CN114081494A - 一种基于大脑外侧缰核信号的抑郁状态检测*** - Google Patents
一种基于大脑外侧缰核信号的抑郁状态检测*** Download PDFInfo
- Publication number
- CN114081494A CN114081494A CN202210076261.6A CN202210076261A CN114081494A CN 114081494 A CN114081494 A CN 114081494A CN 202210076261 A CN202210076261 A CN 202210076261A CN 114081494 A CN114081494 A CN 114081494A
- Authority
- CN
- China
- Prior art keywords
- depression
- band
- signal
- reins
- local field
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—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
- A61B5/25—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]
- A61B5/293—Invasive
-
- 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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于大脑外侧缰核信号的抑郁状态检测***,包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序,计算机存储器中存有训练好的抑郁状态检测模型,抑郁状态检测模型使用多组不同种类的弱分类器构建而成,每个弱分类器从训练集与测试集中构建的子特征空间中选取部分特征值进行训练;计算机处理器执行计算机程序时实现以下步骤:获取大脑外侧缰核信号,输入到训练好的检测模型后,提取每个时间片的高维度特征向量,对每个弱分类器推断的抑郁与非抑郁标签进行统计,采用多数表决制生成每个时间片对应的预测标签。本发明可以提高检测精度,对抑郁症的临床诊断、评估和治疗具有重要意义。
Description
技术领域
本发明涉及脑电信号处理领域,尤其是涉及一种基于大脑外侧缰核信号的抑郁状态检测***。
背景技术
当前抑郁症患病人群越来越多,其中10%-30%患者因传统治疗方式无效或者效果欠佳而发展成为难治性抑郁症。基于脑机接口的大脑闭环调控技术有望为难治性抑郁患者带来新的治疗手段。该技术的重要一环是基于脑信号的抑郁状态检测,当检测到抑郁状态发生时触发治疗电刺激脑调控,达到抑郁症缓解和治疗效果。
公开号为CN110960233A的中国专利文献公开了一种基于脑电的抑郁状态检测方法及***,通过采集偶数集导联左、右脑的脑电信号,计算(1)左右脑脑电的Alpha波及其他波段的功率谱差值的时间信息和数值信息,(2)左右脑脑电的Alpha波及其他波段的样本熵差值的时间信息和数值信息,使用这两类信息来确定偏侧性指标和抑郁状态,并构建了一套由采集脑电数据的信号采集设备,数据去噪、分析上述两类信息提取的软硬件模块构成的抑郁状态检测***,从而客观量化分析人体抑郁状态。但是,该方法计算大脑前额叶左右半脑功率谱差值信息和特定波段样本熵差值信息,确定偏侧性指标和抑郁状态,选用的特征较为单一,很难全面衡量抑郁状态,容易出现误分类的情况。
公开号为 CN112617833A的中国专利文献公开了一种基于静息态脑电波检测抑郁症的装置,通过采集62个脑电通道并提取各频带(Delta、Theta、Alpha1、Alpha2、Beta、Gamma波段)上的线性与非线性特征以及功率谱特征;使用包含基于树的特征选择模型及L1范数特征选择模型在内的特征选择装置,选取具有显著性的通道特征作为训练所述预测模型的特征;选用KNN,支持向量机、随机森林、逻辑回归在内的机器学习模型对特征及对应的标签进行训练;将待检测体检测结果进行反馈显示。但是,该装置使用脑电帽采集头皮脑电,属于非侵入式信号采集方式,信号源定位不准确,且伪迹较多,信号质量不如侵入式信号采集方式,导致在信号处理过程中很难去除噪声和伪迹的影响,进而直接影响分类准确率;且在模型训练过程中使用多种分类器分别进行训练,取测试效果最优者作为最终的分类器,单一模型无法有效捕捉多通道脑电特征的内在联系,进而无法有效提升分类正确率。
发明内容
本发明提供了一种基于大脑外侧缰核信号的抑郁状态检测***,旨在为基于闭环脑机接口调控的抑郁治疗技术提供抑郁状态指征,检测精度高,对于抑郁症的临床诊断、评估和治疗具有重要意义。
一种基于大脑外侧缰核信号的抑郁状态检测***,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机存储器中存有训练好的抑郁状态检测模型,所述抑郁状态检测模型的训练过程如下:
(1)获取同一抑郁对象的两组大脑外侧缰核信号数据,每组数据包含一个负样本数据段和一个正样本数据段;
其中,负样本数据为抑郁状态,正样本数据为非抑郁状态,每组数据中的数据段包含相同的多个局部场电位(LFP)通道和锋电位(Spike)通道数据,两组数据中选取一组数据作为初始训练集,另一组为初始测试集;
(2)计算训练集中各个锋电位通道在正样本数据段和负样本数据段中的簇状放电数量的比值大小,选取比值小于固定阈值的锋电位通道对应的电极通道编号;根据选取的电极通道编号,从初始训练集与初始测试集分别选出对应通道编号的局部场电位通道数据,分别记为筛选后的训练集X与测试集Y;
(3)通过滑动时间窗,将训练集X与测试集Y中局部场电位通道的正负样本数据段划分为连续时间若干时间片;
(4)提取步骤(3)训练集X与测试集中局部场电位通道的每个时间片,提取功率谱、功率谱熵、相-幅耦合、样本熵、樋口分形维数,分别构成对应的特征向量,并将这些特征向量拼接组成一个高维度特征向量,代表当前时间片对应的特征向量,高维度特征向量的维度为k;设时间片数为n,每个数据段将得到一个n*k的特征矩阵;
(5)基于方差分析的方法从维度为k的高维度特征向量中选取s个特征值,构建子特征空间;
(6)使用多组不同种类的弱分类器构建一个抑郁状态检测模型,每个弱分类器独立且随机从步骤(5)中生成的子特征空间中选取部分特征值进行训练;
所述计算机处理器执行所述计算机程序时实现以下步骤:获取待检测的大脑外侧缰核信号,输入到训练好的抑郁状态检测模型后,提取每个时间片的高维度特征向量,对每个弱分类器推断的抑郁与非抑郁标签进行统计,采用多数表决制生成每个时间片对应的预测标签。
优选地,步骤(1)中,负样本数据段和正样本数据段的记录时长均为500秒,采样率为1KHz。
优选地,步骤(3)中,在进行划分前,首先对各个局部场电位通道的正负样本数据段进行工频滤波处理,过滤工频噪声,然后将工频滤波后的信号进行带通滤波,得到滤波后的局部场电位信号。
进一步地,步骤(4)中,所述的功率谱通过对信号进行傅里叶变换后求平方得到。
优选地,在每个时间片中,提取0.5~4Hz的Delta波段、4~8Hz的Theta波段、8~13Hz的Alpha波段、13~30Hz 的Beta波段、30~70Hz 的Gamma波段、70~150Hz的High Gamma波段共六个频段的功率谱;每个时间片中每个局部场电位通道获得六个功率谱特征。
步骤(4)中,所述功率谱熵的提取过程为:
步骤(6)中,使用支持向量机、逻辑斯蒂回归和多层感知机这三个弱分类器构建一个集成的抑郁状态检测模型。
与现有技术相比,本发明具有以下有益效果:
1、现有研究认为大脑外侧缰核组织的异常放电与抑郁症发作是密切相关的,所以该区域局部场电位与锋电位信号可以用于抑郁症分类。本发明中原始信号使用侵入式电极采集得到,各类噪声干扰较少,便于信号分析与提取特征,侵入式电极被植入脑区后可以在较长时间段内稳定获取局部场电位信号,结合本发明中提出的分类模型,可以实现抑郁状态实时检测与分析。
2、本发明通过分析比较锋电位簇状放电情况选取分类所用局部场电位通道,可以有效提升分类正确率。
3、本发明选用多种线性与非线性局部场电位特征,多维度捕捉局部场电位信号的时空特征,有效提升分类的正确率,降低误分类概率。
4、本发明随机选取多维特征、选用多种类分类器构建基于投票机制的分类模型,可以提升分类器鲁棒性;模型训练较为简单,无需进行多轮反复最优化参数搜索;模型训练评价指标F1-Score和ROC_AUC较单一模型测试结果有一定程度增长。
附图说明
图1为本发明实施例中外侧缰核区域脑电信号通道选择与预处理、特征提取、模型训练与测试三阶段的流程示意图。
图2为本发明实施例中抑郁状态检测模型的结构示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
本实例使用C57BL/6小鼠经抑郁造模得到抑郁小鼠模型。原始脑电信号采用Plexon Inc公司的记录设备,原始信号包含16个通道,采样率为40KHz。将16根电极植入C57BL/6小鼠外侧缰核部位,一个原始信号通道可以分离出零至多个锋电位通道信号与一个局部场电位通道信号;锋电位通道信号使用Plexon Offline Sorter软件得到SpikeSort序列;局部场电位通道信号由原始脑电信号低通滤波至500Hz然后以1KHz采样率进行重采样得到;两者最终合并保存为.mat格式文件,以上为原始数据预处理步骤。间隔多日分两次给小鼠注射短效抗抑郁药物,分别记录注射前10~15分钟与注射药物后240分钟小鼠的脑电数据,经预处理及专家标注方式筛选出两组注射药物前后的脑电数据(选取两次记录信号均无明显噪声的通道,注射药物前为负样本数据,注射药物后为正样本数据,负样本数据时长500秒,正样本数据时长500秒)。将两次注射药物可获得两组正负样本数据,随机选取一组数据集作为训练集,另一组数据集作为测试集。
一种基于大脑外侧缰核信号的抑郁状态检测***,包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序,计算机存储器中存有训练好的抑郁状态检测模型。
如图1所示,抑郁状态检测模型的训练过程如下:
(1)获取同一抑郁模型小鼠两组数据,每组数据包含一个负样本数据段与一个正样本数据段(抑郁状态为负样本数据,非抑郁状态为正样本数据,每组数据中数据段包含相同的多个局部场电位通道和锋电位通道数据);两组数据中选取一组数据作为训练集,另一组为测试集。
训练集与测试集各自拥有一段正样本数据段和一段负样本数据段,正负样本数据段记录时长均为500秒,采样率为1KHz,包含经过专家预处理与挑选的多组锋电位通道时间戳序列和局部场电位连续电压信号。
(2)计算步骤(1)中训练集的各个锋电位通道在正负样本中的簇状放电数量的比值大小,选取比值小于固定阈值的锋电位通道对应的电极通道编号;根据所选取电极通道编号,从步骤(1)中训练集与测试集分别选出对应通道编号的局部场电位通道数据,分别记为训练集X与测试集Y。
具体操作流程为计算训练集中各个锋电位通道在正负样本(时长均为500秒)的锋电位簇状放电数量,计算正样本中簇状放电个数与负样本中簇状放电个数比值,选出比值小于固定阈值的电极通道编号。
(3)通过滑动时间窗,将步骤(2)训练集X与测试集Y中局部场电位通道的正负样本数据段划分为连续时间若干时间片。
具体来说,首先对各个局部场电位通道正负样本信号进行带陷滤波处理,过滤工频噪声(50Hz及其倍频),然后将工频滤波后的信号带通滤波(0.5~250Hz)得到滤波后的局部场电位信号。然后将滤波后的局部场电位信号(正负样本时长均为500秒)以长度为50秒,步长为25秒的滑动时间窗进行分割,得到若干段长度为50秒的时间片并标记为正样本或负样本时间片。因此,数据集X与数据集Y各自包含19个正样本时间片和19个负样本时间片,每个时间片包含多个局部场电位通道信号。
(4)提取步骤(3)中训练与测试数据集中局部场电位通道的每个时间片,提取功率谱、功率谱熵、相-幅耦合、样本熵、樋口分形维数,分别构成对应的特征向量,并将这些特征向量拼接组成一个高维度特征向量,代表当前时间片对应的特征向量,高维度特征向量的维度为k;设时间片数为n,每个数据段将得到一个n*k的特征矩阵。
(4-1)功率谱特征:功率谱反应了脑电信号的功率随频率的变化。功率谱通过对信号进行傅里叶变换,然后求平方得到。其中对于包含N个点的信号s,傅立叶变换公式为:
本实施例中,取Delta波段(0.5~4Hz)、Theta波段(4~8Hz)、Alpha波段(8~13Hz)、Beta波段(13~30Hz)、Gamma波段(30~70Hz)、High Gamma波段(70~150Hz)共六个频段的功率谱特征。每个时间片中每个局部场电位通道可获得六个功率谱特征可组成一个功率谱特征向量,多个局部场电位通道的功率谱特征向量按照电极通道编号顺序从小到大依次拼接成一个功率谱特征向量。
根据香农信息熵公式计算经归一化处理后功率谱的熵值:
一个时间片内单个局部场电位通道的功率谱熵为一个标量值,故将各个局部场电位通道的功率谱熵按照电极通道编号从小到大依次拼接成个功率谱熵特征向量。
(4-3)相-幅耦合特征:相-幅耦合特征反映局部场电位信号中高频信号分量的振幅被低频信号分量相位调制的程度大小。首先通过带通滤波方式从原始局部场电位信号中得到特定低频波段的时域信号 与特定高频波段的时域信号 ;然后通过希尔伯特变换获得 的相位信息 ,最后通过希尔伯特变换获得的振幅包络 ,将相位序列与振幅包络 序列组合成一组时间序列 ,, 为序列长度。
下面是三个步骤的总过程:
选择相位频率范围为Theta波段(4~8Hz),幅值频率范围为Gamma波段(30~70Hz)为计算参数,依次计算单个时间片中多个局部场电位通道的相-幅耦合值,按照上述功率谱熵特征值拼接方法得到一个相-幅耦合向量。
(4-4)样本熵特征:样本熵是近似熵的一个改进算法,用于评估脑电时间序列信号的复杂程度,计算公式如下:
最后,样本熵可由如下公式计算获得:
本实例中将每个50秒长时间片的时间片(默认不进行滤波处理,亦可选择对特定波段进行带通滤波,如Gamma波段)使用窗长为5秒,步长为2.5秒的滑动窗口方式,划分成19个子时间片,分别计算这19个子时间片样本熵,(m值取3,g值取0.2),最后求取均值作为该时间片中单个局部场电位通道的样本熵值。按照上述功率谱熵特征值拼接方法得到一个样本熵向量。
(4-5)樋口分形维数(HFD)特征:HFD用于计算时间序列信号的分形维度。其计算过程如下所示:
本实例中将每个50秒长时间片的时间片(默认不进行滤波处理,亦可选择对特定波段进行带通滤波,如Gamma波段)使用窗长为5秒,步长为2.5秒的滑动窗口方式,划分成19个子时间片,分别计算这19个子时间片樋口分形维数(k值取32),最后求取均值作为该时间片中单个局部场电位通道的樋口分形维数。按照上述功率谱熵特征值拼接方法得到一个樋口分形维数向量。
因此,本实例中训练集或测试集中包含一正一负共两个数据段,每个数据段包含19个时间片,每个时间片中的单通道局部场电位信号包含以上5类特征共10个特征值。假设步骤(2)中选取了10个电极通道,则每个数据段的特征矩阵的维度为19*100。
(5)使用统计假设检验的方法检验步骤(4)中训练集各个时间片提取的特征项是否在不同标签之间存在显著性差异,计算每个特征值的卡方检验P值,如 (s为原有特征项个数)。将其进行升序排序,得到P值序列,依次选取对应的特征项,构建训练集子特征矩阵,其维数为,N代表时间片个数,t代表特征项个数;训练集中同样按照P值序列,依次选取对应的特征项,构建测试集子特征矩阵 。
(6)使用多组不同种类的弱分类器构建抑郁状态检测模型,每个弱分类器独立且随机从步骤(5)中生成的子特征空间中选取部分特征值进行训练。模型推断阶段,对于每个时间片提取的高维度特征向量各个弱分类器独立生成预测标签(抑郁与非抑郁标签),然后采用多数表决制生成该时间片对应的预测标签,如图2所示。
测试集验证阶段,每个实例模型按照其保存的q个特征项编号从步骤(6)中测试集子特征向量中选取q个对应的特征项,将其送入实例模型中进行分类预测(抑郁标签与非抑郁标签)。最终,这15个实例模型分类预测结果按多数表决制的方式输出分类预测标签,即 为非抑郁标签,否则为抑郁标签,为实例模型预测标签结果,0为抑郁标签,1为非抑郁标签。
本实例选用两个数据集(分别是数据集X与数据集Y),每个数据集中包含19个抑郁时间片(标记为负样本)与19个非抑郁时间片(标记为正样本)。通过步骤(5)选取40个特征项目,然后步骤(6)中每个弱分类器再独立且随机从上述40个特征项中随机选取20个特征项,每个弱分类器初始参数随机初始化,训练轮数与学习率等超参数保持固定不变,使用一个数据集进行训练,另一个数据集进行测试的F1-Score分值( )结果如下(共进行200轮训练-测试),下表1是未使用步骤(2)进行局部场电位通道选择的结果,下表2是使用步骤(2)进行局部场电位通道选择的结果。
表1
表2
从上述测试结果可知,使用步骤(2)筛选局部场电位通道可以显著提升抑郁状态分类正确率。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于大脑外侧缰核信号的抑郁状态检测***,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机存储器中存有训练好的抑郁状态检测模型,所述抑郁状态检测模型的训练过程如下:
(1)获取同一抑郁对象的两组大脑外侧缰核信号数据,每组数据包含一个负样本数据段和一个正样本数据段;
其中,负样本数据为抑郁状态,正样本数据为非抑郁状态,每组数据中的数据段包含相同的多个局部场电位通道和锋电位通道数据,两组数据中选取一组数据作为初始训练集,另一组为初始测试集;
(2)计算训练集中各个锋电位通道在正样本数据段和负样本数据段中的簇状放电数量的比值大小,选取比值小于固定阈值的锋电位通道对应的电极通道编号;根据选取的电极通道编号,从初始训练集与初始测试集分别选出对应通道编号的局部场电位通道数据,分别记为筛选后的训练集X与测试集Y;
(3)通过滑动时间窗,将训练集X与测试集Y中局部场电位通道的正负样本数据段划分为连续时间若干时间片;
(4)提取步骤(3)训练集X与测试集中局部场电位通道的每个时间片,提取功率谱、功率谱熵、相-幅耦合、样本熵、樋口分形维数,分别构成对应的特征向量,并将这些特征向量拼接组成一个高维度特征向量,代表当前时间片对应的特征向量,高维度特征向量的维度为k;设时间片数为n,每个数据段将得到一个n*k的特征矩阵;
(5)基于方差分析的方法从维度为k的高维度特征向量中选取s个特征值,构建子特征空间;
(6)使用多组不同种类的弱分类器构建一个抑郁状态检测模型,每个弱分类器独立且随机从步骤(5)中生成的子特征空间中选取部分特征值进行训练;
所述计算机处理器执行所述计算机程序时实现以下步骤:获取待检测的大脑外侧缰核信号,输入到训练好的抑郁状态检测模型后,提取每个时间片的高维度特征向量,对每个弱分类器推断的抑郁与非抑郁标签进行统计,采用多数表决制生成每个时间片对应的预测标签。
2.根据权利要求1所述的基于大脑外侧缰核信号的抑郁状态检测***,其特征在于,步骤(4)中,所述的功率谱通过对信号进行傅里叶变换后求平方得到。
3.根据权利要求2所述的基于大脑外侧缰核信号的抑郁状态检测***,其特征在于,在每个时间片中,提取0.5~4Hz的Delta波段、4~8Hz的Theta波段、8~13Hz的Alpha波段、13~30Hz 的Beta波段、30~70Hz 的Gamma波段、70~150Hz的High Gamma波段共六个频段的功率谱;每个时间片中每个局部场电位通道获得六个功率谱特征。
5.根据权利要求1所述的基于大脑外侧缰核信号的抑郁状态检测***,其特征在于,步骤(4)中,所述相-幅耦合的提取过程为:
首先通过带通滤波方式从原始局部场电位信号 中得到特定低频波段的时域信号 与特定高频波段的时域信号 ;然后通过希尔伯特变换获得 的相位信息 ;最后通过希尔伯特变换获得的振幅包络,将相位序列与振幅包络序列组合成一组时间序列 , ,为序列长度;
其中:
最终计算得到相-幅耦合值:
选择相位频率范围为4~8Hz 的Theta波段,幅值频率范围为30~70Hz的Gamma波段为计算参数,依次计算单个时间片中多个局部场电位通道的相-幅耦合值。
6.根据权利要求1所述的基于大脑外侧缰核信号的抑郁状态检测***,其特征在于,步骤(6)中,使用支持向量机、逻辑斯蒂回归和多层感知机这三个弱分类器构建一个集成的抑郁状态检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076261.6A CN114081494B (zh) | 2022-01-21 | 2022-01-21 | 一种基于大脑外侧缰核信号的抑郁状态检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076261.6A CN114081494B (zh) | 2022-01-21 | 2022-01-21 | 一种基于大脑外侧缰核信号的抑郁状态检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114081494A true CN114081494A (zh) | 2022-02-25 |
CN114081494B CN114081494B (zh) | 2022-05-06 |
Family
ID=80309170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210076261.6A Active CN114081494B (zh) | 2022-01-21 | 2022-01-21 | 一种基于大脑外侧缰核信号的抑郁状态检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114081494B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925734A (zh) * | 2022-07-20 | 2022-08-19 | 浙江大学 | 一种基于神经拟态计算的在线神经元分类方法 |
CN115381467A (zh) * | 2022-10-31 | 2022-11-25 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102172326A (zh) * | 2011-01-24 | 2011-09-07 | 北京航空航天大学 | 基于非线性能量运算的脑电峰电位检测电路及其构造方法 |
CN102247137A (zh) * | 2010-05-19 | 2011-11-23 | 中国科学院电子学研究所 | 基于微电极阵列的多通道神经信息检测*** |
US20170238858A1 (en) * | 2015-07-30 | 2017-08-24 | South China University Of Technology | Depression assessment system and depression assessment method based on physiological information |
CN107157477A (zh) * | 2017-05-24 | 2017-09-15 | 上海交通大学 | 脑电信号特征识别***及方法 |
CN108427929A (zh) * | 2018-03-19 | 2018-08-21 | 兰州大学 | 一种基于静息态脑网络的抑郁识别分析*** |
CN109157231A (zh) * | 2018-10-24 | 2019-01-08 | 阿呆科技(北京)有限公司 | 基于情绪刺激任务的便携式多通道抑郁倾向评估*** |
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 |
US20190059769A1 (en) * | 2016-03-04 | 2019-02-28 | Brainsview Inc. | System, process, and devices for real-time brain monitoring |
CN109770897A (zh) * | 2019-03-11 | 2019-05-21 | 华南师范大学 | 一种脑电棘波的处理识别方法及装置 |
US20200008725A1 (en) * | 2018-07-05 | 2020-01-09 | Platypus Institute | Identifying and strengthening physiological/neurophysiological states predictive of superior performance |
CN110881975A (zh) * | 2019-12-24 | 2020-03-17 | 山东中科先进技术研究院有限公司 | 一种基于脑电信号的情感识别方法及*** |
CN111310570A (zh) * | 2020-01-16 | 2020-06-19 | 山东师范大学 | 一种基于vmd和wpd的脑电信号情感识别方法及*** |
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 |
CH716863A2 (de) * | 2019-11-22 | 2021-05-31 | Univ Lanzhou | Depressionserkennungssystem basierend auf einer unter Verwendung von Trainingssätzen getroffenen Kanalauswahl von Mehrkanal-Elektroenzephalographie. |
CN112932502A (zh) * | 2021-02-02 | 2021-06-11 | 杭州电子科技大学 | 结合互信息通道选择与混合神经网络的脑电情感识别方法 |
CN113100781A (zh) * | 2021-04-09 | 2021-07-13 | 浙江象立医疗科技有限公司 | 基于脑电耦合关系的术中伤害刺激反应性监测***及方法 |
-
2022
- 2022-01-21 CN CN202210076261.6A patent/CN114081494B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102247137A (zh) * | 2010-05-19 | 2011-11-23 | 中国科学院电子学研究所 | 基于微电极阵列的多通道神经信息检测*** |
CN102172326A (zh) * | 2011-01-24 | 2011-09-07 | 北京航空航天大学 | 基于非线性能量运算的脑电峰电位检测电路及其构造方法 |
US20170238858A1 (en) * | 2015-07-30 | 2017-08-24 | South China University Of Technology | Depression assessment system and depression assessment method based on physiological information |
US20190059769A1 (en) * | 2016-03-04 | 2019-02-28 | Brainsview Inc. | System, process, and devices for real-time brain monitoring |
CN107157477A (zh) * | 2017-05-24 | 2017-09-15 | 上海交通大学 | 脑电信号特征识别***及方法 |
CN108427929A (zh) * | 2018-03-19 | 2018-08-21 | 兰州大学 | 一种基于静息态脑网络的抑郁识别分析*** |
US20200008725A1 (en) * | 2018-07-05 | 2020-01-09 | Platypus Institute | Identifying and strengthening physiological/neurophysiological states predictive of superior performance |
CN109157231A (zh) * | 2018-10-24 | 2019-01-08 | 阿呆科技(北京)有限公司 | 基于情绪刺激任务的便携式多通道抑郁倾向评估*** |
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 |
CN109770897A (zh) * | 2019-03-11 | 2019-05-21 | 华南师范大学 | 一种脑电棘波的处理识别方法及装置 |
CH716863A2 (de) * | 2019-11-22 | 2021-05-31 | Univ Lanzhou | Depressionserkennungssystem basierend auf einer unter Verwendung von Trainingssätzen getroffenen Kanalauswahl von Mehrkanal-Elektroenzephalographie. |
CN110881975A (zh) * | 2019-12-24 | 2020-03-17 | 山东中科先进技术研究院有限公司 | 一种基于脑电信号的情感识别方法及*** |
CN111310570A (zh) * | 2020-01-16 | 2020-06-19 | 山东师范大学 | 一种基于vmd和wpd的脑电信号情感识别方法及*** |
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 |
CN112932502A (zh) * | 2021-02-02 | 2021-06-11 | 杭州电子科技大学 | 结合互信息通道选择与混合神经网络的脑电情感识别方法 |
CN113100781A (zh) * | 2021-04-09 | 2021-07-13 | 浙江象立医疗科技有限公司 | 基于脑电耦合关系的术中伤害刺激反应性监测***及方法 |
Non-Patent Citations (7)
Title |
---|
JIAN SHEN: "An Optimal Channel Selection for EEG-Based Depression Detection via Kernel-Target Alignment", 《 IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS 》 * |
RUI WANG: "Depression Analysis and Recognition based on Functional Near-infrared Spectroscopy", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 * |
TORT 等: "Measuring Phase-Amplitude Coupling Between Neuronal Oscillations of Different Frequencies", 《JOURNAL OF NEUROPHYSIOLOGY》 * |
姚舜等: "局部场电位和微分特性影响下神经元网络发放锋电位的检测", 《计算机与数字工程》 * |
王韬: "抑郁症的大脑灰质结构及网络拓扑研究", 《中国博士学位论文全文数据库(医药卫生科技辑)》 * |
祈玉: "基于脑电的癫痫预警及预警—抑制诊疗***关键技术研究", 《中国博士学位论文全文数据库(医药卫生科技辑)》 * |
陆军: "焦虑状态内侧前额叶皮层LFP网络功能连接研究", 《中国优秀硕士学位论文全文数据库(医药卫生科技辑)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925734A (zh) * | 2022-07-20 | 2022-08-19 | 浙江大学 | 一种基于神经拟态计算的在线神经元分类方法 |
CN114925734B (zh) * | 2022-07-20 | 2022-11-25 | 浙江大学 | 一种基于神经拟态计算的在线神经元分类方法 |
CN115381467A (zh) * | 2022-10-31 | 2022-11-25 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
CN115381467B (zh) * | 2022-10-31 | 2023-03-10 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114081494B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khare et al. | SPWVD-CNN for automated detection of schizophrenia patients using EEG signals | |
Jiang et al. | Robust sleep stage classification with single-channel EEG signals using multimodal decomposition and HMM-based refinement | |
Wang et al. | Detection analysis of epileptic EEG using a novel random forest model combined with grid search optimization | |
Samiee et al. | Epileptic seizure detection in long-term EEG records using sparse rational decomposition and local Gabor binary patterns feature extraction | |
CN114081494B (zh) | 一种基于大脑外侧缰核信号的抑郁状态检测*** | |
CN111956221B (zh) | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 | |
Sharanreddy et al. | EEG signal classification for epilepsy seizure detection using improved approximate entropy | |
CN110598676B (zh) | 基于置信度得分模型的深度学习手势肌电信号识别方法 | |
Bagheri et al. | A fast machine learning approach to facilitate the detection of interictal epileptiform discharges in the scalp electroencephalogram | |
Torres-Castillo et al. | Neuromuscular disorders detection through time-frequency analysis and classification of multi-muscular EMG signals using Hilbert-Huang transform | |
Jadhav et al. | Automated sleep stage scoring using time-frequency spectra convolution neural network | |
Jain et al. | Reliable sleep staging of unseen subjects with fusion of multiple EEG features and RUSBoost | |
Singhal et al. | Detection of alcoholism using EEG signals and a CNN-LSTM-ATTN network | |
Wijayanto et al. | Seizure detection based on EEG signals using katz fractal and SVM classifiers | |
Zhang et al. | Patient-specific seizure prediction from scalp EEG using vision transformer | |
Wong et al. | Detection of high-frequency oscillations in electroencephalography: A scoping review and an adaptable open-source framework | |
Bakheet et al. | Linear and nonlinear analysis of intrinsic mode function after facial stimuli presentation in children with autism spectrum disorder | |
Peng et al. | Personalized feature selection for wearable eeg monitoring platform | |
Chu et al. | An enhanced EEG microstate recognition framework based on deep neural networks: an application to Parkinson's disease | |
AlSharabi et al. | EEG-based clinical decision support system for Alzheimer's disorders diagnosis using EMD and deep learning techniques | |
Bagheri et al. | Classifier cascade to aid in detection of epileptiform transients in interictal EEG | |
Steinmetz | Comparison of combined spike detection and clustering using mutual information | |
Singh et al. | A study on sleep stage classification based on a single-channel EEG signal | |
Suwida et al. | Application of Machine Learning Algorithm for Mental State Attention Classification Based on Electroencephalogram Signals | |
Keleş et al. | Classification of EMG signals using decision tree methods |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |