CN110876626A - 基于多导联脑电最优导联选择的抑郁检测*** - Google Patents
基于多导联脑电最优导联选择的抑郁检测*** Download PDFInfo
- Publication number
- CN110876626A CN110876626A CN201911156635.XA CN201911156635A CN110876626A CN 110876626 A CN110876626 A CN 110876626A CN 201911156635 A CN201911156635 A CN 201911156635A CN 110876626 A CN110876626 A CN 110876626A
- Authority
- CN
- China
- Prior art keywords
- lead
- selection
- depression detection
- optimized
- electroencephalogram
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 230000000284 resting effect Effects 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 33
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 27
- 238000013145 classification model Methods 0.000 claims description 23
- 210000004556 brain Anatomy 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000003745 diagnosis Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000004070 electrodeposition Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000012880 independent component analysis Methods 0.000 claims description 3
- 210000001595 mastoid Anatomy 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 210000004761 scalp Anatomy 0.000 claims description 3
- 238000011179 visual inspection Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 21
- 208000020401 Depressive disease Diseases 0.000 description 7
- 230000006399 behavior Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000006996 mental state Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 239000007983 Tris buffer Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 210000001152 parietal lobe Anatomy 0.000 description 2
- 230000002360 prefrontal effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010010144 Completed suicide Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Images
Classifications
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
- A61B5/24—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]
- A61B5/372—Analysis of electroencephalograms
-
- 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]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6814—Head
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- Theoretical Computer Science (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Social Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Networks Using Active Elements (AREA)
Abstract
本发明提供的一种基于多导联脑电最优导联选择的抑郁检测***,有效去除多导联脑电信号引起的信息冗余,降低计算复杂度,提高抑郁检测的识别率。包括:多导联脑电信号获取模块、脑电信号预处理模块、特征提取模块、导联选择模块、抑郁检测模块;多导联脑电信号获取模块用于获取静息状态采集的多导联脑电信号,脑电信号预处理模块用于对获取的多导联脑电信号进行预处理,特征提取模块用于提取进行最优导联选择的有效特征,所述导联选择模块用于采用修改版本的核排列作为目标函数,利用新的二元粒子群优化法来对目标函数进行导联选择,求取最优化导联子集,抑郁检测模块用于对选择出来的最优化导联子集进行识别,构建最优化抑郁检测分类模型,来进行抑郁检测。
Description
技术领域
本发明涉及基于多导联脑电最优导联选择的抑郁检测***,属于抑郁症辅助医疗技术领域。
背景技术
抑郁症是一种可以持续数周、数月甚至数年的主要的精神疾病,它会对个体的生活能力造成损害。根据世界卫生组织预测,抑郁症将在2020年成为威胁人类生命的第二大疾病。抑郁症可以显著地影响人类的思维、行为、感觉和幸福感。此外,根据世界卫生组织预测,全世界有3.5亿人受抑郁症影响,并且每年有近100万抑郁患者***。抑郁症已经严重威胁到了人类的生命。虽然抑郁症可以通过一些有效的临床手段进行治疗,但是由于忽视、诊断不及时以及误诊,全世界有大量的抑郁症患者正在忍受抑郁症带来的痛苦。因此,尽早地进行抑郁症检测对于治愈抑郁症从而改善抑郁症患者的生活质量、保障其身心健康是至关重要的,同时也可以直接降低抑郁症带来的社会和经济压力。
目前,诊断和检测抑郁症的主要临床手段是患者自评量表和临床医生访谈,但是患者自评量表通常带有主观性,临床医生访谈往往受限于他们的临床技能和诊断方法。此外,抑郁诊断和检测的临床实践中没有客观的评估标准。随着抑郁症患者数量的增长,通过早期的检测和评估来对抑郁症患者进行有效的跟踪治疗已经刻不容缓。为了获得更为客观的检测结果,国内外研究者们通过表情、语音以及姿势等行为信号来进行抑郁检测,运用多种机器学习、深度学习方法已经取得了一些成果,但是由于行为信号是间接信号,具有易控性和可伪装性,信号本身可能会受到被试的主观因素的干扰,有时可能无法反映被试潜在的、真实的精神状态。脑电信号可以直接反映大脑内部的工作状态,它是自发的不受人为控制的大脑内部皮层放电活动,具有很高的时间分辨率。而且,脑电具有采集安全、无创、成本低廉以及采集简便等特性。因此,使用脑电信号来提供客观的抑郁检测是可行的并具有前景的,基于脑电的抑郁检测研究为临床诊断和治疗抑郁症提供了更加便捷的新途径。近年来,基于脑电的抑郁检测研究也受到了专家和学者们的广泛关注。
当前基于脑电信号的抑郁检测研究,识别率尚待提高。并且,由于临床采集的脑电信号往往具有多导联、高采样率以及高密度等特性,临床脑电信号的信息冗余和计算复杂度大大提高,给机器学习和深度学习技术带来了巨大的挑战。大量的导联可能会造成机器学习和深度学习模型过拟合,甚至,不相关的导联可能会造成抑郁症检测识别率的损失。此外,在临床采集脑电信号时,设置大量的导联会耗费大量的时间,同时也会引起被试不适,从而导致采集到的被试脑电信号不能准确反映被试的精神状态。
发明内容
本发明针对现有技术存在的问题,提供一种基于多导联脑电最优导联选择的抑郁检测***,针对脑电信号在抑郁症临床检测中存在的识别率不高以及多导联脑电信号信息冗余和计算复杂度高的问题,有效去除多导联脑电信号引起的信息冗余,降低计算复杂度,提高抑郁检测的识别率。
本发明的技术方案是:
1.一种基于多导联脑电最优导联选择的抑郁检测***,其特征在于,包括多导联脑电信号获取模块、脑电信号预处理模块、特征提取模块、导联选择模块、抑郁检测模块;所述多导联脑电信号获取模块用于获取静息状态采集的多导联脑电信号,所述脑电信号预处理模块用于对获取的多导联脑电信号进行预处理,所述特征提取模块用于提取进行最优导联选择的有效特征,所述导联选择模块用于采用修改版本的核排列mKTA作为目标函数,利用新的二元粒子群优化法NBPSO来对目标函数进行导联选择,求取最优化导联子集,所述抑郁检测模块用于对选择出来的最优化导联子集进行识别,构建最优化抑郁检测分类模型,来进行抑郁检测。
2.所述多导联脑电信号获取模块获取的64导脑电信号是在Brain Products平台上采集完成的,采集设备使用的是64导10-20国际标准电极帽,传感器的头皮阻抗低于20千欧,采样率设置为1000Hz,参考电极和接地电极分别设置为FCz和AFz。
3.所述多导联脑电信号获取模块获取的是健康被试和抑郁症患者在相同条件下的安静闭眼静息状态下5分钟的静息状态64导脑电信号。
4.脑电信号预处理模块对采集到的64导脑电信号,进行数据预处理,包括改变参考电极、降采样、带通滤波、去除伪迹四个步骤:
1)改变参考电极,是将原参考电极位FCz重设为两侧乳突部位的导联电位;
2)降采样,是将脑电信号的采样率由1000Hz降低至256Hz;
3)带通滤波是进行1Hz-40Hz的带通滤波以除去直流干扰以及高频噪声信号;
4)去除伪迹是对原始信号进行目视检查,挑选出含伪迹信号和不良电极等最小的70秒静息状态脑电信号,再对这些挑选出来的70秒静息状态脑电信号使用独立成分分析方法进一步去除伪迹信号。
5.所述特征提取模块包括线性特征提取的步骤:线性特征提取是对预处理后的脑电信号提取三个线性特征,包括功率谱最大功率、功率谱平均功率、功率谱中心频率;首先对每段脑电信号使用Welch方法求出功率谱,再使用对应段功率谱信号,求取其最大值,得到功率谱最大功率;求取其平均值,得到功率谱平均功率;求取中心频率,得到功率谱中心频率。
6.所述特征提取模块包括非线性特征提取的步骤:非线性特征提取是对预处理后的脑电信号提取两个非线性特征,包括柯尔莫哥洛夫熵、LZ复杂度;
7.所述导联选择模块包括最优化导联权重选择的步骤:把包含所有脑电的特征集划分为训练集和测试集,对训练集实施如下的导联权重选择步骤:首先将训练集中的特征数据按照导联组织特征矩阵f,由类标签yT计算目标矩阵L;再由初始化的P个w,使用NBPSO方法生成P组导联选择权重w,计算P组导联子集Si,并计算P组导联子集的导联选择核矩阵KS,再使用mKTA作为目标函数来度量通过选择得到的导联子集的优劣,计算P组mKTA核排列值;接着,根据上述P组mKTA值,更新表示P组个体最优mKTA值对应的所有导联的权重p_best和表示全局最优mKTA值对应的所有导联的权重g_best,并使用NBPSO来更新上述P组导联权重并更新导联子集;再使用更新后的P组导联权重w更新P组导联子集Si,并计算导联选择核矩阵KS,如此进行迭代,直至输出最优化导联权重w。
8.所述抑郁检测模块包括构建最优化抑郁检测分类模型的步骤:首先,根据求出的最优化导联权重分别计算训练集和测试集相应的最优化导联子集训练集Str和最优化导联子集测试集Ste;使用十折交叉验证法进行抑郁检测参数寻优来构建最优化的抑郁检测分类模型:将求得的最优化导联子集训练集Str和训练类标签随机划分为10等份,轮流使用其中的9份作为训练集训练模型,剩下的1份作为验证集验证模型,寻找最优化的抑郁检测模型参数;然后,使用寻找到的最优化参数在求得的最优化导联子集训练集上构建最优化的抑郁检测分类模型f(Str),f(Str)=Wmodelk(Str,Str)+b,其中Wmodel是权重系数,k为核函数,b为偏置项。
9.所述抑郁检测模块包括对最优化抑郁检测分类模型测试的步骤:将求得的最优化导联子集测试集Ste输入构建的最优化的抑郁检测分类模型中:f(Ste)=Wmodelk(Ste,Str)+b,通过计算得到抑郁测试结果,比较测试类标签和最优化的抑郁检测模型输出的抑郁测试结果,并计算相应的准确率、敏感度、特异性等模型性能评价指标。
10.所述抑郁检测模块包括抑郁检测辅助诊断的步骤:首先对采集到的脑电信号数据进行预处理,并提取有效特征,得到特征矩阵fnew,使用最优化导联权重,计算辅助诊断最优化导联特征子集Snew,然后将求得的辅助诊断最优化导联特征子集输入最优化的抑郁检测分类模型,计算抑郁检测结果:f(Snew)=Wmodelk(Snew,Str)+b。
本发明的技术效果:
本发明提供的一种基于多导联脑电最优导联选择的抑郁检测***,针对脑电信号在抑郁症临床检测中存在的识别率不高以及多导联脑电信号信息冗余和计算复杂度高的问题,有效去除多导联脑电信号引起的信息冗余,降低计算复杂度,提高抑郁检测的识别率。本发明也解决了目前存在的导联选择方法存在的解释性差、识别效果不佳、对导联组合考虑不够、计算损耗大以及易过拟合等问题。
本发明的基于多导联脑电最优导联选择的抑郁检测方法,使用修改版本的核排列(modified Kernel Target Alignment,mKTA)作为导联选择的目标函数,并通过新的二元粒子群优化(New Binary Particle Swarm Optimization,NBPSO)来优化选择的导联子集,最终解得最优化的导联子集。由于在求取最优化导联子集的过程中,会最小化mKTA值,换言之,就是最大化抑郁症患者和正常被试脑电在特征空间中的类间距,因此,使用经过本发明的导联选择方法选出的最优化的导联子集进行抑郁诊断会获得较为理想的抑郁诊断识别率,可以准确地区分开抑郁症患者和正常被试的脑电信号。同时,本发明提供的目标函数mKTA是用以度量核函数和目标函数的相似程度的,具有良好的解释性,同样,本发明提供的NBPSO也是简单有效的函数优化方法,也具有良好的解释性,而且,本发明提供的mKTA也可以有效地避免过拟合。本发明提供的NBPSO是从整体上来选择导联子集的,会充分考查不同导联间的组合关系来选择最优化的导联子集。众所周知,粒子群优化是一种进化方法,且可以并行地计算多组所有的导联权重,因此本发明提供的新的二元粒子群优化也可以解决传统导联选择算法计算损耗大的问题。
附图说明
图1是本发明的基于多导联脑电最优导联选择的抑郁检测***的工作流程图。
图2是64导10-20国际标准电极位置图。
图3是导联选择模块进行导联权重选择的流程图。
图4是抑郁检测模块进行抑郁检测的流程图。
具体实施方式
以下结合附图和实施例对本发明作进一步详细说明。
一种基于多导联脑电最优导联选择的抑郁检测***,包括:多导联脑电信号获取模块、脑电信号预处理模块、特征提取模块、导联选择模块、抑郁检测模块;多导联脑电信号获取模块用于获取静息状态采集的多导联脑电信号,脑电信号预处理模块用于对获取的多导联脑电信号进行预处理,特征提取模块用于提取进行最优导联选择的有效特征,导联选择模块用于采用修改版本的核排列作为目标函数,利用新的二元粒子群优化法来对目标函数进行导联选择,求取最优化导联子集,抑郁检测模块用于对选择出来的最优化导联子集进行识别,构建最优化抑郁检测分类模型,来进行抑郁检测。
图1是本发明的基于多导联脑电最优导联选择的抑郁检测***的工作流程图。
本发明的基于多导联脑电最优导联选择的抑郁检测***的工作流程包括如下5个阶段:
(1)多导联脑电信号获取模块的数据采集阶段,采集年龄、性别、教育程度匹配的健康被试和抑郁症患者的在相同条件下的安静闭眼静息状态64导脑电信号。
(2)脑电信号预处理模块的数据预处理阶段,对采集到的脑电信号进行改变参考电极、降采样、带通滤波、去除伪迹四个步骤的处理。
(3)特征提取模块的特征提取阶段,对预处理后的脑电信号提取三个线性特征,包括功率谱最大功率、功率谱平均功率、功率谱中心频率,以及两个非线性特征包括柯尔莫哥洛夫熵、LZ复杂度。
(4)导联选择模块的导联选择阶段,使用修改版本的核排列方法作为目标函数,利用新的二元粒子群优化算法来对该目标函数进行导联选择,求出最优化导联子集。
(5)抑郁检测模块的抑郁检测阶段,完成导联选择后,使用支持向量机等分类器对选择出来的最优化导联子集进行识别,构建最优化分类模型,来进行抑郁检测。
下面分别说明本发明基于多导联脑电最优导联选择的抑郁检测的5个阶段:
(1)数据采集阶段
数据采集阶段,我们通过心理量表以及医生诊断选择了15名抑郁症患者以及20名年龄、性别、教育程度匹配的健康被试。所有的被试都是右手利,视力正常或者矫正正常,听力、智力正常,无其他神经疾病史。在数据采集之前,所有的被试均未服用任何神经药物或精神药物,数据采集时,被试精神状态良好。所有被试的数据采集均在相同的环境条件下进行。
数据采集是在Brain Products平台上完成的,采集被试5分钟在安静闭眼静息状态下的静息状态脑电信号,采集设备使用的是64导10-20国际标准电极帽,电极位置如图2所示。传感器的头皮阻抗低于20千欧。采样率设置为1000Hz。参考电极和接地电极分别设置为FCz和AFz。
(2)数据预处理阶段
对采集到64导脑电信号,进行数据预处理。数据预处理主要包括改变参考电极、降采样、带通滤波、去除伪迹四个步骤。
由于采集脑电信号时参考电极设置为FCz,这导致前额叶、顶叶区域导联的信号幅值很低。因此,首先将原参考电极位重设为两侧乳突部位的导联电位,增大前额叶、顶叶区域导联的信号幅值,便于后续处理。因为脑电信号的原始采样频率为1000Hz,采样率过高会造成数据量过大而影响后续的处理和分析。因此,要对采集到的脑电信号进行降采样,将脑电信号的采样率由1000Hz降低至256Hz。本发明进行1Hz-40Hz的带通滤波以除去直流感染以及高频噪声信号。虽然本发明是在安静闭眼静息状态下采集脑电信号的,但是,依然很难避免眼电、眼动以及肌电信号带来的影响。因此需要对采集到的脑电信号进行去除伪迹。去除伪迹是对原始信号进行目视检查,挑选出含伪迹信号如:身体运动,眨眼信号,眼球运动信号,肌电信号和不良电极等最小的70秒静息状态脑电信号,再对这些挑选出来的70秒静息状态脑电信号使用独立成分分析方法进一步去除伪迹信号。
(3)特征提取阶段
本发明使用在抑郁诊断中常用并且被证明为有效的三个线性特征以及两个非线性特征对每一段经预处理后的脑电信号提取特征。
1)三个线性特征:包括功率谱最大功率、功率谱平均功率、功率谱中心频率;
对每段脑电信号使用Welch方法求出功率谱,再使用对应段功率谱信号,分别求取其最大值、平均值、中心频率,得到功率谱最大功率、功率谱平均功率、功率谱中心频率。
2)两个非线性特征:包括柯尔莫哥洛夫熵、LZ复杂度;
(4)导联选择阶段
首先把包含所有脑电的特征集划分为训练集和测试集。对训练集实施如下的导联权重选择步骤,如图3所示,是导联选择模块进行导联权重选择的流程图。首先将训练集中的特征数据按照导联进行组织特征矩阵fi=[ci1,...,ciE],f=[f1,...,fn]T,其中cie表示第e个导联的特征数据,E表示脑电信号的导联数量,本实施例E为64,n为训练集中的脑电信号数,n表示脑电信号的段数;由类标签yT得到目标矩阵L,L=yyT,y=[y1,...,yn]T,yi∈{+1,-1},yi表示类标签;再由随机初始化的P个w,使用NBPSO方法生成P组导联选择权重w,计算P组导联子集Si,Si=wofi(o表示哈达玛积),并计算P组导联子集的导联选择核矩阵KS,KSij=k(Si,Sj)=k(wofi,wofj),k表示核函数。
使用修改版本的核排列(modified Kernel Target Alignment,mKTA)作为目标函数来度量通过选择得到的导联子集的优劣,计算P组mKTA值:
其中,L是目标矩阵,L=yyT,y=[y1,...,yn]T,yi∈{+1,-1},yi表示类标签,n表示脑电信号的段数,f=[f1,...,fn]T,fi=[ci1,...,ciE],w=[w1,...,wE],we∈{0,1},Si=wofi,fi是第i段脑电信号所有导联的特征,cie表示第i段脑电信号第e个导联的特征,we表示第e个导联的权重,当we=1时,表明第e个导联被选择,而当we=0时,表明第e个导联未被选择,w表示所有导联的权重(因此,w可以被认为是选择出的导联子集),Si表示第i段脑电信号经过导联选择后的特征子集,其中未被选中的导联的特征值被置为0而被选中的导联的特征值不变。KS是用于导联选择的核矩阵,KSij=k(Si,Sj)=k(wofi,wofj)。使用mKTA作为目标函数,可以通过优化被选择的导联子集,最小化目标矩阵L与导联选择核矩阵KS之间的差异。根据mKTA定义,mKTA值越小,表明目标矩阵L与导联选择核矩阵KS之间的相似度越高,也就意味着经选择的导联子集在抑郁诊断中能够获得良好的识别率。因此,最小化mKTA值也就等价于在特征空间中最大化类间距离。
接着,根据上述P组mKTA值,使用新的二元粒子群优化(New Binary ParticleSwarm Optimization,NBPSO)更新表示P组个体最优mKTA值对应的所有导联的权重p_best和表示全局最优mKTA值对应的所有导联的权重g_best,并使用NBPSO来更新上述P组导联权重并更新导联子集:
S(vt+1)=2×|Sig(vt+1)-0.5|
其中,wt表示第t轮迭代时的所有导联的权重(导联子集),vt表示第t轮迭代时的所有导联的权重wt的速度,vt+1表示经过更新后的第t+1轮迭代时的所有导联的权重wt的速度,是惯性系数常量,c1、c2是正常数,rand()和Rand()是以[0,1]为区间的随机函数,p_best表示个体最优mKTA值对应的所有导联的权重,g_best表示全局最优mKTA值对应的所有导联的权重,Sig(vt+1)表示速度vt+1的Sigmod函数,S(vt+1)是对速度vt+1进行转换的转换函数,exchange(wt)表示对第t轮所有导联的权重wt值进行转换,将1转换为0,反之亦然,wt+1是经过更新后的第t+1轮迭代时的所有导联的权重。使用NBPSO选择导联子集,求出该子集对应的mKTA的值来更新个体最优mKTA值以及全局最优mKTA值,并根据个体最优mKTA值以及全局最优mKTA值所对应的所有导联的权重来更新当前选择的导联子集的下一轮更新的速度vt+1,并对该速度进行转换,再通过该速度更新下一轮所有导联的权重wt+1直到求出最优化的导联权重。本发明提供的NBPSO是一种并行化的优化方法,可以并行地计算和更新多组导联权重,如在初始化时构建P组导联权重,就可以在更新迭代中并行地计算这P组导联权重,直至求出最优化导联权重。
使用更新后的P组导联权重更新P组导联子集Si,并计算导联选择核函数KS,如此进行迭代,直至求出最优化导联子集S,本发明实施例求出的最优化导联子集为Fp1,C4,P3,O2,F7,CP1,FC5,TP9,F1,F2,C1,FC3,F5,C5,AF7,FT8,TP7,FT9,FT10,Fpz。这些导联所在区域与已知的抑郁相关的脑部区域一致。
(5)抑郁检测阶段
图4是抑郁检测模块进行抑郁检测的流程图。
根据阶段(4)求出的最优化导联权重得出最优化导联子集,分别计算训练集和测试集相应的最优化导联子集Str=woftr和Ste=wofte,其中w是求得的最优化导联权重,ftr是训练特征集,Str是最优化导联子集训练集,fte是测试特征集,Ste是最优化导联子集测试集。在辅助诊断中,使用最优化导联权重对辅助诊断脑电特征计算辅助诊断最优化导联子集Snew=wofnew,其中fnew是辅助诊断特征集,Snew是辅助诊断最优化导联子集特征集。类标签yT划分为测试类标签和训练类标签
首先包括构建最优化抑郁检测分类模型的步骤:使用十折交叉验证法进行抑郁检测参数寻优来构建最优化的抑郁检测分类模型。将求得的最优化导联子集训练集Str和训练类标签随机划分为10等份,轮流使用其中的9份作为训练集训练模型,剩下的1份作为验证集验证模型,寻找最优化的抑郁检测模型参数,换言之,每份数据都会被当作验证集来验证使用其他数据生成的训练模型的性能,通常,选择平均验证精度最高的模型参数作为最优化抑郁检测模型参数;然后,使用寻找到的最优化参数在求得的最优化导联子集训练集上构建最优化的抑郁检测分类模型f(Str),本发明使用的是支持向量机分类模型,通过该分类器构建的分类模型为:
f(Str)=Wmodelk(Str,Str)+b,其中Wmodel是权重系数,k为核函数,b为偏置项。
其次,包括对最优化抑郁检测分类模型测试的步骤:将求得的最优化导联子集测试集Ste输入构建的最优化的抑郁检测分类模型中,f(Ste)=Wmodelk(Ste,S)+b,通过计算得到抑郁测试结果,比较测试类标签和最优化的抑郁检测模型输出的抑郁测试结果,并计算相应的准确率、敏感度、特异性等模型性能评价指标。
然后,包括抑郁检测辅助诊断的步骤:首先对采集到的脑电信号数据进行预处理,并提取有效特征,得到特征矩阵fnew,使用最优化导联权重,计算辅助诊断最优化导联特征子集Snew,然后将求得的辅助诊断最优化导联特征子集输入最优化的抑郁检测分类模型,通过计算可以得到抑郁检测结果:f(Snew)=Wmodelk(Snew,S)+b。
在导联选择阶段和抑郁检测阶段,本发明使用留一被试交叉验证方法。本发明的抑郁检测识别率为80%,敏感度为80%,特异性为80%,而不使用本发明进行导联选择的抑郁识别率仅为65.71%。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不以任何方式限制本发明创造。一切不脱离本发明创造的精神和范围的技术方案及其改进,其均涵盖在本发明创造的保护范围当中。
Claims (10)
1.一种基于多导联脑电最优导联选择的抑郁检测***,其特征在于,包括多导联脑电信号获取模块、脑电信号预处理模块、特征提取模块、导联选择模块、抑郁检测模块;所述多导联脑电信号获取模块用于获取静息状态采集的多导联脑电信号,所述脑电信号预处理模块用于对获取的多导联脑电信号进行预处理,所述特征提取模块用于提取进行最优导联选择的有效特征,所述导联选择模块用于采用修改版本的核排列作为目标函数,利用新的二元粒子群优化法来对目标函数进行导联选择,求取最优化导联子集,所述抑郁检测模块用于对选择出来的最优化导联子集进行识别,构建最优化抑郁检测分类模型,来进行抑郁检测。
2.根据权利要求1所述的基于多导联脑电最优导联选择的抑郁检测***,其特征在于,所述多导联脑电信号获取模块获取的64导脑电信号是在Brain Products平台上采集完成的,采集设备使用的是64导10-20国际标准电极帽,传感器的头皮阻抗低于20千欧,采样率设置为1000Hz,参考电极和接地电极分别设置为FCz和AFz。
3.根据权利要求2所述的基于多导联脑电最优导联选择的抑郁检测***,其特征在于,所述多导联脑电信号获取模块获取的是健康被试和抑郁症患者在相同条件下的安静闭眼静息状态下5分钟的静息状态64导脑电信号。
4.根据权利要求3所述的基于多导联脑电最优导联选择的抑郁检测***,其特征在于,脑电信号预处理模块对采集到的64导脑电信号,进行数据预处理,包括改变参考电极、降采样、带通滤波、去除伪迹四个步骤:
1)改变参考电极,是将原参考电极位FCz重设为两侧乳突部位的导联电位;
2)降采样,是将脑电信号的采样率由1000Hz降低至256Hz;
3)带通滤波是进行1Hz-40Hz的带通滤波以除去直流干扰以及高频噪声信号;
4)去除伪迹是对原始信号进行目视检查,挑选出含伪迹信号和不良电极等最小的70秒静息状态脑电信号,再对这些挑选出来的70秒静息状态脑电信号使用独立成分分析方法进一步去除伪迹信号。
5.根据权利要求4所述的基于多导联脑电最优导联选择的抑郁检测***,其特征在于,所述特征提取模块包括线性特征提取的步骤:线性特征提取是对预处理后的脑电信号提取三个线性特征,包括功率谱最大功率、功率谱平均功率、功率谱中心频率;首先对每段脑电信号使用Welch方法求出功率谱,再使用对应段功率谱信号,求取其最大值,得到功率谱最大功率;求取其平均值,得到功率谱平均功率;求取中心频率,得到功率谱中心频率。
7.根据权利要求1所述的基于多导联脑电最优导联选择的抑郁检测***,其特征在于,所述导联选择模块包括最优化导联权重选择的步骤:首先把包含所有脑电的特征集划分为训练集和测试集,对训练集实施如下的导联权重选择步骤:首先将训练集中的特征数据按照导联组织特征矩阵f,由类标签yT计算目标矩阵L;再由初始化的P个w,使用NBPSO方法生成P组导联选择权重w,计算P组导联子集Si,并计算P组导联子集的导联选择核矩阵KS,再使用mKTA作为目标函数来度量通过选择得到的导联子集的优劣,计算P组mKTA核排列值;接着,根据上述P组mKTA值,更新表示P组个体最优mKTA值对应的所有导联的权重p_best和表示全局最优mKTA值对应的所有导联的权重g_best,并使用NBPSO来更新上述P组导联权重并更新导联子集;再使用更新后的P组导联权重w更新P组导联子集Si,并计算导联选择核矩阵KS,如此进行迭代,直至输出最优化导联权重w。
8.根据权利要求7所述的基于多导联脑电最优导联选择的抑郁检测***,其特征在于,所述抑郁检测模块包括构建最优化抑郁检测分类模型的步骤:首先,根据求出的最优化导联权重分别计算训练集和测试集相应的最优化导联子集训练集Str和最优化导联子集测试集Ste;使用十折交叉验证法进行抑郁检测参数寻优来构建最优化的抑郁检测分类模型:将求得的最优化导联子集训练集Str和训练类标签随机划分为10等份,轮流使用其中的9份作为训练集训练模型,剩下的1份作为验证集验证模型,寻找最优化的抑郁检测模型参数;然后,使用寻找到的最优化参数在求得的最优化导联子集训练集上构建最优化的抑郁检测分类模型f(Str),f(Str)=Wmodelk(Str,Str)+b,其中Wmodel是权重系数,k为核函数,b为偏置项。
9.根据权利要求8所述的基于多导联脑电最优导联选择的抑郁检测***,其特征在于,所述抑郁检测模块包括对最优化抑郁检测分类模型测试的步骤:将求得的最优化导联子集测试集Ste输入构建的最优化的抑郁检测分类模型中:f(Ste)=Wmodelk(Ste,S)+b,通过计算得到抑郁测试结果,比较测试类标签和最优化的抑郁检测模型输出的抑郁测试结果,并计算相应的准确率、敏感度、特异性等模型性能评价指标。
10.根据权利要求9所述的基于多导联脑电最优导联选择的抑郁检测***,其特征在于,所述抑郁检测模块包括抑郁检测辅助诊断的步骤:首先对采集到的脑电信号数据进行预处理,并提取有效特征,得到特征矩阵fnew,使用最优化导联权重,计算辅助诊断最优化导联特征子集Snew,然后将求得的辅助诊断最优化导联特征子集输入最优化的抑郁检测分类模型,计算抑郁检测结果:f(Snew)=Wmodelk(Snew,S)+b。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911156635.XA CN110876626B (zh) | 2019-11-22 | 2019-11-22 | 基于多导联脑电最优导联选择的抑郁检测*** |
CH001419/2020A CH716863B1 (de) | 2019-11-22 | 2020-11-04 | Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodells basierend auf einer Kanalauswahl von Mehrkanal-Elektroenzephalographie. |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911156635.XA CN110876626B (zh) | 2019-11-22 | 2019-11-22 | 基于多导联脑电最优导联选择的抑郁检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110876626A true CN110876626A (zh) | 2020-03-13 |
CN110876626B CN110876626B (zh) | 2022-08-12 |
Family
ID=69729804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911156635.XA Active CN110876626B (zh) | 2019-11-22 | 2019-11-22 | 基于多导联脑电最优导联选择的抑郁检测*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110876626B (zh) |
CH (1) | CH716863B1 (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111543988A (zh) * | 2020-05-25 | 2020-08-18 | 五邑大学 | 一种自适应认知活动识别方法、装置及存储介质 |
CN111568446A (zh) * | 2020-05-28 | 2020-08-25 | 兰州大学 | 结合人口学注意力机制的便携式脑电抑郁检测*** |
CN112370060A (zh) * | 2021-01-18 | 2021-02-19 | 南京左右脑医疗科技有限公司 | 基于脑电振荡的心理应激能力评估方法和装置 |
CN112545513A (zh) * | 2020-12-04 | 2021-03-26 | 长春理工大学 | 一种基于音乐诱发脑电的抑郁症识别方法 |
CN112617833A (zh) * | 2020-12-21 | 2021-04-09 | 首都医科大学 | 一种基于静息态脑电波检测抑郁症的装置 |
CN113288150A (zh) * | 2021-06-25 | 2021-08-24 | 杭州电子科技大学 | 一种基于疲劳脑电信号组合特征的通道选择方法 |
CN113712542A (zh) * | 2021-08-27 | 2021-11-30 | 中山大学孙逸仙纪念医院 | 基于深度学习的耳鸣脑电图卷积神经网络模型构建方法 |
CN113855023A (zh) * | 2021-10-26 | 2021-12-31 | 深圳大学 | 一种基于迭代溯源的下肢运动bci电极选择方法及*** |
CN114209341A (zh) * | 2021-12-23 | 2022-03-22 | 杭州电子科技大学 | 特征贡献度差异化脑电数据重构的情感激活模式发掘方法 |
CN114403899A (zh) * | 2022-02-08 | 2022-04-29 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法 |
CN115363598A (zh) * | 2022-09-19 | 2022-11-22 | 深圳市太美亚电子科技有限公司 | 一种心电信号处理方法及*** |
CN117462148A (zh) * | 2023-12-28 | 2024-01-30 | 慧创科仪(北京)科技有限公司 | 一种用于脑电检测设备的导联配置装置、方法和存储介质 |
WO2024130020A1 (en) * | 2022-12-15 | 2024-06-20 | Elemind Technologies, Inc. | Closed-loop neuromodulation of sleep-related oscillations |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114098764B (zh) * | 2021-11-05 | 2024-02-20 | 北京大学 | 数据处理方法、装置、电子设备和存储介质 |
CN114209320B (zh) * | 2021-11-17 | 2024-05-07 | 山东师范大学 | 一种基于图互信息最大化的抑郁症患者脑电识别*** |
CN114487894A (zh) * | 2021-12-24 | 2022-05-13 | 中铁二院工程集团有限责任公司 | 一种对车载电源设备进行实时质量监测的*** |
CN114081494B (zh) * | 2022-01-21 | 2022-05-06 | 浙江大学 | 一种基于大脑外侧缰核信号的抑郁状态检测*** |
CN114305423B (zh) * | 2022-02-08 | 2023-07-07 | 浙江浙大西投脑机智能科技有限公司 | 一种基于神经元锋电位信号的抑郁状态指征确定装置 |
CN114652330B (zh) * | 2022-02-11 | 2023-03-24 | 北京赋思强脑科技有限公司 | 一种基于历史脑电信号评估冥想训练的方法、装置和设备 |
CN115299964A (zh) * | 2022-08-10 | 2022-11-08 | 杭州电子科技大学 | 一种阿尔兹海默症患者的脑电复杂度分析方法 |
CN115349861A (zh) * | 2022-08-23 | 2022-11-18 | 山东大学 | 一种基于单通道脑电信号的精神压力检测***及方法 |
CN116369949B (zh) * | 2023-06-06 | 2023-09-15 | 南昌航空大学 | 一种脑电信号分级情绪识别方法、***、电子设备及介质 |
CN117942076A (zh) * | 2024-01-18 | 2024-04-30 | 好心情健康产业集团有限公司 | 基于单导脑电信号的心理状态识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012165602A1 (ja) * | 2011-05-31 | 2012-12-06 | 国立大学法人名古屋工業大学 | 認知機能障害判別装置、認知機能障害判別システム、およびプログラム |
CN104899436A (zh) * | 2015-05-29 | 2015-09-09 | 北京航空航天大学 | 基于多尺度径向基函数和改进粒子群优化算法的脑电信号时频分析方法 |
CN110018739A (zh) * | 2019-03-11 | 2019-07-16 | 中南大学 | 一种基于降维机制的脑电信号特征优选方法 |
-
2019
- 2019-11-22 CN CN201911156635.XA patent/CN110876626B/zh active Active
-
2020
- 2020-11-04 CH CH001419/2020A patent/CH716863B1/de unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012165602A1 (ja) * | 2011-05-31 | 2012-12-06 | 国立大学法人名古屋工業大学 | 認知機能障害判別装置、認知機能障害判別システム、およびプログラム |
CN104899436A (zh) * | 2015-05-29 | 2015-09-09 | 北京航空航天大学 | 基于多尺度径向基函数和改进粒子群优化算法的脑电信号时频分析方法 |
CN110018739A (zh) * | 2019-03-11 | 2019-07-16 | 中南大学 | 一种基于降维机制的脑电信号特征优选方法 |
Non-Patent Citations (2)
Title |
---|
孙淑婷: "基于脑电信号的抑郁识别及数据挖掘算法的研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
戴圣法: "进化算法在运动想象脑机接口导联选择中应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111543988A (zh) * | 2020-05-25 | 2020-08-18 | 五邑大学 | 一种自适应认知活动识别方法、装置及存储介质 |
CN111568446A (zh) * | 2020-05-28 | 2020-08-25 | 兰州大学 | 结合人口学注意力机制的便携式脑电抑郁检测*** |
CN112545513A (zh) * | 2020-12-04 | 2021-03-26 | 长春理工大学 | 一种基于音乐诱发脑电的抑郁症识别方法 |
CN112617833A (zh) * | 2020-12-21 | 2021-04-09 | 首都医科大学 | 一种基于静息态脑电波检测抑郁症的装置 |
CN112370060A (zh) * | 2021-01-18 | 2021-02-19 | 南京左右脑医疗科技有限公司 | 基于脑电振荡的心理应激能力评估方法和装置 |
CN112370060B (zh) * | 2021-01-18 | 2021-03-26 | 南京左右脑医疗科技有限公司 | 基于脑电振荡的心理应激能力评估方法和装置 |
CN113288150B (zh) * | 2021-06-25 | 2022-09-27 | 杭州电子科技大学 | 一种基于疲劳脑电信号组合特征的通道选择方法 |
CN113288150A (zh) * | 2021-06-25 | 2021-08-24 | 杭州电子科技大学 | 一种基于疲劳脑电信号组合特征的通道选择方法 |
CN113712542A (zh) * | 2021-08-27 | 2021-11-30 | 中山大学孙逸仙纪念医院 | 基于深度学习的耳鸣脑电图卷积神经网络模型构建方法 |
CN113855023B (zh) * | 2021-10-26 | 2023-07-04 | 深圳大学 | 一种基于迭代溯源的下肢运动bci电极选择方法及*** |
CN113855023A (zh) * | 2021-10-26 | 2021-12-31 | 深圳大学 | 一种基于迭代溯源的下肢运动bci电极选择方法及*** |
CN114209341A (zh) * | 2021-12-23 | 2022-03-22 | 杭州电子科技大学 | 特征贡献度差异化脑电数据重构的情感激活模式发掘方法 |
CN114209341B (zh) * | 2021-12-23 | 2023-06-20 | 杭州电子科技大学 | 特征贡献度差异化脑电数据重构的情感激活模式发掘方法 |
CN114403899A (zh) * | 2022-02-08 | 2022-04-29 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法 |
CN114403899B (zh) * | 2022-02-08 | 2023-07-25 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测装置 |
CN115363598A (zh) * | 2022-09-19 | 2022-11-22 | 深圳市太美亚电子科技有限公司 | 一种心电信号处理方法及*** |
CN115363598B (zh) * | 2022-09-19 | 2023-03-24 | 深圳市太美亚电子科技有限公司 | 一种心电信号处理方法及*** |
WO2024130020A1 (en) * | 2022-12-15 | 2024-06-20 | Elemind Technologies, Inc. | Closed-loop neuromodulation of sleep-related oscillations |
CN117462148A (zh) * | 2023-12-28 | 2024-01-30 | 慧创科仪(北京)科技有限公司 | 一种用于脑电检测设备的导联配置装置、方法和存储介质 |
CN117462148B (zh) * | 2023-12-28 | 2024-05-14 | 慧创科仪(北京)科技有限公司 | 一种用于脑电检测设备的导联配置装置、方法和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CH716863A2 (de) | 2021-05-31 |
CH716863A8 (de) | 2021-07-15 |
CH716863B1 (de) | 2024-03-15 |
CN110876626B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110876626B (zh) | 基于多导联脑电最优导联选择的抑郁检测*** | |
CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及*** | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
WO2019100566A1 (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
WO2019100565A1 (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN111568446A (zh) | 结合人口学注意力机制的便携式脑电抑郁检测*** | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及*** | |
WO2021071688A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN112545513A (zh) | 一种基于音乐诱发脑电的抑郁症识别方法 | |
Bugeja et al. | A novel method of EEG data acquisition, feature extraction and feature space creation for early detection of epileptic seizures | |
CN113662560B (zh) | 发作间期痫样放电的检测方法、存储介质和设备 | |
El Boujnouni et al. | A wavelet-based capsule neural network for ECG biometric identification | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
CN115359909A (zh) | 一种基于注意力机制的癫痫发作检测*** | |
Yang et al. | A novel method for automated congestive heart failure and coronary artery disease recognition using THC-Net | |
Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
CN110338760B (zh) | 一种基于脑电图频域数据的精神***症三分类方法 | |
Saljuqi et al. | Combining homomorphic filtering and recurrent neural network in gait signal analysis for neurodegenerative diseases detection | |
CN113598792B (zh) | 基于有监督特征融合算法的癫痫脑电分类方法 | |
Jia et al. | Decision level fusion for pulse signal classification using multiple features | |
CN114569116A (zh) | 基于三通道图像及迁移学习的心冲击图室颤辅助诊断*** | |
Caldas et al. | A new methodology for classifying qrs morphology in ecg signals | |
Yang et al. | Automated atrial fibrillation and ventricular fibrillation recognition using a multi-angle dual-channel fusion network | |
CN113647954A (zh) | 双通道混合网络模型的心血管疾病识别方法、装置及介质 | |
Hussein | Scalp and intracranial EEG quantitative analysis: robust detection and prediction of epileptic seizures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |