生物电信号是最主要的人体心理参数之一，可广泛应用于生物医学研究、病人监护和临床诊断等。多年来，脑电活动已广泛应用于体育训练、思维控制技术和个性化的医疗保健等领域。作为能最直接表征生物电信号的特征之一，体表温度易于测量。
本发明通过对人体的脑电采集和温度采集相结合，通过客观的数据然后判断此人是否为抑郁症人群。
发明内容
本发明的目的在于提供一种脑电与温度相结合的抑郁人群判定方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种脑电与温度相结合的抑郁人群判定方法，包括采集电极及信号处理***，所述采集电极包括EEG采集电极和温度采集电极，所述采集电极连接信号处理***；所述信号处理***包括温度信号放大单元、滤波单元、温度信号A/D模数转换单元、静电防护单元、EEG信号放大单元、EEG信号A/D模数转换单元、微处理器单元、数据存储单元、蓝牙传输单元、电源管理单元及显示输入单元，所述温度信号放大单元、滤波单元、温度信号A/D模数转换单元、微控制器单元依次相连，所述静电防护单元、EEG信号放大单元、EEG信号A/D模数转换单元、微处理器单元依次相连；所述微处理器单元连接数据存储单元、蓝牙传输单元、电源管理单元及显示输入单元；所述电源管理单元包括稳压供电单元、电池充电单元及电量检测单元，所述显示输入单元包括按键输入单元和状态灯显示单元；通过采集的信号判别是否为抑郁症患者，步骤如下：
第一步：去噪
通过传感器采集的脑电信号中含有大量的噪声，通过一种基于离散小波变换和自适应噪声抵消的眼电伪迹自动去除模型来去除我们采集的脑电信号中的噪声，噪声去除步骤如下：
(1)应用多尺度离散小波变换对原始脑电信号进行小波分解，得到小波系数，选择Daubechies 4小波群作为小波分解的母小波函数，对原始信号进行多尺度分解，选择的小波分解层数为7层；
(2)根据最小风险值准则，选择软阈值法对第一步中分解后的特定小波系数作阈值处理，对小波系数作阈值处理时，仅对小波分解后的最后三层小波系数进行处理，因为最后三层小波系数包含了原始记录信号的低频信息，也就基本包含了眼电信息，阈值处理后得到新的三层小波系数；
(3)通过小波重构对新的七层小波系数进行信号重构，这样便从原始受污染脑电信号中提取到了眼电信号；
(4)将提取到的眼电信号作为滤波单元的参考输入，原始受污染脑电信号作为滤波单元的原始输入，这样***的输出就得到了去除眼电噪声后的干净脑电信号；
第二步：特征提取
1、renyi熵
利用FIR滤波器滤出alpha波(8-13HZ)，对其进行特征分析，renyi熵可以有效的评价抑郁症患者的alpha波活动；
renyi熵的计算公式为：
其中N表示根据alpha波幅值大小划分的子区间个数；Pi为第i个子区间在整个区间集中出现的概率，满足抑郁症患者相对与正常人有较高的renyi熵；
2、功率谱
利用AR模型谱估计的Burg算法，估计脑电Alpha波的功率谱，并计算绝对功率和最大功率；
使用AR模型谱估计计算功率谱的公式如下：
其中Pxx表示平均功率，为方差，αk为AR模型的参数。
利用Burg算法求取AR模型的模型参数，具体过程是首先通过预测误差格型滤波器，然后再求取向前和向后预测误差的平均功率Pxx，计算合适的阶数K值记为Kp，再计算模型参数和输入噪声误差；
第三步：分类
利用K邻近(KNN)分类算法分辨抑郁症患者和正常人两类人群，步骤如下：
(1)根据所设置的特征renyi熵和功率谱来描述文本向量；
(2)接收新文本之后，确定其向量表示；
(3)在训练集合中，定位新文本，找出与它邻近的K个文本，公式如下：
其中W为特征向量；Sim(di,dj)为相似度计算公式
(4)在选择了与其邻近的K个样本后，然后再做出每一类的权重，公式如下：
其中x是特征向量，属于新文本；而是类别属性函数，即如果属于类Cj，那么函数值为1，否则为0，即函数值为1时，则该样本为抑郁人群，函数值为0时，则该样本为正常人群。
在判断一个被试的抑郁倾向之前，利用KNN分类器进行训练，使KNN分类器的分类成功率达到较高水平，之后就可以对新采集的脑电样本进行判断，得出该样本是否为抑郁人群，抑郁组的renyi熵要高于正常组，抑郁组的绝对功率和最大功率高于正常组的绝对功率和最大功率；
温度采集电极采集的温度信号作为一个有效的辅助指标，对抑郁症人群进行标记，抑郁症患者前额叶的温度相比正常人的前额叶温度而言相对较低。
优选的，所述模数转换器采用ADS1115。
与现有技术相比，本发明的有益效果是：通过对人体脑电信号和温度信号的采集,提供客观的数据来判断此人是否为抑郁症人群。
附图说明
图1为本发明的结构示意图。
图中：1、采集电极，2、信号处理***，3、温度信号放大单元，4、滤波单元，5、温度信号A/D模数转换单元、6、按键输入单元，7、显示输入单元，8、状态灯显示单元，9、微处理器单元，10、蓝牙传输单元，11、数据存储单元，12、静电防护单元，13、EEG信号放大单元，14、EEG信号A/D模数转换单元，15、电源管理单元，16、稳压供电单元，17、电池充电单元，18、电量监测单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
请参阅图1，本发明提供一种技术方案：一种脑电与温度相结合的抑郁人群判定方法，包括采集电极1及信号处理***2，采集电极1包括EEG采集电极19和温度采集电极20，采集电极1连接信号处理***2；信号处理***2包括温度信号放大单元3、滤波单元4、温度信号A/D模数转换单元5、静电防护单元12、EEG信号放大单元13、EEG信号A/D模数转换单元14、微处理器单元9、数据存储单元11、蓝牙传输单元10、电源管理单元15及显示输入单元7，温度信号放大单元3、滤波单元4、温度信号A/D模数转换单元5、微处理器单元9依次相连，静电防护单元12、EEG信号放大单元13、EEG信号A/D模数转换单元14、微处理器单元9依次相连；微处理器单元9连接数据存储单元11、蓝牙传输单元10、电源管理单元15及显示输入单元7；电源管理单元15包括稳压供电单元16、电池充电单元17及电量检测单元18，显示输入单元7包括按键输入单元6和状态灯显示单元8；温度采集电极20可以连续采集使用者的头皮温度，在测试阶段，若被试温度偏离人体正常温度值，说明此时使用者身体状况不好；若使用者温度波形变化加大，说明此时使用者处于异常状态，在这两种情况下采集的脑电信号有异，不予进行分析。
通过采集的信号判别是否为抑郁症患者，步骤如下：
第一步：去噪
通过传感器采集的脑电信号中含有大量的噪声，通过一种基于离散小波变换和自适应噪声抵消的眼电伪迹自动去除模型来去除我们采集的脑电信号中的噪声，噪声去除步骤如下：
(1)应用多尺度离散小波变换对原始脑电信号进行小波分解，得到小波系数，选择Daubechies 4小波群作为小波分解的母小波函数，对原始信号进行多尺度分解，选择的小波分解层数为7层；
(2)根据最小风险值准则，选择软阈值法对第一步中分解后的特定小波系数作阈值处理，对小波系数作阈值处理时，仅对小波分解后的最后三层小波系数进行处理，因为最后三层小波系数包含了原始记录信号的低频信息，也就基本包含了眼电信息，阈值处理后得到新的三层小波系数；
(3)通过小波重构对新的七层小波系数进行信号重构，这样便从原始受污染脑电信号中提取到了眼电信号；
(4)将提取到的眼电信号作为滤波单元的参考输入，原始受污染脑电信号作为滤波单元的原始输入，这样***的输出就得到了去除眼电噪声后的干净脑电信号；
第二步：特征提取
1、renyi熵
利用FIR滤波器滤出alpha波(8-13HZ)，对其进行特征分析；renyi熵可以有效的评价抑郁症患者的alpha波活动，renyi熵是时频分析的一种有效手段，一般而言，信号的基本组成成分越单一，信号活动越简单有序，renyi熵值越小；相反，信号活动越复杂，组成成分越多，renyi熵值越高；
renyi熵的计算公式为：
其中N表示根据alpha波幅值大小划分的子区间个数；Pi为第i个子区间在整个区间集中出现的概率，满足
抑郁症患者相对与正常人有较高的renyi熵，说明患者组EEG的alpha波幅值分布较正常人更为分散，其alpha波的成分更为多样化，活动形式更为复杂无序；
2、功率谱
大多数抑郁症患者脑电α波节律波幅下降，中央脑区α频段平均功率左/右频率降低，与正常人自发脑电功率谱比较，其α频段功率减少，有显著差异，因此对alpha波进行功率谱特征分析，利用AR模型谱估计的Burg算法，估计脑电Alpha波的功率谱，并计算绝对功率和最大功率；
使用AR模型谱估计计算功率谱的公式如下：
其中Pxx表示平均功率，为方差，αk为AR模型的参数。
利用Burg算法求取AR模型的模型参数，具体过程是首先通过预测误差格型滤波器，然后再求取向前和向后预测误差的平均功率Pxx，计算合适的阶数K值记为Kp，再计算模型参数和输入噪声误差；
第三步：分类
利用K邻近(KNN)分类算法分辨抑郁症患者和正常人两类人群，步骤如下：
(1)根据所设置的特征来描述文本向量：renyi熵和功率谱；
(2)接收新文本之后，确定其向量表示；
(3)在训练集合中，定位新文本，找出与它邻近的K个文本，公式如下：
其中W为特征向量；Sim(di,dj)为相似度计算公式
(4)在选择了与其邻近的K个样本后，然后再做出每一类的权重，公式如下：
其中x是特征向量，属于新文本；而是类别属性函数，即如果属于类Cj，那么函数值为1，否则为0，即函数值为1时，则该样本为抑郁人群，函数值为0时，则该样本为正常人群。
在判断一个被试的抑郁倾向之前，对KNN分类器进行训练，使分类器的分类成功率达到较高水平，之后就可以对新采集的脑电样本进行判断，得出该样本是否为抑郁人群，抑郁组的renyi熵要高于正常组，抑郁组的绝对功率和最大功率高于正常组的绝对功率和最大功率；
温度采集电极采集的温度信号作为一个有效的辅助指标，对抑郁症人群进行标记，抑郁症患者前额叶的温度相比正常人的前额叶温度而言相对较低。温度采集电极采集的温度信号作为辅助指标，对抑郁症人群进行标记。温度采集电极采集大脑前额叶区域的温度，前额叶区域脑热的产生依赖于神经元细胞的内物质代谢，而神经元活动的增强会直接导致细胞代谢速率加快，产热增多。所以该区域头皮表层体测温度有一定程度的上升或下降可以视为该区域脑神经元活动增强或减弱的一个有效表征。此外为了保持有效的热交换、维持该区域温度恒定、补充消耗的ATP(腺苷三磷酸)及氧份，前额叶的脑血流量就会因此而增大。而前额叶脑区承担着决策注意、执行控制、行为评价等多种脑认知功能，抑郁症患者的这些脑认知功能是与正常人有明显差异的。抑郁症发作的“三低”症状中，患者的一致活动减退，其主动性活动明显减少，注意力不集中，记忆力下降，因此抑郁症患者相比较正常人而言，其大脑活动更为无序，神经元活动相比较弱。这种差异会导致在进行同样的认知活动时，抑郁症患者前额叶的温度相比正常人的前额叶温度而言相对较低。此外，已有大量证据证明抑郁症患者的下丘脑区有一定异常，而人体的体温调节中枢位于下丘脑，这一定程度上也会影响到脑区的温度调控，使抑郁症患者的温度相异与正常人。所以综上所述，温度指标可以作为一个有效的辅助指标，配合之前分类的脑电信号，对抑郁症人群进行标记。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。
Claims (2)
1.一种脑电与温度相结合的抑郁人群判定***，其特征在于：包括采集电极及信号处理***；
所述采集电极包括EEG采集电极和温度采集电极，所述采集电极连接信号处理***；
所述信号处理***包括温度信号放大单元、滤波单元、温度信号A/D模数转换单元、静电防护单元、EEG信号放大单元、EEG信号A/D模数转换单元、微处理器单元、数据存储单元、蓝牙传输单元、电源管理单元及显示输入单元，所述温度信号放大单元、滤波单元、温度信号A/D模数转换单元、微控制器单元依次相连，所述静电防护单元、EEG信号放大单元、EEG信号A/D模数转换单元、微处理器单元依次相连；所述微处理器单元连接数据存储单元、蓝牙传输单元、电源管理单元及显示输入单元；所述电源管理单元包括稳压供电单元、电池充电单元及电量检测单元，所述显示输入单元包括按键输入单元和状态灯显示单元；所述信号处理***进一步通过采集的信号判别是否为抑郁症患者，其处理步骤如下：
第一步：去噪
通过传感器采集的脑电信号中含有大量的噪声，通过一种基于离散小波变换和自适应噪声抵消的眼电伪迹自动去除模型来去除我们采集的脑电信号中的噪声，噪声去除步骤如下：
(1)应用多尺度离散小波变换对原始脑电信号进行小波分解，得到小波系数，选择Daubechies 4小波群作为小波分解的母小波函数，对原始信号进行多尺度分解，选择的小波分解层数为7层；
(2)根据最小风险值准则，选择软阈值法对第一步中分解后的特定小波系数作阈值处理，对小波系数作阈值处理时，仅对小波分解后的最后三层小波系数进行处理，因为最后三层小波系数包含了原始记录信号的低频信息，也就基本包含了眼电信息，阈值处理后得到新的三层小波系数；
(3)通过小波重构对新的七层小波系数进行信号重构，这样便从原始受污染脑电信号中提取到了眼电信号；
(4)将提取到的眼电信号作为滤波单元的参考输入，原始受污染脑电信号作为滤波单元的原始输入，这样***的输出就得到了去除眼电噪声后的干净脑电信号；
第二步：特征提取
1、renyi熵
利用FIR滤波器滤出alpha波(8-13HZ)，对其进行特征分析，renyi熵可以有效的评价抑郁症患者的alpha波活动；
renyi熵的计算公式为：
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>q</mi>
</mrow>
</mfrac>
</mrow>
其中N表示根据alpha波幅值大小划分的子区间个数；Pi为第i个子区间在整个区间集中出现的概率，满足抑郁症患者相对与正常人有较高的renyi熵；
2、功率谱
利用AR模型谱估计的Burg算法，估计脑电Alpha波的功率谱，并计算绝对功率和最大功率；
使用AR模型谱估计计算功率谱的公式如下：
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>x</mi>
<mi>x</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>j</mi>
<mi>&omega;</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>&omega;</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mi>&omega;</mi>
<mi>k</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
其中Pxx表示平均功率，为方差，αk为AR模型的参数。
利用Burg算法求取AR模型的模型参数，具体过程是首先通过预测误差格型滤波器，然后再求取向前和向后预测误差的平均功率Pxx，计算合适的阶数K值记为Kp，再计算模型参数和输入噪声误差；
第三步：分类
利用K邻近(KNN)分类算法分辨抑郁症患者和正常人两类人群，步骤如下：
(1)根据所设置的特征renyi熵和功率谱来描述文本向量；
(2)接收新文本之后，确定其向量表示；
(3)在训练集合中，定位新文本，找出与它邻近的K个文本，公式如下：
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<msqrt>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<msub>
<mi>W</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中W为特征向量；Sim(di,dj)为相似度计算公式
(4)在选择了与其邻近的K个样本后，然后再做出每一类的权重，公式如下：
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Sigma;</mi>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
<msub>
<mover>
<mi>d</mi>
<mo>&OverBar;</mo>
</mover>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mover>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中x是特征向量，属于新文本；而是类别属性函数，即如果属于类Cj，那么函数值为1，否则为0，即函数值为1时，则该样本为抑郁人群，函数值为0时，则该样本为正常人群；
其中，在判断一个被试的抑郁倾向之前，利用KNN分类器进行训练，使KNN分类器的分类成功率达到较高水平，之后就可以对新采集的脑电样本进行判断，得出该样本是否为抑郁人群，抑郁组的renyi熵要高于正常组，抑郁组的绝对功率和最大功率高于正常组的绝对功率和最大功率；
温度采集电极采集的温度信号作为一个有效的辅助指标，对抑郁症人群进行标记，抑郁症患者前额叶的温度相比正常人的前额叶温度而言相对较低。
2.根据权利要求1所述的一种脑电与温度相结合的抑郁人群判定***，其特征在于：所述模数转换器采用ADS1115。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610709400.9A CN106236027B (zh) | 2016-08-23 | 2016-08-23 | 一种脑电与温度相结合的抑郁人群判定*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610709400.9A CN106236027B (zh) | 2016-08-23 | 2016-08-23 | 一种脑电与温度相结合的抑郁人群判定*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106236027A CN106236027A (zh) | 2016-12-21 |
| CN106236027B true CN106236027B (zh) | 2017-11-03 |
Family
ID=57594645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610709400.9A Active CN106236027B (zh) | 2016-08-23 | 2016-08-23 | 一种脑电与温度相结合的抑郁人群判定*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106236027B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871537B (zh) * | 2017-11-22 | 2018-12-07 | 山东师范大学 | 一种基于多模态特征的抑郁倾向测评装置、*** |
| CN110013250B (zh) * | 2019-04-30 | 2021-08-17 | 中南大学湘雅二医院 | 一种抑郁症***行为的多模式特征信息融合预测方法 |
| CN110236572B (zh) * | 2019-05-07 | 2021-10-26 | 平安科技（深圳）有限公司 | 基于体温信息的抑郁症预测*** |
| CN111956219B (zh) * | 2020-08-27 | 2023-04-28 | 济南大学 | 基于脑电信号的情绪特征识别方法、识别及调节*** |
| CN115770344A (zh) * | 2021-09-06 | 2023-03-10 | 北京大学第六医院 | 一种基于脑电信号制备缓解抑郁音乐的方法、***及存储介质 |
| CN113907768A (zh) * | 2021-10-12 | 2022-01-11 | 浙江汉德瑞智能科技有限公司 | 一种基于matlab的脑电信号处理装置 |
| CN116602691B (zh) * | 2023-07-14 | 2023-10-10 | 北京元纽科技有限公司 | 一种脑电信号的去噪方法、装置、电子设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102138860A (zh) * | 2011-01-10 | 2011-08-03 | 西安交通大学 | 一种智能化脑损伤患者手功能康复训练设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9924904B2 (en) * | 2014-09-02 | 2018-03-27 | Medtronic, Inc. | Power-efficient chopper amplifier |
-
2016
- 2016-08-23 CN CN201610709400.9A patent/CN106236027B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102138860A (zh) * | 2011-01-10 | 2011-08-03 | 西安交通大学 | 一种智能化脑损伤患者手功能康复训练设备 |
Non-Patent Citations (1)
| Title |
|---|
| 《普适化脑电信息感知关键问题的研究》;彭宏;《兰州大学研究生学位论文》;20150630;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106236027A (zh) | 2016-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106236027B (zh) | 一种脑电与温度相结合的抑郁人群判定*** | |
| Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
| Berkaya et al. | A survey on ECG analysis | |
| Li et al. | Multi-modal bioelectrical signal fusion analysis based on different acquisition devices and scene settings: Overview, challenges, and novel orientation | |
| Sabeti et al. | A new approach for EEG signal classification of schizophrenic and control participants | |
| Karthikeyan et al. | Detection of human stress using short-term ECG and HRV signals | |
| KR101235441B1 (ko) | 생체신호 기반 자동 수면단계 분류시스템 | |
| Sulaiman et al. | Novel methods for stress features identification using EEG signals | |
| CN103919565A (zh) | 一种疲劳驾驶脑电信号特征提取与识别的方法 | |
| CN105147248A (zh) | 基于生理信息的抑郁症评估***及其评估方法 | |
| CN107742534A (zh) | 患者存活性预测*** | |
| CN204931634U (zh) | 基于生理信息的抑郁症评估*** | |
| CN104398254B (zh) | 一种心电图分析***、分析设备及预测模型采集设备 | |
| CN105942974A (zh) | 一种基于低频脑电的睡眠分析方法及*** | |
| Emanet | ECG beat classification by using discrete wavelet transform and Random Forest algorithm | |
| CN110751131B (zh) | 一种心律失常检测装置 | |
| CN106510702B (zh) | 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别***及方法 | |
| Onaran et al. | Classification of multichannel ECoG related to individual finger movements with redundant spatial projections | |
| Khoa et al. | Detecting epileptic seizure from scalp EEG using Lyapunov spectrum | |
| CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
| CN110353704A (zh) | 基于穿戴式心电监测的情绪评估方法与装置 | |
| CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及*** | |
| CN112057087B (zh) | 精神***症高风险人群自主神经功能数据处理方法及装置 | |
| CN113723557A (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类*** | |
| CN106618486B (zh) | 智能辅助睡眠中的睡眠状态识别方法和*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |