CN112568912B - 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法 - Google Patents
一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法 Download PDFInfo
- Publication number
- CN112568912B CN112568912B CN201910867073.3A CN201910867073A CN112568912B CN 112568912 B CN112568912 B CN 112568912B CN 201910867073 A CN201910867073 A CN 201910867073A CN 112568912 B CN112568912 B CN 112568912B
- Authority
- CN
- China
- Prior art keywords
- eeg
- dimensional
- low
- score
- depression
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000000090 biomarker Substances 0.000 title claims abstract description 33
- 210000004556 brain Anatomy 0.000 title abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 66
- 238000012360 testing method Methods 0.000 claims abstract description 62
- 239000003550 marker Substances 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000008451 emotion Effects 0.000 claims description 18
- 230000001537 neural effect Effects 0.000 claims description 11
- 238000011002 quantification Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000012880 independent component analysis Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000001149 cognitive effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000000528 statistical test Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 description 11
- 206010027951 Mood swings Diseases 0.000 description 10
- 230000000284 resting effect Effects 0.000 description 7
- 238000002560 therapeutic procedure Methods 0.000 description 6
- 230000000994 depressogenic effect Effects 0.000 description 5
- 208000020401 Depressive disease Diseases 0.000 description 4
- 208000028552 Treatment-Resistant Depressive disease Diseases 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000036651 mood Effects 0.000 description 4
- 208000020016 psychiatric disease Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000007917 intracranial administration Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 208000024714 major depressive disease Diseases 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010876 biochemical test Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000003001 depressive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 238000002566 electrocorticography Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 208000011736 mal de Debarquement Diseases 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000007230 neural mechanism Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000009666 routine test Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法。该方法包括：按照预设数据采集规则获取被试的抑郁症标记物辨识用数据，包括HDRS‑17分数和/或IMS分数，以及与HDRS‑17分数和/或IMS分数对应的EEG信号；设计k轮交叉检验，在每轮交叉检验中，将抑郁症标记物辨识用数据分为训练集和测试集；根据训练集，建立低维EEG‑HDRS‑17模型和/或低维EEG‑IMS模型，以及高维EEG‑低维EEG模型；利用高维EEG‑低维EEG模型将测试集的高维EEG特征向量转化为低维EEG特征向量，利用低维EEG‑HDRS‑17模型和/或低维EEG‑IMS模型预测测试集的HDRS‑17分数和/或IMS分数；比较预测得到的HDRS‑17分数与真实测得的HDRS‑17分数，和/或预测得到的IMS分数与真实测得的IMS分数，根据比较结果判断是否辨识出被试的抑郁症生物标记物。
Description
技术领域
本发明涉及脑电信号分析技术领域，尤其涉及一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法。
背景技术
抑郁症(Major Depressive Disorder,MDD)是世界上最严重的精神疾病之一，国内抑郁症的发病率高达8-9％，且有逐年增加的趋，其中30％左右为难治性抑郁症(Treatment-resistant depression，TRD)。标准的药物治疗对难治性抑郁症患者鲜有效果。因此，现有的前沿难治性抑郁症治疗研究注重于研发新式的治疗方式，例如神经反馈治疗，来替代或者辅助标准的药物治疗。
开发新式的抑郁症治疗方式中的一个关键问题是寻找及辨识有效的抑郁症生物标记物。研究表明抑郁症患者的神经活动和健康人群不同，所以基于脑电信号的抑郁症生物标记物辨识正成为神经科学领域最前沿的研究方向。有效的神经标记物应该能够具备以下几点：(1)区分抑郁症患者和健康人群；(2)区分抑郁症患者是否有效回应标准的药物治疗；(3)预测抑郁症患者的抑郁症程度随着时间的变化；(4)预测抑郁症患者随着时间变化的情绪波动；(5)能够有效反映新式的治疗方式的治疗效果。
目前针对抑郁症的脑电信号的生物标记物研究主要分为利用侵入式脑电信号和非侵入式脑电信号两种。基于非侵入式脑电信号的研究集中于运用颅外脑电图(Electroencephalogram,EEG)。由于颅外脑电图的信噪比较低，现有的标准建模技术仅能够辨识可以区分抑郁症患者和健康人群的生物标记物，该生物标记物有效性有限，不能够直接有效应用于对抑郁症的治疗。近两年来出现了基于侵入式脑电信号的研究。这些研究运用信号质量更佳的颅内脑电图(Electrocortiogram,ECoG)，能够有效预测抑郁症患者随着时间变化的情绪波动。有研究表明这些质量更高的生物标记物甚至可以有效反映抑郁症电刺激疗法的效果。但是颅内脑电图的手术技术复杂，在现有的临床标准中，主要用于监测癫痫，并没有广泛应用于抑郁症的检测。并且，颅内脑电图的成本比颅外脑电图高，因而很难推广于大范围的抑郁症患者。
采集EEG并辨识抑郁症生物标记物可以提供更为经济的抑郁症监测和治疗手段。但是由于以下原因，目前的技术(例如，Palmiero.M.and Piccardi.L.Frontal EEGAsymmetry of Mood:A Mini-Review[J].Frontiers in BehavioralNeuroscience.2017.11:224)还不能辨识有效的基于非侵入式脑电信号的抑郁症生物标记物：(1)现有技术不能有效去除EEG的噪声并提取真正和抑郁症程度相关的子信号；(2)现有技术不能对每个病人辨识其特有抑郁症生物标记物；(3)现有技术没有在采集EEG的同时随着时间变化采集患者的抑郁症程度变化；(4)现有技术没有在采集EEG的同时随着时间变化采集患者的实时情绪波动，实时情绪波动和抑郁状态密切相关但是不同于抑郁症程度，因为抑郁症程度测量一段长时间内患者的精神状态而非实时情绪波动；(5)现有技术不能利用EEG预测抑郁症患者的抑郁症程度随着时间的变化，也不能预测抑郁症患者随着时间变化的情绪波动；(6)现有技术没有进行严格的交叉检验。
发明内容
为解决现有技术中存在的上述问题，本发明提供一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法，采用新的建模方法和实验设计能够解决以上问题并辨识有效的基于非侵入式脑电信号的抑郁症生物标记物。
本发明提供一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法，该方法包括：
步骤1：按照预设数据采集规则获取被试的抑郁症标记物辨识用数据，所述抑郁症标记物辨识用数据包括HDRS-17分数和/或IMS分数，以及与所述HDRS-17分数和/或IMS分数对应的EEG信号；
步骤2：设计k轮交叉检验，在每轮交叉检验中，将所述抑郁症标记物辨识用数据分为训练集和测试集；
步骤3：根据所述训练集，建立低维EEG特征向量和HDRS-17分数之间的低维EEG-HDRS-17模型和/或低维EEG特征向量和IMS分数之间的低维EEG-IMS模型，以及高维EEG特征向量与低维EEG特征向量之间的高维EEG-低维EEG模型；
步骤4：利用所述高维EEG-低维EEG模型将所述测试集的高维EEG特征向量转化为低维EEG特征向量，以及根据所述测试集的低维EEG特征向量利用所述低维EEG-HDRS-17模型和/或所述低维EEG-IMS模型预测所述测试集的HDRS-17分数和/或IMS分数；
步骤5：比较预测得到的所述测试集的HDRS-17分数与真实测得的所述测试集的HDRS-17分数，和/或预测得到的所述测试集的IMS分数与真实测得的所述测试集的IMS分数，根据比较结果判断是否辨识出所述被试的抑郁症生物标记物。
进一步地，步骤1中的所述预设数据采集规则具体为：
每预设时间段内对被试进行m组EEG记录，每组EEG记录分为h个子组，每相邻两组EEG记录之间间隔d天；
在每组EEG记录之前，被试填写认知行为学评估量化表，所述认知行为学评估量化表包括汉密尔顿抑郁量表，根据所述汉密尔顿抑郁量表记录被试的HDRS-17分数；
其中，每个子组的数据采集过程为：
被试填写即时情绪量化表，根据所述即时情绪量化表记录被试的IMS分数；
在被试填写即时情绪量化表之后，采集3分钟被试的睁眼静息EEG信号和3分钟被试的闭眼静息EEG信号，然后进入下一子组。
进一步地，步骤3中的所述高维EEG-低维EEG模型的建立过程包括：
利用频域滤波和独立成分分析算法移除所述EEG信号中的非神经信号；
计算移除所述非神经信号后的所述EEG信号的高维度EEG特征向量；
对所述高维度EEG特征向量进行空间-时间降维，提取得到低维EEG特征向量。
进一步地，所述计算移除所述非神经信号后的所述EEG信号的高维度EEG特征向量具体为：
计算每个EEG通道在每个相关频带中的功率；
计算每两个EEG通道在所述相关频带中的相干性；
计算每两个EEG通道在所述相关频带中的相位振幅耦合；
将所述功率、所述相干性和所述相位振幅耦合进行组合作为所述高维度EEG特征向量。
进一步地，所述对所述高维度EEG特征向量进行空间-时间降维，提取得到低维EEG特征向量具体为：
对高维特征向量利用PCA线性变换处理后得到低维向量yt：
yt＝Pzt (1)
其中，zt表示t时刻的高维特征向量，/>P由高维特征向量协方差矩阵的对应于前ny个特征值的特征向量组成；
建立低维度状态空间模型：
其中，et是噪声；A,K,C是模型参数；xt表示提取到的低维EEG特征向量，nx<ny＜＜nz。
进一步地，步骤3中的所述低维EEG-HDRS-17模型或所述低维EEG-IMS模型为：
st＝f(xt)+εt (3)
其中，st表示t时刻的HDRS-17分数或IMS分数，xt表示t时刻的低维EEG特征向量，εt表示噪声，f表示利用机器学习算法得到的拟合函数。
进一步地，步骤5中的所述根据比较结果判断是否辨识出所述被试的抑郁症生物标记物具体为：
计算每个测试集的均方根预测误差，所述均方根预测误差包括HDRS-17分数均方根预测误差和/或IMS分数均方根预测误差；
根据k个测试集的所述均方根预测误差，进行统计测试判断是否辨识出所述被试的抑郁症生物标记物。
本发明的有益效果：
(1)通过利用频域滤波和独立成分分析算法移除EEG信号中的非神经信号，可以显著去除EEG的噪声并提取真正和抑郁症程度相关的子信号，从而有助于其抑郁症神经机理研究和其他精神疾病的标记物辨识研究；
(2)通过计算EEG信号的高维度EEG特征向量以及建立高维EEG特征向量与低维EEG特征向量之间的高维EEG-低维EEG模型，可以利用EEG信号辨识每位被试特有的抑郁症标识物并且利用交叉检验严格测试抑郁症标识物的有效性，从而提供可供临床应用的用于精准医疗的抑郁症标识物；
(3)通过设计数据采集规则，采取全新的临床试验设计，可以同时采集患者的多通道颅外脑电图信号和患者的抑郁症状态以及实时情绪波动；
(4)因为HDRS-17分数是用来反应抑郁症程度的，因此通过建立的低维EEG-HDRS-17模型预测被试的HDRS-17分数，从而根据该HDRS-17分数可以辨识可以预测随着时间的变化的抑郁症程度的抑郁症标识物，从而辅助指导抑郁症的临床治疗；
(5)因为IMS分数是用来反应情绪波动状况的，因此通过建立的低维EEG-IMS模型预测被试的IMS分数，从而根据该IMS分数可以辨识可以预测随着时间的变化的实时情绪变动的抑郁症标识物，从而为被试提供实时的情绪测控，帮助其提高生活质量。
附图说明
图1为本发明实施例提供的一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例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。
如图1所示，本发明实施例提供一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法，该方法包括以下步骤：
S101：按照预设数据采集规则获取被试的抑郁症标记物辨识用数据，所述抑郁症标记物辨识用数据包括HDRS-17分数和/或IMS分数，以及与所述HDRS-17分数和/或IMS分数对应的EEG信号；
S102：设计k轮交叉检验，在每轮交叉检验中，将所述抑郁症标记物辨识用数据分为训练集和测试集；
S103：根据所述训练集，建立低维EEG特征向量和HDRS-17分数之间的低维EEG-HDRS-17模型和/或低维EEG特征向量和IMS分数之间的低维EEG-IMS模型，以及高维EEG特征向量与低维EEG特征向量之间的高维EEG-低维EEG模型；
S104：利用所述高维EEG-低维EEG模型将所述测试集的高维EEG特征向量转化为低维EEG特征向量，以及根据所述测试集的低维EEG特征向量利用所述低维EEG-HDRS-17模型和/或所述低维EEG-IMS模型预测所述测试集的HDRS-17分数和/或IMS分数；
S105：比较预测得到的所述测试集的HDRS-17分数与真实测得的所述测试集的HDRS-17分数，和/或预测得到的所述测试集的IMS分数与真实测得的所述测试集的IMS分数，根据比较结果判断是否辨识出所述被试的抑郁症生物标记物。
本发明实施例提供的一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法，第一、可以利用EEG信号辨识每位被试特有的抑郁症标识物并且利用交叉检验严格测试抑郁症标识物的有效性，从而提供可供临床应用的用于精准医疗的抑郁症标识物；第二、因为HDRS-17分数是用来反应抑郁症程度的，因此通过建立的低维EEG-HDRS-17模型预测被试的HDRS-17分数，从而根据该HDRS-17分数可以辨识可以预测随着时间的变化的抑郁症程度的抑郁症标识物，从而辅助指导抑郁症的临床治疗；第三、因为IMS分数是用来反应情绪波动状况的，因此通过建立的低维EEG-IMS模型预测被试的IMS分数，从而根据该IMS分数可以辨识可以预测随着时间的变化的实时情绪变动的抑郁症标识物，从而为被试提供实时的情绪测控，帮助其提高生活质量。
在上述实施例的基础上，本发明实施例与上述实施例的不同之处在于，本发明实施例中，步骤S101中的所述预设数据采集规则具体为：
每预设时间段内对被试进行m组EEG记录，每组EEG记录分为h个子组，每相邻两组EEG记录之间间隔d天；在每组EEG记录之前，被试填写认知行为学评估量化表，所述认知行为学评估量化表包括汉密尔顿抑郁量表，根据所述汉密尔顿抑郁量表记录被试的HDRS-17分数；其中，每个子组的数据采集过程为：被试填写即时情绪量化表，根据所述即时情绪量化表记录被试的IMS分数；在被试填写即时情绪量化表之后，采集3分钟被试的睁眼静息EEG信号和3分钟被试的闭眼静息EEG信号，然后进入下一子组。
例如，为了确保采集到合适且足够的数据，可按照如下过程进行数据的采集：
首先，确定合适的被试，被试的选取标准可为：
(1)受试年龄在18-50岁之间；
(2)抑郁症患者；
然后，组织被试完成以下准备工作：
(1)获得书面知情同意书；
(2)记录相关的伴随药物；
(3)记录年龄、性别、饮酒史、吸烟史及民族；
(4)记录既往疾病史；
(5)记录抑郁症的时间和发病过程；
(6)进行汉密尔顿抑郁量表(Hamilton Depression Rating Scale，HDRS-17)评分以检测抑郁症程度；
(7)进行即时情绪量化表(Immediate mood scalar，IMS)评分以测得实时情绪波动；
(8)记录生命体征，心率、血压(血压：静息5分钟后测坐位血压)；
(9)空腹采取血浆样本，进行实验室检查，包括血常规和生化检查(肝肾功能、血脂、血糖)。
最后，进行数据的采集或记录：被试接受为期10周的EEG记录，具体流程为：
(1)每周进行2-3组EEG记录，每组实验一个小时，每组实验间隔2-3天；
(2)每组EEG记录之前填写HDRS-17和其他相关的认知行为学评估；
(2)患者戴上EEG帽子，准备记录多通道全脑EEG信号；
(4)每组EEG记录分为6个子组，每个子组持续10分钟。每个子组开始前填写并记录IMS分数(约需要4分钟)，之后记录3分钟睁眼静息EEG，3分钟闭眼静息EEG，然后进入下一子组。
本发明实施例提供的一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法，通过设计全新的数据采集规则采集数据，可以同时采集患者的多通道颅外脑电图信号和患者的抑郁症状态以及实时情绪波动，确保了数据的样本量和适用性，从而为后续的数据处理提供合适的数据基础。
在上述各实施例的基础上，本发明提供又一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法，抑郁症生物标记物包括可以预测随着时间的变化的抑郁症程度的抑郁症标识物和可以预测随着时间的变化的实时情绪变动的抑郁症标识物这两种标记物，二者的辨识过程类似，下面以介绍可以预测随着时间的变化的实时情绪变动的抑郁症标识物的辨识过程为例，该方法包括以下步骤：
S201：按照预设数据采集规则获取被试的抑郁症标记物辨识用数据；
例如，按照上述提及的数据采集过程，整个采集过程结束后，每位被试将有约30个HDRS-17分数和/或180个IMS分数以及对应的EEG信号。
S202：设计k轮交叉检验，在每轮交叉检验中，将所述抑郁症标记物辨识用数据分为训练集和测试集；
例如，对每位患者的IMS和EEG数据采取10轮交叉检验，每轮交叉检验用162个IMS以及对应EEG信号(3分钟睁眼静息EEG数据和3分钟闭眼静息EEG数据)作为训练集，剩余18个IMS以及EEG信号作为测试集。第k轮检查检验用第18k-17到18k这18个IMS以及EEG数据作为测试集，剩余的数据作为训练集。
S203：根据所述训练集，建立低维EEG特征向量和IMS分数之间的低维EEG-IMS模型，以及高维EEG特征向量与低维EEG特征向量之间的高维EEG-低维EEG模型；
具体地，所述高维EEG-低维EEG模型的建立过程包括：
(1)：EEG数据预处理：利用频域滤波和独立成分分析算法移除所述EEG信号中的非神经信号；
具体地，所述非神经信号包括：50Hz噪声、眨眼噪声和肌肉运动噪声等噪声信息。利用频域滤波和独立成分(Independent Component Correlation，ICA)分析技术可以显著去除EEG的噪声并提取真正和抑郁症程度相关的子信号，从而有助于其抑郁症神经机理研究和其他精神疾病的标记物辨识研究。
(2)：计算移除所述非神经信号后的所述EEG信号的高维度EEG特征向量；
具体地，本步骤具体为：利用频谱分析，计算每个EEG通道在每个相关频带中的功率；所述相关频带包括：1-3Hz(delta),3-7Hz(theta),8-12Hz(alpha),12-30Hz(beta),30-50Hz(low gamma)和50-100Hz(high gamma)；计算每两个EEG通道在所述相关频带中的相干性；计算每两个EEG通道在所述相关频带中的相位振幅耦合；将所述功率、所述相干性和所述相位振幅耦合进行组合作为所述高维度EEG特征向量。
(3)：对所述高维度EEG特征向量进行空间-时间降维，提取得到低维EEG特征向量。
具体地，利用主成分分析(principle component analysis,PCA)和低维度状态空间建模(state-space modeling)，提取低维EEG特征向量，建立高维EEG-低维EEG模型。具体为：首先，对高维特征向量利用PCA线性变换处理后得到低维向量yt：
yt＝Pzt (1)
其中，zt表示t时刻的高维特征向量，/>P由高维特征向量协方差矩阵的对应于前ny个特征值的特征向量组成；
然后，建立低维度状态空间模型：
其中，et是噪声；A,K,C是模型参数；xt表示提取到的低维EEG特征向量，nx<ny＜＜nz。
以建立所述低维EEG-IMS模型为例，可利用正则化线性回归，卷积神经网络等机器学习算法建立低维EEG-IMS模型。即：所述低维EEG-IMS模型为：
st＝f(xt)+εt (3)
其中，st表示t时刻的HDRS-17分数或IMS分数，xt表示t时刻的低维EEG特征向量，εt表示噪声，f表示利用机器学习算法(正则化线性回归，卷积神经网络等)得到的拟合函数。
S204：利用所述高维EEG-低维EEG模型将所述测试集的高维EEG特征向量转化为低维EEG特征向量，以及所述低维EEG-IMS模型预测所述测试集的IMS分数；
具体地，首先，和训练集相同的EEG预处理和高维度EEG特征向量计算；然后，利用已经在训练集上建立的高维EEG-低维EEG模型将高维度EEG特征向量转化为低维EEG特征向量；最后，利用已经在训练集上建立的低维EEG-IMS模型，根据低维EEG特征向量计算预测的IMS分数。
S205：比较预测得到的所述测试集的IMS分数与真实测得的所述测试集的IMS分数，根据比较结果判断是否辨识出所述被试的抑郁症生物标记物。
具体地，首先，计算每个测试集的IMS分数均方根预测误差；然后，根据k个测试集的所述均方根预测误差，进行统计测试判断是否辨识出所述被试的抑郁症生物标记物。
例如，对比预测的IMS分数和真实测得的IMS，计算18个IMS的均方根预测误差，采集所有十个测试集的均方根预测误差，进行统计测试判断是否辨识出可以预测随时间变化的实时情绪波动的抑郁症标记物。
类似地，在辨识可以预测随时间变化的抑郁症程度的抑郁症标记物时，可参照上述过程，与上述过程的不同之处在于：需要把IMS分数换成HDRS-17分数，以及对应的EEG数据为每组EEG记录的所有EEG数据(共3分钟/子组*6子组＝18分钟睁眼静息EEG数据和18分钟闭眼静息EEG数据)。
此外，本发明实施例还提供了一种建立抑郁症标记物和抑郁症的因果关系的方法，该方法可以促进新式抑郁症疗法的研发。具体如下：
100个患者中随机选取10个患者进行神经反馈治疗，初步研究抑郁症标记物和抑郁症的因果关系。对每一名患者，利用找到的抑郁症标记物作为反馈信号进行神经反馈治疗。脑电神经反馈治疗建立在中枢神经***的可塑性之上，它通常让患者观看自己的抑郁症标记物，实时地进行自调整(self-regulation)，重新塑造自身的脑电波模式。
10位患者继续进行4周的神经反馈治疗。每周治疗3次，每次间隔2-3天，共治疗4周(12次)。每次治疗前，记录患者IMS和HDRS-17，3分钟睁眼静息脑电和3分钟闭眼静息脑电。每次治疗结束后，再次记录IMS和3分钟睁眼静息脑电和3分钟闭眼静息脑电。
利用标准的线性、非线性相关性分析研究神经反馈治疗是否减缓抑郁症程度，并且研究神经反馈治疗是否相应改变每个患者特有的抑郁症标记物。若神经反馈治疗是统计上显著相应改变每个患者特有的抑郁症标记物，则该抑郁标记物和抑郁症之间有因果关系。
由上述内容可知，本发明可以实现以下目的：
(1)本发明可以显著去除EEG的噪声并提取真正和抑郁症程度相关的子信号，从而有助于其抑郁症神经机理研究和其他精神疾病的标记物辨识研究；
(2)可以利用EEG信号辨识每位被试特有的抑郁症标识物并且利用交叉检验严格测试抑郁症标识物的有效性，从而提供可供临床应用的用于精准医疗的抑郁症标识物；
(3)本发明通过设计数据采集规则，采取全新的临床试验设计，可以同时采集患者的多通道颅外脑电图信号和患者的抑郁症状态以及实时情绪波动；
(4)因为HDRS-17分数是用来反应抑郁症程度的，因此通过建立的低维EEG-HDRS-17模型预测被试的HDRS-17分数，从而根据该HDRS-17分数可以辨识可以预测随着时间的变化的抑郁症程度的抑郁症标识物，从而辅助指导抑郁症的临床治疗；
(5)因为IMS分数是用来反应情绪波动状况的，因此通过建立的低维EEG-IMS模型预测被试的IMS分数，从而根据该IMS分数可以辨识可以预测随着时间的变化的实时情绪变动的抑郁症标识物，从而为被试提供实时的情绪测控，帮助其提高生活质量。
(6)可以检测抑郁症标识物和抑郁症之间的因果关系，从而促进新式抑郁症疗法的研发。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法，其特征在于，包括：
步骤1：按照预设数据采集规则获取被试的抑郁症标记物辨识用数据，所述抑郁症标记物辨识用数据包括HDRS-17分数和/或IMS分数，以及与所述HDRS-17分数和/或IMS分数对应的EEG信号；所述预设数据采集规则具体为：
每预设时间段内对被试进行m组EEG记录，每组EEG记录分为h个子组，每相邻两组EEG记录之间间隔d天；
在每组EEG记录之前，被试填写认知行为学评估量化表，所述认知行为学评估量化表包括汉密尔顿抑郁量表，根据所述汉密尔顿抑郁量表记录被试的HDRS-17分数；
其中，每个子组的数据采集过程为：
被试填写即时情绪量化表，根据所述即时情绪量化表记录被试的IMS分数；
在被试填写即时情绪量化表之后，采集3分钟被试的睁眼静息EEG信号和3分钟被试的闭眼静息EEG信号，然后进入下一子组；
步骤2：设计k轮交叉检验，在每轮交叉检验中，将所述抑郁症标记物辨识用数据分为训练集和测试集；
步骤3：根据所述训练集，建立低维EEG特征向量和HDRS-17分数之间的低维EEG-HDRS-17模型和/或低维EEG特征向量和IMS分数之间的低维EEG-IMS模型，以及高维EEG特征向量与低维EEG特征向量之间的高维EEG-低维EEG模型；
其中，所述低维EEG-HDRS-17模型或所述低维EEG-IMS模型为：
st＝f(xt)+εt
其中，st表示t时刻的HDRS-17分数或IMS分数，xt表示t时刻的低维EEG特征向量，εt表示噪声，f表示利用机器学习算法得到的拟合函数；
所述高维EEG-低维EEG模型的建立过程包括：
利用频域滤波和独立成分分析算法移除所述EEG信号中的非神经信号；
计算移除所述非神经信号后的所述EEG信号的高维度EEG特征向量；
对所述高维度EEG特征向量进行空间-时间降维，提取得到低维EEG特征向量；
步骤4：利用所述高维EEG-低维EEG模型将所述测试集的高维EEG特征向量转化为低维EEG特征向量，以及根据所述测试集的低维EEG特征向量利用所述低维EEG-HDRS-17模型和/或所述低维EEG-IMS模型预测所述测试集的HDRS-17分数和/或IMS分数；
步骤5：比较预测得到的所述测试集的HDRS-17分数与真实测得的所述测试集的HDRS-17分数，和/或预测得到的所述测试集的IMS分数与真实测得的所述测试集的IMS分数，根据比较结果判断是否辨识出所述被试的抑郁症生物标记物。
2.根据权利要求1所述的方法，其特征在于，所述计算移除所述非神经信号后的所述EEG信号的高维度EEG特征向量具体为：
计算每个EEG通道在每个相关频带中的功率；
计算每两个EEG通道在所述相关频带中的相干性；
计算每两个EEG通道在所述相关频带中的相位振幅耦合；
将所述功率、所述相干性和所述相位振幅耦合进行组合作为所述高维度EEG特征向量。
3.根据权利要求1所述的方法，其特征在于，所述对所述高维度EEG特征向量进行空间-时间降维，提取得到低维EEG特征向量具体为：
对高维特征向量利用PCA线性变换处理后得到低维向量yt：
yt＝Pzt
其中，zt表示t时刻的高维特征向量，/>P由高维特征向量协方差矩阵的对应于前ny个特征值的特征向量组成；
建立低维度状态空间模型：
其中，et是噪声；A,K,C是模型参数；xt表示提取到的低维EEG特征向量，nx＜ny＜＜nz。
4.根据权利要求1所述的方法，其特征在于，步骤5中的所述根据比较结果判断是否辨识出所述被试的抑郁症生物标记物具体为：
计算每个测试集的均方根预测误差，所述均方根预测误差包括HDRS-17分数均方根预测误差和/或IMS分数均方根预测误差；
根据k个测试集的所述均方根预测误差，进行统计测试判断是否辨识出所述被试的抑郁症生物标记物。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910867073.3A CN112568912B (zh) | 2019-09-12 | 2019-09-12 | 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910867073.3A CN112568912B (zh) | 2019-09-12 | 2019-09-12 | 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112568912A CN112568912A (zh) | 2021-03-30 |
| CN112568912B true CN112568912B (zh) | 2024-05-14 |
Family
ID=75109621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910867073.3A Active CN112568912B (zh) | 2019-09-12 | 2019-09-12 | 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112568912B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114343635A (zh) * | 2021-12-06 | 2022-04-15 | 北京理工大学 | 一种基于变分相幅耦合的情绪识别方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008531158A (ja) * | 2005-03-04 | 2008-08-14 | メンティス キュラ イーエイチエフ． | 神経学的状態を評価する方法および系 |
| CN102715903A (zh) * | 2012-07-09 | 2012-10-10 | 天津市人民医院 | 基于定量脑电图的脑电特征提取方法 |
| CN102824171A (zh) * | 2012-07-16 | 2012-12-19 | 天津大学 | 脑卒中后抑郁症psd患者脑电特征提取方法 |
| WO2013147707A1 (en) * | 2012-03-30 | 2013-10-03 | Agency For Science, Technology And Research | Method for assessing the treatment of attention-deficit/hyperactivity disorder |
| WO2017016086A1 (zh) * | 2015-07-30 | 2017-02-02 | 华南理工大学 | 基于生理信息的抑郁症评估***及其评估方法 |
| CN109363670A (zh) * | 2018-11-13 | 2019-02-22 | 杭州电子科技大学 | 一种基于睡眠监测的抑郁症智能检测方法 |
| CN109549644A (zh) * | 2019-01-14 | 2019-04-02 | 陕西师范大学 | 一种基于脑电采集的人格特征匹配*** |
| CN110013250A (zh) * | 2019-04-30 | 2019-07-16 | 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 |
| CN110063732A (zh) * | 2019-04-15 | 2019-07-30 | 北京航空航天大学 | 用于精神***症早期检测和风险预测*** |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7373198B2 (en) * | 2002-07-12 | 2008-05-13 | Bionova Technologies Inc. | Method and apparatus for the estimation of anesthetic depth using wavelet analysis of the electroencephalogram |
| US20090306534A1 (en) * | 2006-04-03 | 2009-12-10 | President And Fellows Of Harvard College | Systems and methods for predicting effectiveness in the treatment of psychiatric disorders, including depression |
| WO2007143663A2 (en) * | 2006-06-05 | 2007-12-13 | The Regents Of The University Of California | Quantitative eeg method to identify individuals at risk for adverse antidepressant effects |
| US20080269632A1 (en) * | 2006-10-23 | 2008-10-30 | Lexicor Medical Technology, Llc | Systems and Methods for Analyzing and Assessing Attention Deficit Hyperactivity Disorder |
| US8244341B2 (en) * | 2007-08-23 | 2012-08-14 | Tallinn University Of Technology | Method and device for determining depressive disorders by measuring bioelectromagnetic signals of the brain |
| US20100292545A1 (en) * | 2009-05-14 | 2010-11-18 | Advanced Brain Monitoring, Inc. | Interactive psychophysiological profiler method and system |
-
2019
- 2019-09-12 CN CN201910867073.3A patent/CN112568912B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008531158A (ja) * | 2005-03-04 | 2008-08-14 | メンティス キュラ イーエイチエフ． | 神経学的状態を評価する方法および系 |
| WO2013147707A1 (en) * | 2012-03-30 | 2013-10-03 | Agency For Science, Technology And Research | Method for assessing the treatment of attention-deficit/hyperactivity disorder |
| CN102715903A (zh) * | 2012-07-09 | 2012-10-10 | 天津市人民医院 | 基于定量脑电图的脑电特征提取方法 |
| CN102824171A (zh) * | 2012-07-16 | 2012-12-19 | 天津大学 | 脑卒中后抑郁症psd患者脑电特征提取方法 |
| WO2017016086A1 (zh) * | 2015-07-30 | 2017-02-02 | 华南理工大学 | 基于生理信息的抑郁症评估***及其评估方法 |
| CN109363670A (zh) * | 2018-11-13 | 2019-02-22 | 杭州电子科技大学 | 一种基于睡眠监测的抑郁症智能检测方法 |
| CN109549644A (zh) * | 2019-01-14 | 2019-04-02 | 陕西师范大学 | 一种基于脑电采集的人格特征匹配*** |
| CN110063732A (zh) * | 2019-04-15 | 2019-07-30 | 北京航空航天大学 | 用于精神***症早期检测和风险预测*** |
| CN110013250A (zh) * | 2019-04-30 | 2019-07-16 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112568912A (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Buettner et al. | Development of a machine learning based algorithm to accurately detect schizophrenia based on one-minute EEG recordings | |
| Benussi et al. | Classification accuracy of transcranial magnetic stimulation for the diagnosis of neurodegenerative dementias | |
| Al-Qazzaz et al. | Role of EEG as biomarker in the early detection and classification of dementia | |
| Bender et al. | Persistent vegetative state and minimally conscious state: a systematic review and meta-analysis of diagnostic procedures | |
| Henderson et al. | Development and assessment of methods for detecting dementia using the human electroencephalogram | |
| Pearce et al. | Temporal changes of neocortical high-frequency oscillations in epilepsy | |
| Benussi et al. | Classification accuracy of TMS for the diagnosis of mild cognitive impairment | |
| Buettner et al. | High-performance diagnosis of sleep disorders: a novel, accurate and fast machine learning approach using electroencephalographic data | |
| US20150245800A1 (en) | Method for Detection Of An Abnormal Sleep Pattern In A Person | |
| Klotz et al. | Scalp ripples can predict development of epilepsy after first unprovoked seizure in childhood | |
| Tripathi et al. | Ensemble computational intelligent for insomnia sleep stage detection via the sleep ECG signal | |
| Baumgartl et al. | Detecting Antisocial Personality Disorder Using a Novel Machine Learning Algorithm Based on Electroencephalographic Data. | |
| Charupanit et al. | Amplitude of high frequency oscillations as a biomarker of the seizure onset zone | |
| Charupanit et al. | Detection of anomalous high‐frequency events in human intracranial EEG | |
| CN115363531A (zh) | 基于双模态脑电信号信息瓶颈的癫痫检测*** | |
| Railo et al. | Resting state EEG as a biomarker of Parkinson’s disease: Influence of measurement conditions | |
| CN112057087A (zh) | 精神***症高风险人群自主神经功能的评估方法及装置 | |
| CN112568912B (zh) | 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法 | |
| Saboo et al. | Individualized seizure cluster prediction using machine learning and chronic ambulatory intracranial EEG | |
| Schroeder et al. | Multiple mechanisms shape the relationship between pathway and duration of focal seizures | |
| Yang et al. | Management of post-stroke depression (PSD) by electroencephalography for effective rehabilitation | |
| CN112155577A (zh) | 一种社会压力检测方法、装置、计算机设备及存储介质 | |
| Tomczykiewicz et al. | Evaluation of motor unit potential wavelet analysis in the electrodiagnosis of neuromuscular disorders | |
| Ranjan et al. | A machine learning framework for automatic diagnosis of schizophrenia using EEG signals | |
| CN115670484A (zh) | 基于语言范式和眼电指标的意识障碍患者意识检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240416 Address after: Room 208, Building 1, Industrial Internet Industrial Park, Shenzhen Avenue, Jinggangshan Economic and Technological Development Zone, Ji'an City, Jiangxi Province, 343000 Applicant after: Jiangxi Shengmeng Technology Co.,Ltd. Country or region after: China Address before: 475000 villas in wenxingyuan community, Gulou District, Kaifeng City, Henan Province Applicant before: Chen Shengbo Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |