CN112617824B - 一种基于多通道fNIRS信号的***成瘾者检测*** - Google Patents

一种基于多通道fNIRS信号的***成瘾者检测*** Download PDF

Info

Publication number
CN112617824B
CN112617824B CN202011450176.9A CN202011450176A CN112617824B CN 112617824 B CN112617824 B CN 112617824B CN 202011450176 A CN202011450176 A CN 202011450176A CN 112617824 B CN112617824 B CN 112617824B
Authority
CN
China
Prior art keywords
fnirs
channel
transfer function
signal
signals
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
Application number
CN202011450176.9A
Other languages
English (en)
Other versions
CN112617824A (zh
Inventor
宋健
高军峰
魏曙光
张家琦
黎峰
韦思宏
黄伟安
曾宣威
康倩若
湛慧苗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Ruifeng Health Technology Co ltd
South Central Minzu University
Original Assignee
Nanjing Ruifeng Health Technology Co ltd
South Central University for Nationalities
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Ruifeng Health Technology Co ltd, South Central University for Nationalities filed Critical Nanjing Ruifeng Health Technology Co ltd
Priority to CN202011450176.9A priority Critical patent/CN112617824B/zh
Publication of CN112617824A publication Critical patent/CN112617824A/zh
Application granted granted Critical
Publication of CN112617824B publication Critical patent/CN112617824B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4845—Toxicology, e.g. by detection of alcohol, drug or toxic products
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Neurology (AREA)
  • Toxicology (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种基于多通道fNIRS信号的***成瘾者检测***，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵，将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。该方案基于脑神经信号，克服了传统***检测的缺点，提出了一种***检测的新型方法，大大增加了检测的有效时间，最终经过测试，检测准确率也得到了很大提高。

Description

一种基于多通道fNIRS信号的***成瘾者检测***
技术领域
本发明涉及特征检测技术领域，具体涉及一种基于多通道fNIRS信号的***成瘾者检测***。
背景技术
***于90年代进入中国境内，由于对***的认知较少且缺乏有效的检测手段，使得对吸毒者的检测难度很高。
***的主要成分为甲基***，又名去氧麻黄碱，因纯度较高的***为透明结晶体，与冰糖极为相似，所以也被称为***。过量吸食***不仅会使人产生极强的依赖性，同时会引起甲基***精神病和精神***症等症状。目前对于***(甲基***)的检测方法多为尿液与血液检测。传统的尿液与血液检测方法主要通过检测人体尿液或者血液中的成分来判断人员是否吸毒，但经过人体正常的新陈代谢，经过一段时间后尿液与血液中的成分恢复正常，便无法检测出其是否吸毒。因此传统方法仅能够检测出近期吸食过***的人员，而对于长时间未接触过***的人员则很难进行准确的检测。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于多通道fNIRS信号的***成瘾者检测方法及***，提出在***检测技术中采取多通道fNIRS采集方式，并采用有向转移函数算法，对多个通道信号之间有向转移函数的值进行分析，然后将具有显著差异的通道对有向转移函数的值作为分类特征，送入到机器学习算法中实现分类。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供一种基于多通道fNIRS信号的***成瘾者检测方法，包括以下步骤：
通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；
对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵，
将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。
进一步的，所述的预处理操作包括滤波、分割、基线校正和叠加平均。
进一步的，所述的预处理操作，具体包括：
对fNIRS信号进行滤波，滤波参数设置分别为0.03-0.1Hz带通滤波；滤波后将刺激前1s至刺激后15s的fNIRS数据作为一个epoch进行分割，称此epoch为一个S2刺激响应；以刺激前1s数据作为基线进行基线校正，接着对数据中每5个epoch进行一次叠加平均。
进一步的，所述的各个通道fNIRS信号之间有向转移函数的值的计算方法如下：
对于给定的时间滞后r，考虑一个维数为M的p阶多变量自回归过程，即同时测量M个信号x1(t)，x2(t)......xM(t)，则fNIRS信号的时域表达：
Figure GDA0003139061280000021
其中Ar是M×M阶系数矩阵，而ε(t)是具有协方差矩阵的独立高斯白噪声，M是fNIRS通道数；
通过计算功率谱密度矩阵可以得到fNIRS信号的频域表达：
S(f)＝H(f)∑HH(f) (2)
其中(.)H表示Hermitian转置，H(f)是转移函数矩阵，f表示频率；
根据公式(1)和(2)得到：
Figure GDA0003139061280000031
h(f)表示转移函数矩阵H(f)的列向量；
j通道fNIRS信号到i通道fNIRS信号的有向转移函数值DTF为：
Figure GDA0003139061280000032
式(3)中，Hij(f)是H(f)的第i行、第j列的元素，hj(f)表示H(f)的第j列向量。
进一步的，在对测试者进行测试之前还包括，对所述分类器进行训练，所述分类器的训练过程包括：
通过多通道fNIRS通道分别对成瘾和健康两类受试者的fNIRS信号进行实时提取，分别得到两类受试者的多通道fNIRS信号并保存；
对两类受试者的各个通道fNIRS信号依次进行预处理操作，得到两类受试者各个通道成瘾刺激对应的fNIRS信号；
分别对两类受试者的各个通道fNIRS信号之间有向转移函数的值进行计算，生成与两类受试者所对应的两组有向转移函数矩阵；
计算两类受试者对应的平均有向转移函数矩阵，对每个连接对的两组有向转移函数的平均值进行t-test统计检验，使用Bonferroni多重校正，得到具有显著性差异的两组有向转移函数平均值对应的邻接边；
利用两类受试者具有显著性差异的邻接边的有向转移函数值构建特征向量作为样本数据，对初始机器学习模型进行K折交叉验证，获得具有最佳参数组合的分类器。
进一步的，所述的K折交叉验证所述的K折交叉验证包括：在交叉验证的每折中，将K-1份成瘾组的样本数据和K-1份健康组的样本数据用于训练集，剩余1份成瘾组的样本数据和1份健康组的样本数据用于测试集。
进一步的，所述分类器采用Fisher分类器。
第二方面，本发明提供一种基于多通道fNIRS信号的***成瘾者检测***，包括：
信号提取模块，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；
预处理及矩阵生成模块，对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵，
分类检测模块，将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。
第三方面，本发明提供一种电子设备，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，进而实现本发明第一方面所述的一种基于多通道fNIRS信号的***成瘾者检测方法。
第四方面，一种非暂态计算机可读存储介质，该存储介质中存储有用于实现本发明第一方面所述的一种基于多通道fNIRS信号的***成瘾者检测方法。
本发明的有益效果是：
首先，fNIRS(功能性近红外光谱技术)利用血液的主要成分对600-900nm近红外光良好的散射性，从而获得大脑活动时氧合血红蛋白和脱氧血红蛋白的变化情况。现有技术中还没有出现利用fNIRS技术进行***毒瘾检测的案例。
其次，该方法在进行定量描述电活动的传播方向及其频率含量中是一种鲁棒性非常强的方法。即使是在真实信号比噪声幅值低几倍的情况下(信噪比很低的情况下)，依旧可以得出较好的信息流分析结果。相较于其他算法，该方法在面对多于两通道的多通道信号可以得到更好的分析结果。
第三，本发明提供的方法测试时间短，数据处理便捷；在检测的同时可以对***成瘾者的成瘾程度有大致的了解，方便评测***戒除的效果。
附图说明
图1为本发明实施例提供一种基于多通道fNIRS信号的***成瘾者检测方法流程图；
图2为本发明实施例提供的分类器构建方法流程图。
图3为本发明实施例提供的12折交叉验证的fNIRS信号处理流程图；
图4为本发明实施例提供的具体实验流程图；
图5为本发明实施例提供的fNIRS通道图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
由于***主要依靠影响人的中枢神经来使人产生快感从而产生对***的依赖性，因此在执行相同任务时，***成瘾者的fNIRS图信号与正常人之间存在较大差异。
实施例1
本发明实施例公开了一种基于多通道fNIRS信号有向转移函数的***检测方法，包括对两类受试者的各个通道fNIRS信号之间的有向转移函数值进行计算，生成两类受试者的有向转移函数矩阵；将具有显著差异的通道对的有向转移函数的值作为分类特征，送入到机器学习算法中，进行机器学习的模型训练，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存，并将各个通道fNIRS信号进行各个预处理操作后，对测试者的各个通道fNIRS信号之间有向转移函数值的进行计算，生成测试者的有向转移函数矩阵，并作为输入送入到训练好的分类器中，得到检测结果。该方案基于脑神经信号，克服了传统***检测的缺点，提出了一种***检测的新型方法，大大增加了检测的有效时间，最终经过测试，检测准确率也得到了很大提高。
具体的，该方法包括构建分类器和检测两部分，其中：
如图1所示，构建分类器包括以下步骤：
步骤1，构建样本集，通过多通道fNIRS通道分别对成瘾和健康两类受试者的fNIRS信号进行提取；
本实施例选取7，12，29，30，39，40共6个通道，如图5所示，这六个通道分别位于额叶和中央区域。额叶负责判断、计划、做决策、思维、记忆等高级认知活动，与智力与精神活动有密切联系；中央区域具有躯体感觉皮层，可感觉躯体信息。
本实施例选取了36名平均年龄在24.83±4.9岁左右的***成瘾女性及健康女性作为受试者。入组标准为：1)达到***依赖标准，但对其它物质没有依赖或者滥用(如***、***、***、酒精、尼古丁等)；2)没有精神疾病或脑部创伤；3)在实验前两周没有使用对精神活动有影响的药物。22位健康对照组被试与***成瘾组被试在年龄和教育程度上进行了匹配，对照组被试没有药物使用经历。
采用改良的双选择oddball实验模式，一共有3个block，每个block有100个试次，其中70个标准试次，15个成瘾偏差试次，15个对照偏差试次，标准刺激的图片为篮球图片，偏差图片***相关图片和中性图片各45张。具体实验流程见下图4，在电脑屏幕上首先呈现注视点“+”300ms,接下来呈现一个jitter刺激间隔(ISI：1000-1500ms),之后呈现目标刺激15s，要求被试对出现的篮球图片按F键，对非篮球图片按J键。
步骤2，fNIRS数据预处理：由于已经有研究证实在S2刺激时者***成瘾者与健康者的fNIRS波形有显著差异，因此本发明主要研究S2刺激对应的fNIRS信号。将连续的fNIRS波形依次进行滤波、分割、基线校正和叠加平均等操作，滤波参数设置分别为0.03-0.1Hz带通滤波。将刺激前1s至刺激后15s的fNIRS数据作为一个epoch进行分割，称此epoch为一个S2刺激响应，以刺激前1s数据作为基线进行基线校正。原始的fNIRS信号信噪比极低，为了去除噪声，本发明使用少次平均技术，将每名受试者所有通道上的每5个epoch进行一次叠加平均，得到两类受试者所需的S2刺激响应的数据集。S2刺激指目标刺激，在本实施例中特指***图片对受试者的刺激。
步骤3，特征提取：分别计算上述预处理后两类人群的S2刺激响应的数据集的有向转移函数值，生成288个6×6×30(通道数×通道数×频率)的有向转移函数矩阵，包括成瘾人群(18人)的144个6×6×30(通道数×通道数×频率)有向转移函数矩阵以及健康人群(18人)的144个6×6×30(通道数×通道数×频率)有向转移函数矩阵。本实施例中只选取6通道fNIRS信号用于分析。本实施例中是利用HERMES工具包生成的有向转移函数矩阵(方阵)，横纵轴代表选定6个通道。对每个连接对的两组有向转移函数值进行t-test统计检验，使用Bonferroni多重校正，将具有显著性差异的邻接边的有向转移函数值作为分类特征。
所述的各个通道fNIRS信号之间有向转移函数的值的计算方法如下：
对于给定的时间滞后r，考虑一个维数为M的p阶多变量自回归过程，即同时测量M个信号x1(t)，x2(t)......xM(t)，则fNIRS信号的时域表达：
Figure GDA0003139061280000081
式(1)中Ar是M×M阶系数矩阵，而ε(t)是具有协方差矩阵的独立高斯白噪声，M是fNIRS通道数；
通过计算功率谱密度矩阵可以得到fNIRS信号的频域表达：
S(f)＝H(f)∑HH(f) (2)
式(2)中(.)H表示Hermitian转置，H(f)是转移函数矩阵，f表示频率；
根据公式(1)和(2)得到：
Figure GDA0003139061280000082
h(f)表示转移函数矩阵H(f)的列向量；
则j通道fNIRS信号到i通道fNIRS信号的有向转移函数值DTF为：
Figure GDA0003139061280000083
式(3)中，Hij(f)是H(f)的第i行、第j列的元素，hj(f)表示H(f)的第j列向量。
步骤4，模式识别分类：对上述特征集进行12折交叉验证，比如如果每组是144份数据，在每折中，将每组的132个样本数据用于训练集，剩余12个样本数据用于测试集。
步骤5，机器学习的模型，选择Fisher分类器。接着将测试集送入该分类器中，依据之前的训练结果，判断出该测试数据属于成瘾人员还是健康人员以完成测试。本研究的FNIRS信号处理流程如图3所示，
分类器构建完成后，进入检测阶段，检测过程如图2所示：通过步骤1的多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存，并将各个通道fNIRS信号进行步骤2的各个预处理操作后，利用步骤3生成测试者的有向转移函数矩阵，并作为输入送入到步骤5得到的分类器中，得到检测结果。
本方案分类准确率结果见表1。
表1分类准确率结果
Figure GDA0003139061280000091
本发明独辟新径，首次提出在***检测技术中采取多通道fNIRS采集方式，并充分利用多通道信号分析及处理的最新成果技术，采用有向转移函数算法，对多个通道信号之间的相干性进行分析，然后将具有显著差异的通道对的有向转移函数值作为分类特征，送入到机器学习算法中实现分类，进而提高检测准确率。
本方案是采用了上述基于多道fNIRS信号的有向转移函数算法及机器学习的新方法，且本专利发明了一种基于少次刺激的检测***，可以减少刺激次数，大大减少试验时间，从而大大降低被测试者的疲劳程度，可以大大增加***检测的有效时间。
实施例2
本发明实施例提供一种电子设备，包括存储器和处理器，还包括一些外设，例如多个脑部电极等等，多个脑部电极与所述电子设备进行连接构成基于多通道fNIRS信号的***成瘾者检测***，该***包括：
信号提取模块，由脑部电极及其与电子设备的连接通道构成，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存至所述存储器中；
所述存储器中还存储有计算机软件程序，该软件程序被所述处理器读取并执行，用于实现本发明实施例1所公开的一种基于多通道fNIRS信号的***成瘾者检测方法。由此存储器中可以包括：
预处理及矩阵生成模块，对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵；
分类检测模块，将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。
同时还需说明的是，计算机软件程序中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多通道fNIRS信号的***成瘾者检测***，其特征在于，该***包括：
信号提取模块，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；
预处理及矩阵生成模块，对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵；
分类检测模块，将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果；
其中，所述的预处理及矩阵生成模块对各个通道fNIRS信号之间有向转移函数的值的计算方法如下：
对于给定的时间滞后r，考虑一个维数为M的p阶多变量自回归过程，即同时测量M个信号x1(t)，x2(t)……xM(t)，则fNIRS信号的时域表达：
Figure FDA0003150948460000011
式(1)中Ar是M×M阶系数矩阵，而ε(t)是具有协方差矩阵的独立高斯白噪声，M是fNIRS通道数；
通过计算功率谱密度矩阵可以得到fNIRS信号的频域表达：
S(f)＝H(f)∑HH(f) (2)
式(2)中(.)H表示Hermitian转置，H(f)是转移函数矩阵，f表示频率；
根据公式(1)和(2)得到：
Figure FDA0003150948460000012
h(f)表示构成转移函数矩阵H(f)的列向量；
则j通道fNIRS信号到i通道fNIRS信号的有向转移函数值DTF为：
Figure FDA0003150948460000021
式(3)中Hij(f)是H(f)的第i行、第j列的元素，hj(f)表示H(f)的第j列向量。
2.根据权利要求1所述的***，其特征在于，所述的预处理操作包括滤波、分割、基线校正和叠加平均。
3.根据权利要求2所述的***，其特征在于，所述的预处理操作，具体包括：
对fNIRS信号进行滤波，滤波参数设置分别为0.03-0.1Hz带通滤波；滤波后将刺激前1s至刺激后15s的fNIRS数据作为一个epoch进行分割，称此epoch为一个S2刺激响应；以刺激前1s数据作为基线进行基线校正，接着对数据中每5个epoch进行一次叠加平均。
4.根据权利要求1所述的***，其特征在于，在对测试者进行测试之前还包括，对所述分类器进行训练，所述分类器的训练过程包括：
通过多通道fNIRS通道分别对成瘾和健康两类受试者的fNIRS信号进行实时提取，分别得到两类受试者的多通道fNIRS信号并保存；
对两类受试者的各个通道fNIRS信号依次进行预处理操作，得到两类受试者各个通道成瘾刺激对应的fNIRS信号；
分别对两类受试者的各个通道fNIRS信号之间有向转移函数的值进行计算，生成与两类受试者所对应的两组有向转移函数矩阵；
计算两类受试者对应的平均有向转移函数矩阵，对每个连接对的两组有向转移函数的平均值进行t-test统计检验，使用Bonferroni多重校正，得到具有显著性差异的两组有向转移函数平均值对应的邻接边；
利用两类受试者具有显著性差异的邻接边的有向转移函数值构建特征向量作为样本数据，对初始机器学习模型进行K折交叉验证，获得具有最佳参数组合的分类器。
5.根据权利要求4所述的***，其特征在于，所述的K折交叉验证包括：在交叉验证的每折中，将K-1份成瘾组的样本数据和K-1份健康组的样本数据用于训练集，剩余1份成瘾组的样本数据和1份健康组的样本数据用于测试集。
6.根据权利要求1-5任一项所述的***，其特征在于，所述分类器采用Fisher分类器。
7.一种电子设备，其特征在于，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，实现权利要求1-6任一项所述的一种基于多通道fNIRS信号的***成瘾者检测***。
8.一种非暂态计算机可读存储介质，其特征在于，该存储介质中存储有用于实现权利要求1-6任一项所述的一种基于多通道fNIRS信号的***成瘾者检测***的计算机软件程序。
CN202011450176.9A 2020-12-09 2020-12-09 一种基于多通道fNIRS信号的***成瘾者检测*** Active CN112617824B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011450176.9A CN112617824B (zh) 2020-12-09 2020-12-09 一种基于多通道fNIRS信号的***成瘾者检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011450176.9A CN112617824B (zh) 2020-12-09 2020-12-09 一种基于多通道fNIRS信号的***成瘾者检测***

Publications (2)

Publication Number Publication Date
CN112617824A CN112617824A (zh) 2021-04-09
CN112617824B true CN112617824B (zh) 2021-10-01

Family

ID=75310022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011450176.9A Active CN112617824B (zh) 2020-12-09 2020-12-09 一种基于多通道fNIRS信号的***成瘾者检测***

Country Status (1)

Country Link
CN (1) CN112617824B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106109427A (zh) * 2016-07-19 2016-11-16 中南民族大学 一种复方伪麻美芬片在制备治疗哮喘药物中的应用
CN107106862A (zh) * 2014-07-29 2017-08-29 电路治疗公司 用于光遗传治疗的***和方法
CN107438775A (zh) * 2015-01-30 2017-12-05 特里纳米克斯股份有限公司 用于至少一个对象的光学检测的检测器
CN109444066A (zh) * 2018-10-29 2019-03-08 山东大学 基于光谱数据的模型转移方法
CN110501338A (zh) * 2019-09-29 2019-11-26 吉林省天慧大数据科技有限公司 一种基于高光谱的***、***和***的检测方法
CN110547793A (zh) * 2019-07-02 2019-12-10 上海大学 一种结合脑电与近红外的毒瘾评估方法
CN110680282A (zh) * 2019-10-09 2020-01-14 黑龙江洛唯智能科技有限公司 一种大脑暂时性异常态的检测方法、装置和***
CN111012360A (zh) * 2019-12-30 2020-04-17 中国科学院合肥物质科学研究院 一种用于戒毒人员神经***数据采集的装置及方法
CN111035840A (zh) * 2019-12-20 2020-04-21 上海大学 Vr闭环毒瘾自控力训练***
CN111714089A (zh) * 2020-06-11 2020-09-29 阿呆科技（北京）有限公司 一种基于多刺激短视频事件相关电位的毒瘾评估***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090024050A1 (en) * 2007-03-30 2009-01-22 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Computational user-health testing
US20170020442A1 (en) * 2015-07-24 2017-01-26 Johnson & Johnson Vision Care, Inc. Biomedical devices for biometric based information communication and feedback
CN106264570B (zh) * 2016-08-23 2023-09-26 北京大智商医疗器械有限公司 实时监测戒毒者心瘾状态的方法、装置及***
CN206183286U (zh) * 2016-08-23 2017-05-24 北京大智商医疗器械有限公司 实时监测戒毒者心瘾状态的可移动头戴终端及***
US20190223770A1 (en) * 2018-01-24 2019-07-25 Bela Malik Biological sample extraction and detection system

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107106862A (zh) * 2014-07-29 2017-08-29 电路治疗公司 用于光遗传治疗的***和方法
CN107438775A (zh) * 2015-01-30 2017-12-05 特里纳米克斯股份有限公司 用于至少一个对象的光学检测的检测器
CN106109427A (zh) * 2016-07-19 2016-11-16 中南民族大学 一种复方伪麻美芬片在制备治疗哮喘药物中的应用
CN109444066A (zh) * 2018-10-29 2019-03-08 山东大学 基于光谱数据的模型转移方法
CN110547793A (zh) * 2019-07-02 2019-12-10 上海大学 一种结合脑电与近红外的毒瘾评估方法
CN110501338A (zh) * 2019-09-29 2019-11-26 吉林省天慧大数据科技有限公司 一种基于高光谱的***、***和***的检测方法
CN110680282A (zh) * 2019-10-09 2020-01-14 黑龙江洛唯智能科技有限公司 一种大脑暂时性异常态的检测方法、装置和***
CN111035840A (zh) * 2019-12-20 2020-04-21 上海大学 Vr闭环毒瘾自控力训练***
CN111012360A (zh) * 2019-12-30 2020-04-17 中国科学院合肥物质科学研究院 一种用于戒毒人员神经***数据采集的装置及方法
CN111714089A (zh) * 2020-06-11 2020-09-29 阿呆科技（北京）有限公司 一种基于多刺激短视频事件相关电位的毒瘾评估***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Spatio-temporal dynamics of multimodal EEG-fNIRS signals in the loss and recovery of consciousness under sedation using midazolam and propofol;Yeom Seul-Ki,Won Dong-Ok,Chi Seong In,等;《PLOS ONE》;20171109;第12卷(第11期);全文 *
***成瘾者脑电信号的分类研究;高军峰,张家琦,韦思宏,等;《电子科技大学学报》;20201130;全文 *
用于痫样放电和脑血流响应分析的光电测控***设计;张程;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20190415;全文 *
近红外光谱术用于人脑光神经信号检测的可行性研究;孙白雷;《中国博士学位论文全文数据库工程科技Ⅰ辑》;20150715;全文 *

Also Published As

Publication number Publication date
CN112617824A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
Kachenoura et al. ICA: a potential tool for BCI systems
CN102573619B (zh) 用于生成注意力水平表示的设备和方法
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及***
Li et al. Multi-modal bioelectrical signal fusion analysis based on different acquisition devices and scene settings: Overview, challenges, and novel orientation
CN107811626A (zh) 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN111783942B (zh) 一种基于卷积循环神经网络的脑认知过程模拟方法
CN111714118B (zh) 一种基于集成学习的脑认知模型融合方法
Kong et al. EEG fingerprints: phase synchronization of EEG signals as biomarker for subject identification
KR20150076167A (ko) 감각 및 인지 프로파일링을 위한 시스템 및 방법
CN111329474A (zh) 基于深度学习的脑电身份识别方法、***及信息更新方法
CN111091074A (zh) 最优区域共空间模式的运动想象脑电信号分类方法
Zhang et al. Dwt‐net: Seizure detection system with structured eeg montage and multiple feature extractor in convolution neural network
CN111616702A (zh) 一种基于认知负荷增强的测谎分析***
CN114081505A (zh) 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法
CN116595437B (zh) 零校准迁移学习分类模型的训练方法、设备和存储介质
CN112617824B (zh) 一种基于多通道fNIRS信号的***成瘾者检测***
CN111671421A (zh) 一种基于脑电图的儿童需求感知方法
CN112560931B (zh) 一种基于多通道fNIRS信号的***成瘾者检测方法及***
CN112861629B (zh) 一种多窗口判别典型模式匹配方法及脑-机接口应用
Vidhusha et al. Cognitive attention in autism using virtual reality learning tool
CN112545503B (zh) 一种基于多通道fNIRS信号的***成瘾者检测方法及***
Buscema et al. The Implicit Function as Squashing Time Model: A Novel Parallel Nonlinear EEG Analysis Technique Distinguishing Mild Cognitive Impairment and Alzheimer′ s Disease Subjects with High Degree of Accuracy
CN114601474A (zh) 一种运动想象迁移学习的源域样本筛选方法
Abdullah et al. EEG Emotion Detection Using Multi-Model Classification
Çelik et al. Classification of evoked potentials of familiar and unfamiliar face stimuli using multi-resolution approximation based on excitatory post-synaptic potential waveform

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Song Jian

Inventor after: Zhan Huimiao

Inventor after: Gao Junfeng

Inventor after: Wei Shuguang

Inventor after: Zhang Jiaqi

Inventor after: Li Feng

Inventor after: Wei Sihong

Inventor after: Huang Weian

Inventor after: Zeng Xuanwei

Inventor after: Kang Qianruo

Inventor before: Gao Junfeng

Inventor before: Zhan Huimiao

Inventor before: Zhang Jiaqi

Inventor before: Song Jian

Inventor before: Wei Shuguang

Inventor before: Li Feng

Inventor before: Wei Sihong

Inventor before: Huang Weian

Inventor before: Zeng Xuanwei

Inventor before: Kang Qianruo

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210913

Address after: 210000 Room 102, building 1, 399 Xiongzhou South Road, Longchi street, Liuhe District, Nanjing City, Jiangsu Province

Applicant after: Nanjing Ruifeng Health Technology Co.,Ltd.

Applicant after: SOUTH CENTRAL University FOR NATIONALITIES

Address before: 430000, No. 708, 823, Minzu Avenue, Hongshan District, Wuhan City, Hubei Province

Applicant before: SOUTH CENTRAL University FOR NATIONALITIES

GR01 Patent grant
GR01 Patent grant