CN115670463A - 一种基于脑电情绪神经反馈信号的抑郁检测*** - Google Patents
一种基于脑电情绪神经反馈信号的抑郁检测*** Download PDFInfo
- Publication number
- CN115670463A CN115670463A CN202211314994.5A CN202211314994A CN115670463A CN 115670463 A CN115670463 A CN 115670463A CN 202211314994 A CN202211314994 A CN 202211314994A CN 115670463 A CN115670463 A CN 115670463A
- Authority
- CN
- China
- Prior art keywords
- emotion
- electroencephalogram
- module
- feedback
- emotional
- 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
- 230000002996 emotional effect Effects 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 210000005036 nerve Anatomy 0.000 title claims abstract description 36
- 230000008451 emotion Effects 0.000 claims abstract description 210
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000002474 experimental method Methods 0.000 claims abstract description 13
- 239000000463 material Substances 0.000 claims description 30
- 239000012634 fragment Substances 0.000 claims description 23
- 230000004936 stimulating effect Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 230000000638 stimulation Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 8
- 230000005012 migration Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 claims description 5
- 230000008909 emotion recognition Effects 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 208000024714 major depressive disease Diseases 0.000 claims description 3
- 230000036651 mood Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 5
- 238000000537 electroencephalography Methods 0.000 description 13
- 208000024891 symptom Diseases 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 208000009668 Neurobehavioral Manifestations Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000994 depressogenic effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002003 electrode paste Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010012374 Depressed mood Diseases 0.000 description 1
- 208000020401 Depressive disease Diseases 0.000 description 1
- 208000037490 Medically Unexplained Symptoms Diseases 0.000 description 1
- 208000019022 Mood disease Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000000392 somatic effect Effects 0.000 description 1
- 239000010981 turquoise Substances 0.000 description 1
Images
Landscapes
- 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脑电情绪神经反馈信号的抑郁检测***，包括：图形用户界面模块，用于呈现脑电情绪神经反馈实验程序图形界面；多通道脑电信号采集模块，用于采集患者进行脑电情绪神经反馈实验过程中的脑电信号；脑电信号预处理模块，用于对脑电信号片段进行预处理；情绪特征提取模块，用于对脑电信号片段进行特征提取得到脑电信号片段情绪特征；情绪实时识别反馈模块，用于对脑电信号片段情绪特征进行情绪分类预测，得到情绪实时反馈结果，用于在图形用户界面模块进行情绪实时反馈结果呈现；抑郁检测模块，用于对脑电信号片段情绪特征进行抑郁水平评估。本发明设计了基于脑电情绪神经反馈信号的抑郁检测***，存在潜在临床价值和社会价值。
Description
技术领域
本发明涉及抑郁症医疗诊断设备的技术领域，尤其是指一种基于脑电情绪神经反馈信号的抑郁检测***。
背景技术
抑郁症是常见的精神疾病，是情绪障碍的一种。抑郁症是全球范围内导致残疾的主要原因，在中国，抑郁症终生患病率为6.8％，且***和青年期是抑郁症发作的终生高峰期，2020年我国青少年抑郁检出率为24.6％，其中重度抑郁为7.4％。
通常情况下，抑郁症主要表现为情感、躯体和认知症状持续2周以上。其中情感症状主要表现为心境低落、兴趣减退或丧失等；躯体症状主要表现为失眠、食欲下降、行为活动减少等；认知症状主要表现为思维缓慢，注意力不集中等。
目前大部分抑郁障碍的检测主要是通过临床访谈的形式。然而，现有的可用于临床抑郁检测的客观评价指标缺乏，采用诊断访谈的形式来检测抑郁症也具有一定的主观性和滞后性。因此，随着抑郁症患者数量的增加，医疗资源紧张加剧，开发一种利用客观评价指标进行抑郁疾病自动辅助检测***变得越来越重要。
为了获得更为客观的检测结果，研究者们通过行为或生理信号来进行抑郁检测，例如表情、语音以及姿势等行为信号，脑电，肌电，血液生物标志物等生理信号。这些信号中，生理数据对于确定受试者的生理和精神状态是稳定且可靠的。而脑电图(EEG)信号可以直接反映人脑的内部工作状态，被认为是最好的生理数据类型之一。因此，通过利用多种模态的脑电信号找到抑郁症的生物学标记，使用脑电信号来进行抑郁检测是可行的且具有前景的。目前大多是基于脑电的抑郁检测***大多使用常见的静息态脑电范式，或事件相关电位脑电范式，与基于脑电信号的其他疾病检测***基本一致，而情绪状态是抑郁症患者症状的直观体现，目前还没有研究专门针对抑郁患者情感症状特点设计范式的抑郁检测***。
因此，本发明特别针对抑郁症患者由于情绪调节异常带来的情感症状，设计了基于脑电情绪神经反馈信号的抑郁检测***。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种基于脑电情绪神经反馈信号的抑郁检测***，利用脑电情绪神经反馈信号所反映出的情绪特征或情感症状，对需要筛查的人群进行抑郁检测，辅助医疗工作者进行诊断和治疗。
为实现上述目的，本发明所提供的技术方案为：一种基于脑电情绪神经反馈信号的抑郁检测***，包括：
图形用户界面模块，用于呈现脑电情绪神经反馈实验程序图形界面，为用户提供情绪刺激材料与情绪实时反馈呈现；
多通道脑电信号采集模块，用于采集患者进行脑电情绪神经反馈实验过程中的脑电信号，并将特定时间下的脑电信号作为一个脑电信号片段存储一次，以供后续脑电信号预处理模块进行处理；
脑电信号预处理模块，用于对脑电信号片段进行信号处理，滤波除去噪声，提高后续情绪特征提取模块的数据质量；
情绪特征提取模块，用于对经过脑电信号预处理模块后得到的脑电信号片段进行特征提取得到脑电信号片段情绪特征，用于后续情绪实时识别反馈模块和抑郁检测模块；
情绪实时识别反馈模块，用于对经过情绪特征提取模块后得到的脑电信号片段情绪特征进行情绪的分类预测，通过已有的脑电情绪特征数据集对脑电信号片段情绪特征进行多源风格迁移，之后使用多源支持向量机分类器进行情绪分类，并根据情绪反馈准则得到情绪实时反馈结果，传输至图形用户界面模块进行情绪实时反馈结果呈现；
抑郁检测模块，用于对经过情绪特征提取模块后得到的脑电信号片段情绪特征进行抑郁水平评估，通过构建的健康对照-抑郁患者情绪特征高斯核朴素贝叶斯分类模型，对一位用户在一次脑电情绪神经反馈实验中采集的所有脑电信号片段情绪特征进行分析，并根据抑郁评估准则给出用户三种状态之一作为最终检测结果，其中该三种状态分别为重度抑郁、轻度抑郁、正常。
进一步，所述图形用户界面模块通过VGA连接线与安装有脑电信号预处理模块的计算机连接，所述图形用户界面模块包括情绪刺激材料呈现模块和情绪实时反馈呈现模块，其中：
所述情绪刺激材料呈现模块用于在显示屏上向用户呈现脑电情绪神经反馈实验程序的视频区域，即需要用户在规定时间内观看随机的积极、平静视频类型的情绪刺激材料，在此期间需要用户调节自己的情绪至情绪刺激材料对应的状态，每段情绪刺激材料结束后，用户获得预设休息时间，休息完成，准备好后按空格键开始观看下一段情绪刺激材料，脑电情绪神经反馈实验期间，情绪刺激材料包含n段积极视频和m段平静视频；
所述情绪实时反馈呈现模块用于在显示屏幕上向用户呈现脑电情绪神经反馈实验程序的情绪反馈区域，根据情绪实时识别反馈模块得到的情绪实时反馈结果，在情绪反馈区域显示图形变化从而呈现用户对应的实时情绪状态，协助用户完成情绪调节过程。
进一步，所述多通道脑电信号采集模块以特定赫兹的采样率采集患者进行脑电情绪神经反馈实验过程中产生的31通道，包括：Fp1、Fp2、F7、F3、Fz、F4、F8、FT7、FC3、FCZ、FC4、FT8、T3、C3、CZ、C4、T4、TP7、CP3、CPZ、CP4、TP8、T5、P3、PZ、P4、T8、O1、OZ、O2、A2通道的脑电信号，并通过USB数据连接线和并口线与安装有脑电信号预处理模块的计算机连接，将采集到的脑电信号存入缓冲存储器，特定时间下作为一个脑电信号片段存储一次，以供后续脑电信号预处理模块进行处理。
进一步，所述脑电信号预处理模块对多通道脑电信号采集模块存储的脑电信号片段进行实时处理，在31个通道中选取A2通道作为参考电极，通过eeglab开源工具箱检测并剔除剩余30通道中信号质量差的通道，进行经过12阶最小相位有限冲击响应滤波器滤波，滤波带宽为0.5-70Hz，以及带阻滤波器，带阻滤波器频率设置为50Hz去除工频噪声干扰，通过eeglab开源工具箱插补缺失的通道，最终得到进行脑电信号预处理模块的30通道脑电信号片段，避免了由于脑电帽导联损坏导致的数据缺失，改进了环境中的噪声对脑电信号的干扰，提高了脑电信号的质量。
进一步，所述情绪特征提取模块对经过脑电信号预处理模块后得到的脑电信号片段进行情绪特征提取，从而得到脑电信号片段情绪特征，其中，在功率谱的基础上改进使用了同样含有频率信息且被认为是最好的情绪特征之一的微分熵，The differentialentropy，DE特征，具体地，使用了30个脑电通道在5个频率段：Delta频段：1-3Hz，Theta频段：4-7Hz，Alpha频段：8-13Hz，Beta频段：14-30Hz，Gamma频段：31-50Hz内的微分熵特征，微分熵特征的具体计算方法如下：将每个通道的脑电信号通过窗长为特定秒数的无重叠汉宁窗，使用短时间傅里叶变换计算功率谱特征，假设脑电信号x服从数学期望为μ、方差为σ2的正态分布，记为x～N(μ,σ2),然后，微分熵的计算能够简化为：
这里x表示服从数学期望为μ、方差为σ2的正态分布的脑电信号，记为x～N(μ,σ2)，P(x)是x的概率密度函数，微分熵特征则等价于固定长度脑电图序列x的取对数之后的频谱能量；
通过对脑电信号预处理模块后得到的脑电信号片段进行微分熵特征提取，从而得到30通道5个频段共150维的脑电信号片段情绪特征，用于情绪实时识别反馈模块和抑郁检测模块。
进一步，所述情绪实时识别反馈模块对经过情绪特征提取模块后得到的150维脑电信号片段情绪特征，进行情绪识别；为了改进小样本情况下不同用户使用情绪分类模型情绪出现识别准确率不稳定的问题，通过多源风格迁移的方法对脑电信号片段情绪特征做映射处理，具体地，将***已经收集到的j个人的脑电情绪特征的先验知识作为源域，将当前新的需要进行识别的脑电信号片段情绪特征，通过多源风格迁移映射到源域，多源风格迁移的具体计算方法如下：Ts＝AT+b，其中，T代表新需要识别的脑电信号片段情绪特征，Ts代表映射到源域后的脑电信号片段情绪特征，A、b为映射过程的参数，通过最小化均方误差得到，即：
Sj是源域中j个人的脑电情绪特征，
代表求L2范数，min代表求最小值；之后再使用多源支持向量机对映射到源域后的脑电信号片段情绪特征Ts进行情绪的分类预测，多源支持向量机由j个人的积极类别和平静类别的脑电情绪特征训练出j个SVM分类器整合得到，标定Ts的情绪类别为积极类别情绪或平静类别情绪，并根据情绪类别和情绪反馈准则得到情绪实时反馈结果，传输到图形用户界面模块；图形用户界面模块的情绪实时反馈呈现模块进行情绪实时反馈结果呈现，显示图形变化。
进一步，所述抑郁检测模块对经过情绪特征提取模块后得到的脑电信号片段情绪特征进行zscore算法归一化，通过已经收集到的i个人，其中一部分人为抑郁患者，另一部分人为健康对照的脑电情绪特征的先验知识训练出的高斯核函数朴素贝叶斯健康抑郁分类模型，对一位用户在一次脑电情绪神经反馈实验中采集的所有脑电信号片段情绪特征预测抑郁概率，再将一位用户所有脑电信号片段情绪特征预测抑郁概率结果取加权求和，取平均值得到最终的预测概率值，改进了用户只进行单次测量由于测量误差发生误判的情况，之后由阈值法根据预测概率值给出用户三种状态之一作为最终检测结果。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明改进了现有脑电信号在抑郁检测中存在的检测范式设计单一，范式对疾病针对性不强的问题，使用针对抑郁症情感症状的情绪神经反馈范式作为脑电采集范式，提高了对疾病的针对性，能更好的在脑电中反映抑郁症的情感症状特点。
2、本发明新增了情绪实时反馈呈现模块，与已有***图形用户界面模块只包括情绪刺激材料呈现模块不同，本***可根据用户的实时情绪状态变化产生视觉反馈刺激，从而协助用户完成情绪调节过程，获得情绪唤醒度更高的高质量情绪脑电信号，改进了部分用户由于情绪刺激材料不合适从而无法直接调节自身情绪状态，从而导致情绪特征提取模块提取到的情绪特征质量低的问题。
3、相较现有脑电信号抑郁检测在特征提取过程中只使用单一脑区、少量通道或使用基本统计量作为脑电特征进行分类，本发明使用全脑区共30通道能够表征情绪特征的微分熵作为脑电特征进行分类，抑郁检测正确率更高，模型鲁棒性更好。
附图说明
图1为本发明***框架图。
图2为本发明中情绪反馈呈现模块的GUI界面；图中，左侧虚线框内为视频区域，右侧虚线框内为情绪反馈区域。
图3为数据处理流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
参见图1所示，本实施例提供了一种基于脑电情绪神经反馈信号的抑郁检测***，是使用C++和Matlab语言开发的在安装Windows***的设备上运行的抑郁检测***，它包括：图形用户界面模块、多通道脑电信号采集模块、脑电信号预处理模块、情绪特征提取模块、情绪实时识别反馈模块和抑郁检测模块。
所述图形用户界面模块用于呈现脑电情绪神经反馈实验程序图形界面，为用户提供情绪刺激材料与情绪实时反馈呈现，图形用户界面模块显示于27英寸的显示屏上，通过VGA连接线与安装有多通道脑电信号采集模块、脑电信号预处理模块、情绪特征提取模块、情绪实时识别反馈模块的计算机连接；
参见图2所示，所述图形用户界面模块包括情绪刺激材料呈现模块和情绪实时反馈呈现模块。对比已有***，本***新增了情绪实时反馈呈现模块，改进了已有***图形用户界面模块只包括情绪刺激材料呈现模块，部分用户由于情绪刺激材料不合适从而无法直接调节自身情绪状态，导致所述情绪特征提取模块所需的情绪脑电信号质量低的问题，本***可根据用户的实时情绪状态变化产生视觉反馈刺激，从而协助用户完成情绪调节过程，获得情绪唤醒度更高的高质量情绪脑电信号信息。所述情绪刺激材料呈现模块用于在显示屏上向用户呈现脑电情绪神经反馈实验程序的视频情绪刺激材料，位于显示屏左侧视频区域，即需要用户在规定时间内观看随机的积极、平静视频类型的情绪刺激材料，在此期间需要用户调节自己的情绪到与情绪刺激材料相同的情绪状态，每段情绪刺激材料结束后，用户获得30秒休息时间，休息完成，准备好后按空格键开始观看下一段情绪刺激材料。脑电情绪神经反馈实验数据采集期间，情绪刺激材料共计20分钟时间，包含10段积极视频和10段平静视频。
所述情绪实时反馈呈现模块用于在显示屏幕上向用户呈现情绪实时反馈结果的区域，位于显示屏右侧情绪反馈区域，根据情绪实时识别反馈模块得到的情绪实时反馈结果，在情绪反馈区域包含一个树形图片、一个表情图片和两个颜色不同的柱状进度条，左侧为红色进度条代表积极情绪，右侧为绿色进度条代表平静情绪，由情绪实时识别反馈模块得出的情绪实时反馈结果控制柱状进度条的高度和树形图片区域的图形填充情况，即：当情绪实时反馈结果为积极标签时，表情图片显示高兴表情，红色进度条上涨，树形图片区域的填充粉红色花瓣动态特效；当情绪实时反馈结果为平静标签时，表情图片显示平静表情，绿色进度条上涨，树形图片区域的填充翠绿色树叶动态特效。情绪实时反馈呈现模块的图形根据情绪实时识别反馈模块得出的情绪实时反馈结果每秒进行一次更新。
所述多通道脑电信号采集模块用于采集患者进行脑电情绪神经反馈实验过程中的脑电信号，采用脑电放大器和32通道的EEG电极帽来记录头皮脑电信号，并通过USB数据连接线和并口线连接将数据传输到计算机，脑电信号每10秒作为一个脑电信号片段存储一次，以供后续脑电信号预处理模块进行处理。在脑电情绪神经反馈实验开始前，多通道脑电信号采集过程需要进行以下准备工作：先让被试者坐于图形用户界面模块的显示器前，与显示器的距离为40-50cm，显示器高度调至平视水平，给受试者佩戴EEG电极帽，用平口针筒将电极膏注入电极帽嵌入式电极，电极膏注入完毕，给受试者佩戴耳机。使用国际10-20标准的32通道的脑电极帽和NeuroScan公司的脑电放大器进行脑电信号的采集，所有通道的脑电信号均以右耳突为参照，在脑电采集开始前，所有电极的阻抗值皆处于15千欧以下，且脑电信号设置250Hz的频率采样。
参见图3所示，脑电数据处理流程主要由脑电信号预处理模块、情绪特征提取模块、情绪实时识别反馈模块、抑郁检测模块进行。
所述脑电信号预处理模块每秒读取一次多通道脑电信号采集模块保存在计算机的脑电信号片段，对脑电信号片段进行坏道剔除，0.5-70Hz带通滤波，50Hz带阻滤波滤除工频噪声，通道插补，对脑电信号片段处理完成之后立即调用情绪特征提取模块。
所述情绪特征提取模块对经过脑电信号预处理模块后得到的脑电信号片段进行微分熵特征提取得到脑电信号片段情绪特征，具体地，本发明使用了30个脑电通道在5个频率段：Delta频段：1-3Hz，Theta频段：4-7Hz，Alpha频段：8-13Hz，Beta频段：14-30Hz，Gamma频段：31-50Hz内的微分熵特征，微分熵特征的具体计算方法如下：将每个通道的脑电信号通过窗长为10秒的无重叠汉宁窗，使用短时间傅里叶变换计算传统的功率谱特征，我们假设脑电信号x服从数学期望为μ、方差为σ2的正态分布，记为x～N(μ,σ2),然后，微分熵的计算可以简化为：
这里x表示服从数学期望为μ、方差为σ2的正态分布的脑电信号，记为x～N(μ,σ2)，P(x)是x的概率密度函数，微分熵特征则等价于固定长度脑电图序列x的取对数之后的频谱能量。
模块处理完成之后立即调用情绪实时识别反馈模块，并在数据采集过程全部结束之后调用抑郁检测模块。
所述情绪实时识别反馈模块用于对经过情绪特征提取模块后得到的脑电信号片段情绪特征进行情绪的分类预测，将***已经收集到的30人的脑电情绪特征的先验知识作为源域，将当前新的需要进行识别的脑电信号片段情绪特征通过多源风格迁移映射到源域，之后再使用多源支持向量机对映射后的脑电信号片段情绪特征进行情绪识别，这种情绪识别方法改进了小样本情况下不同用户使用情绪分类模型情绪出现识别准确率不稳定的问题。多源风格迁移的具体计算方法如下：Ts＝AT+b，其中，T代表新需要识别的脑电信号片段情绪特征，Ts代表映射到源域后的脑电信号片段情绪特征，A、b为映射过程的参数，通过最小化均方误差得到，即：
Sj是源域中30个人的脑电情绪特征j＝1,2,3...,29,30，式中
代表求L2范数，min代表求最小值，之后再使用多源支持向量机对映射到源域后的脑电信号片段情绪特征Ts进行情绪识别，多源支持向量机由30个人的积极类别和平静类别的脑电情绪特征训练出30个SVM分类器整合得到，多源支持向量机将Ts识别为积极类别情绪或是平静类别情绪得到30个识别结果；最终的情绪实时反馈结果由30个识别结果按照预测概率加权平均后得到。模块计算处理完成之后***立即调用图形用户界面模块中的情绪实时反馈呈现模块，根据得出的情绪实时反馈结果进行图形用户界面的更新。
所述抑郁检测模块在图形用户界面模块中的情绪刺激材料呈现模块完成所有情绪刺激材料的呈现后(共计20分钟时间，包含10段积极视频和10段平静视频)，所述抑郁检测模块用于所有经过情绪特征提取模块后得到的脑电信号片段情绪特征进行抑郁水平评估，首先进行zscore算法归一化，通过已经收集到的60人，其中30人为抑郁患者，30人为健康对照的脑电情绪特征的先验知识训练出的高斯核函数贝叶斯健康抑郁分类模型，对用户在一次脑电情绪神经反馈实验中采集的所有脑电信号片段情绪特征预测抑郁概率值，将用户所有脑电信号片段情绪特征预测结果按照预测概率取平均值得到最终的预测概率值，之后由阈值法根据预测概率值给出用户三种状态之一作为最终检测结果，该三种状态分别为重度抑郁对应预测分值大于0.8分、轻度抑郁对应预测分值小于0.8大于0.4、和正常对应预测分值小于0.4。
综上所述，对比其它抑郁检测方式，本发明***采用脑电情绪神经反馈进行抑郁检测，改进了目前检测范式设计单一，范式对疾病针对性不强的问题。另外，本发明***基于脑电情绪神经反馈信号构建了情绪状态的判别，帮助患者实时反馈情绪状态，从而精准反映被试者的情感症状，抑郁检测正确率更高，模型鲁棒性更好。总之，本发明特别针对抑郁症患者由于情绪调节异常带来的情感症状，设计了基于脑电情绪神经反馈信号的抑郁检测***，存在潜在的临床价值和社会价值，值得推广。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (7)
1.一种基于脑电情绪神经反馈信号的抑郁检测***，其特征在于，包括：
图形用户界面模块，用于呈现脑电情绪神经反馈实验程序图形界面，为用户提供情绪刺激材料与情绪实时反馈呈现；
多通道脑电信号采集模块，用于采集患者进行脑电情绪神经反馈实验过程中的脑电信号，并将特定时间下的脑电信号作为一个脑电信号片段存储一次，以供后续脑电信号预处理模块进行处理；
脑电信号预处理模块，用于对脑电信号片段进行信号处理，滤波除去噪声，提高后续情绪特征提取模块的数据质量；
情绪特征提取模块，用于对经过脑电信号预处理模块后得到的脑电信号片段进行特征提取得到脑电信号片段情绪特征，用于后续情绪实时识别反馈模块和抑郁检测模块；
情绪实时识别反馈模块，用于对经过情绪特征提取模块后得到的脑电信号片段情绪特征进行情绪的分类预测，通过已有的脑电情绪特征数据集对脑电信号片段情绪特征进行多源风格迁移，之后使用多源支持向量机分类器进行情绪分类，并根据情绪反馈准则得到情绪实时反馈结果，传输至图形用户界面模块进行情绪实时反馈结果呈现；
抑郁检测模块，用于对经过情绪特征提取模块后得到的脑电信号片段情绪特征进行抑郁水平评估，通过构建的健康对照-抑郁患者情绪特征高斯核朴素贝叶斯分类模型，对一位用户在一次脑电情绪神经反馈实验中采集的所有脑电信号片段情绪特征进行分析，并根据抑郁评估准则给出用户三种状态之一作为最终检测结果，其中该三种状态分别为重度抑郁、轻度抑郁、正常。
2.根据权利要求1所述的一种基于脑电情绪神经反馈信号的抑郁检测***，其特征在于：所述图形用户界面模块通过VGA连接线与安装有脑电信号预处理模块的计算机连接，所述图形用户界面模块包括情绪刺激材料呈现模块和情绪实时反馈呈现模块，其中：
所述情绪刺激材料呈现模块用于在显示屏上向用户呈现脑电情绪神经反馈实验程序的视频区域，即需要用户在规定时间内观看随机的积极、平静视频类型的情绪刺激材料，在此期间需要用户调节自己的情绪至情绪刺激材料对应的状态，每段情绪刺激材料结束后，用户获得预设休息时间，休息完成，准备好后按空格键开始观看下一段情绪刺激材料，脑电情绪神经反馈实验期间，情绪刺激材料包含n段积极视频和m段平静视频；
所述情绪实时反馈呈现模块用于在显示屏幕上向用户呈现脑电情绪神经反馈实验程序的情绪反馈区域，根据情绪实时识别反馈模块得到的情绪实时反馈结果，在情绪反馈区域显示图形变化从而呈现用户对应的实时情绪状态，协助用户完成情绪调节过程。
3.根据权利要求2所述的一种基于脑电情绪神经反馈信号的抑郁检测***，其特征在于：所述多通道脑电信号采集模块以特定赫兹的采样率采集患者进行脑电情绪神经反馈实验过程中产生的31通道，包括：Fp1、Fp2、F7、F3、Fz、F4、F8、FT7、FC3、FCZ、FC4、FT8、T3、C3、CZ、C4、T4、TP7、CP3、CPZ、CP4、TP8、T5、P3、PZ、P4、T8、O1、OZ、O2、A2通道的脑电信号，并通过USB数据连接线和并口线与安装有脑电信号预处理模块的计算机连接，将采集到的脑电信号存入缓冲存储器，特定时间下作为一个脑电信号片段存储一次，以供后续脑电信号预处理模块进行处理。
4.根据权利要求3所述的一种基于脑电情绪神经反馈信号的抑郁检测***，其特征在于：所述脑电信号预处理模块对多通道脑电信号采集模块存储的脑电信号片段进行实时处理，在31个通道中选取A2通道作为参考电极，通过eeglab开源工具箱检测并剔除剩余30通道中信号质量差的通道，进行经过12阶最小相位有限冲击响应滤波器滤波，滤波带宽为0.5-70Hz，以及带阻滤波器，带阻滤波器频率设置为50Hz去除工频噪声干扰，通过eeglab开源工具箱插补缺失的通道，最终得到进行脑电信号预处理模块的30通道脑电信号片段，避免了由于脑电帽导联损坏导致的数据缺失，改进了环境中的噪声对脑电信号的干扰，提高了脑电信号的质量。
5.根据权利要求4所述的一种基于脑电情绪神经反馈信号的抑郁检测***，其特征在于：所述情绪特征提取模块对经过脑电信号预处理模块后得到的脑电信号片段进行情绪特征提取，从而得到脑电信号片段情绪特征，其中，在功率谱的基础上改进使用了同样含有频率信息且被认为是最好的情绪特征之一的微分熵，The differential entropy，DE特征，具体地，使用了30个脑电通道在5个频率段：Delta频段：1-3Hz，Theta频段：4-7Hz，Alpha频段：8-13Hz，Beta频段：14-30Hz，Gamma频段：31-50Hz内的微分熵特征，微分熵特征的具体计算方法如下：将每个通道的脑电信号通过窗长为特定秒数的无重叠汉宁窗，使用短时间傅里叶变换计算功率谱特征，假设脑电信号x服从数学期望为μ、方差为σ2的正态分布，记为x～N(μ,σ2),然后，微分熵的计算能够简化为：
这里x表示服从数学期望为μ、方差为σ2的正态分布的脑电信号，记为x～N(μ,σ2)，P(x)是x的概率密度函数，微分熵特征则等价于固定长度脑电图序列x的取对数之后的频谱能量；
通过对脑电信号预处理模块后得到的脑电信号片段进行微分熵特征提取，从而得到30通道5个频段共150维的脑电信号片段情绪特征，用于情绪实时识别反馈模块和抑郁检测模块。
6.根据权利要求5所述的一种基于脑电情绪神经反馈信号的抑郁检测***，其特征在于：所述情绪实时识别反馈模块对经过情绪特征提取模块后得到的150维脑电信号片段情绪特征，进行情绪识别；为了改进小样本情况下不同用户使用情绪分类模型情绪出现识别准确率不稳定的问题，通过多源风格迁移的方法对脑电信号片段情绪特征做映射处理，具体地，将***已经收集到的j个人的脑电情绪特征的先验知识作为源域，将当前新的需要进行识别的脑电信号片段情绪特征，通过多源风格迁移映射到源域，多源风格迁移的具体计算方法如下：Ts＝AT+b，其中，T代表新需要识别的脑电信号片段情绪特征，Ts代表映射到源域后的脑电信号片段情绪特征，A、b为映射过程的参数，通过最小化均方误差得到，即：
Sj是源域中j个人的脑电情绪特征，
代表求L2范数，min代表求最小值；之后再使用多源支持向量机对映射到源域后的脑电信号片段情绪特征Ts进行情绪的分类预测，多源支持向量机由j个人的积极类别和平静类别的脑电情绪特征训练出j个SVM分类器整合得到，标定Ts的情绪类别为积极类别情绪或平静类别情绪，并根据情绪类别和情绪反馈准则得到情绪实时反馈结果，传输到图形用户界面模块；图形用户界面模块的情绪实时反馈呈现模块进行情绪实时反馈结果呈现，显示图形变化。
7.根据权利要求6所述的一种基于脑电情绪神经反馈信号的抑郁检测***，其特征在于：所述抑郁检测模块对经过情绪特征提取模块后得到的脑电信号片段情绪特征进行zscore算法归一化，通过已经收集到的i个人，其中一部分人为抑郁患者，另一部分人为健康对照的脑电情绪特征的先验知识训练出的高斯核函数朴素贝叶斯健康抑郁分类模型，对一位用户在一次脑电情绪神经反馈实验中采集的所有脑电信号片段情绪特征预测抑郁概率，再将一位用户所有脑电信号片段情绪特征预测抑郁概率结果取加权求和，取平均值得到最终的预测概率值，改进了用户只进行单次测量由于测量误差发生误判的情况，之后由阈值法根据预测概率值给出用户三种状态之一作为最终检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211314994.5A CN115670463B (zh) | 2022-10-26 | 2022-10-26 | 一种基于脑电情绪神经反馈信号的抑郁检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211314994.5A CN115670463B (zh) | 2022-10-26 | 2022-10-26 | 一种基于脑电情绪神经反馈信号的抑郁检测*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115670463A true CN115670463A (zh) | 2023-02-03 |
| CN115670463B CN115670463B (zh) | 2024-06-28 |
Family
ID=85098344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211314994.5A Active CN115670463B (zh) | 2022-10-26 | 2022-10-26 | 一种基于脑电情绪神经反馈信号的抑郁检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115670463B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407733A (zh) * | 2016-12-12 | 2017-02-15 | 兰州大学 | 基于虚拟现实场景脑电信号的抑郁症风险筛查***和方法 |
| 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*** |
| CN110811648A (zh) * | 2019-11-20 | 2020-02-21 | 阿呆科技（北京）有限公司 | 一种基于残差卷积神经网络的抑郁倾向评估*** |
| CN113229818A (zh) * | 2021-01-26 | 2021-08-10 | 南京航空航天大学 | 一种基于脑电信号和迁移学习的跨被试人格预测*** |
| CN114756121A (zh) * | 2022-03-18 | 2022-07-15 | 华南理工大学 | 基于脑机接口的虚拟现实可交互式情绪检测与调控*** |
| CN115034296A (zh) * | 2022-06-02 | 2022-09-09 | 杭州电子科技大学 | 一种基于域相似性脑电跨被试源域选择方法 |
-
2022
- 2022-10-26 CN CN202211314994.5A patent/CN115670463B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407733A (zh) * | 2016-12-12 | 2017-02-15 | 兰州大学 | 基于虚拟现实场景脑电信号的抑郁症风险筛查***和方法 |
| 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*** |
| CN110811648A (zh) * | 2019-11-20 | 2020-02-21 | 阿呆科技（北京）有限公司 | 一种基于残差卷积神经网络的抑郁倾向评估*** |
| CN113229818A (zh) * | 2021-01-26 | 2021-08-10 | 南京航空航天大学 | 一种基于脑电信号和迁移学习的跨被试人格预测*** |
| CN114756121A (zh) * | 2022-03-18 | 2022-07-15 | 华南理工大学 | 基于脑机接口的虚拟现实可交互式情绪检测与调控*** |
| CN115034296A (zh) * | 2022-06-02 | 2022-09-09 | 杭州电子科技大学 | 一种基于域相似性脑电跨被试源域选择方法 |
Non-Patent Citations (1)
| Title |
|---|
| CHAO JIANG，等: "Enhancing EEG-Based Classification of Depression Patients Using Spatial Information", IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING, vol. 29, pages 566 - 575, XP011842507, DOI: 10.1109/TNSRE.2021.3059429 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115670463B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110801237B (zh) | 一种基于眼动和脑电特征的认知能力评估*** | |
| CN108236464B (zh) | 基于脑电信号的特征提取方法及其检测提取*** | |
| CN108143411A (zh) | 一种面向孤独症诊断的静息态脑电分析*** | |
| US20180279938A1 (en) | Method of diagnosing dementia and apparatus for performing the same | |
| CN112353391A (zh) | 一种基于脑电信号的汽车车内声音品质识别方法及装置 | |
| CN112545519B (zh) | 一种群体情感同质性的实时评估方法和评估*** | |
| WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
| CN113576482B (zh) | 一种基于复合表情加工的注意偏向训练评估***和方法 | |
| Kanoh et al. | A brain-computer interface (BCI) system based on auditory stream segregation | |
| CN106175757A (zh) | 基于脑电波的行为决策预测*** | |
| CN106484106A (zh) | 视敏度自动识别的非注意事件相关电位脑‑机接口方法 | |
| CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
| CN114129129A (zh) | 一种基于CNN与Transformer的癫痫检测*** | |
| CN111671445A (zh) | 一种意识障碍程度分析方法 | |
| CN113397482B (zh) | 一种人类行为分析方法及*** | |
| CN117883082A (zh) | 一种异常情绪识别方法、***、设备及介质 | |
| CN113208629A (zh) | 一种基于eeg信号的阿尔兹海默症筛查方法及*** | |
| CN116098619B (zh) | 一种基于高频听觉稳态响应的抑郁症自动检测*** | |
| US9848791B2 (en) | Neural analysis system | |
| CN116870360A (zh) | 一种经颅电刺激效果的评估方法 | |
| CN115670463B (zh) | 一种基于脑电情绪神经反馈信号的抑郁检测*** | |
| CN113269084B (zh) | 基于观众群体情感神经相似性的影视剧市场预测方法及*** | |
| CN114063773A (zh) | 基于卷积神经网络和脑电大数据的跨个体脑机接口*** | |
| LU505476B1 (en) | Multi-modal and multi-parameter neural feedback training system based on virtual reality | |
| CN110584663B (zh) | 一种带状疱疹的药效判断装置及其使用方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |