CN116269391B - 一种心脑耦合分析评估方法及其*** - Google Patents
一种心脑耦合分析评估方法及其*** Download PDFInfo
- Publication number
- CN116269391B CN116269391B CN202310572181.4A CN202310572181A CN116269391B CN 116269391 B CN116269391 B CN 116269391B CN 202310572181 A CN202310572181 A CN 202310572181A CN 116269391 B CN116269391 B CN 116269391B
- Authority
- CN
- China
- Prior art keywords
- brain
- heart
- heart rate
- processed
- coupling
- 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
- 230000008878 coupling Effects 0.000 title claims abstract description 138
- 238000010168 coupling process Methods 0.000 title claims abstract description 138
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 138
- 238000011156 evaluation Methods 0.000 title claims abstract description 84
- 238000004458 analytical method Methods 0.000 title claims abstract description 55
- 210000004556 brain Anatomy 0.000 claims abstract description 149
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical group [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 132
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 132
- 239000001301 oxygen Substances 0.000 claims abstract description 132
- 230000003340 mental effect Effects 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 239000008280 blood Substances 0.000 claims abstract description 29
- 210000004369 blood Anatomy 0.000 claims abstract description 29
- 238000013210 evaluation model Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000002490 cerebral effect Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 230000001427 coherent effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000007636 ensemble learning method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 238000001914 filtration Methods 0.000 description 12
- 230000000747 cardiac effect Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000001364 causal effect Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 108010054147 Hemoglobins Proteins 0.000 description 3
- 102000001554 Hemoglobins Human genes 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 2
- 108010064719 Oxyhemoglobins Proteins 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 108010002255 deoxyhemoglobin Proteins 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 102100033770 Alpha-amylase 1C Human genes 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 108010026386 Salivary alpha-Amylases Proteins 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229960000890 hydrocortisone Drugs 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- 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
- A61B5/14551—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 for measuring blood gases
- A61B5/14553—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 for measuring blood gases specially adapted for cerebral tissue
-
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Developmental Disabilities (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Neurology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及多模态数据处理技术领域,具体公开了一种心脑耦合分析评估方法及其***,通过实时同步采集多个试验用户对应的脑氧信号及心电信号,进行数据预处理得到处理后脑氧信号、处理后心电信号和脑血氧变异度;对所述处理后心电信号分别进行特征提取,计算得到心电特征集、心率信号和心率变异性特征集;根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集;结合集成学习方法建立精神压力评估模型,对输出的精神压力值进行修正,提高精神压力评估的准确性及适用性。
Description
技术领域
本发明涉及多模态数据处理技术领域,具体涉及一种心脑耦合分析评估方法及其***。
背景技术
常用的精神压力评估方法主要为:量表或问卷评估、生物标志物及生理信号检测。量表或问卷评估依赖于患者的配合度或医生的经验,评估结果较为主观容易发生误判;常用的生物标志物包括唾液α淀粉酶、皮质醇等,但其检测步骤繁琐、耗费时间长,不能够对精神压力进行实时连续监测;而生理信号具有客观、方便快捷和准确度高等优势,逐渐成为精神压力评估相关研究的主要方向。现有研究主要利用心电信号进行心率变异性分析是评估精神压力,但由于心率具有很强的个体差异性,部分个体天生或因病导致其心率变异性分析指标偏大或偏大,仅通过心率变异性指标进行评估极易出现结果偏差,导致对精神压力评估误判。
发明内容
鉴于以上所述现有方法的局限,本发明的目的在于提供一种心脑耦合分析评估方法及其***,通过实时同步采集多个试验用户对应的脑氧信号及心电信号,进行数据预处理得到处理后脑氧信号、处理后心电信号和脑血氧变异度;对所述处理后心电信号分别进行特征提取,计算得到心电特征集、心率信号和心率变异性特征集;根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集;结合集成学习方法建立精神压力评估模型,对输出的精神压力值进行修正,提高精神压力评估的准确性及适用性。
为了实现上述目的,根据本公开的一方面,提供一种心脑耦合分析评估方法,所述方法包括以下步骤:
S100,在采集时间段内采集多个试验用户对应的脑氧信号及心电信号;
S200,对所述脑氧信号及心电信号分别进行数据预处理,得到处理后脑氧信号、处理后心电信号和脑血氧变异度;
S300,对所述处理后心电信号分别进行特征提取,计算得到心电特征集、心率信号和心率变异性特征集;
S400,根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集;
S500,将多个试验用户对应的所述心电特征集、心率变异性特征集和心脑耦合特征集构成数据集作为输入,利用集成学习方法建立精神压力评估模型;
S600,根据S200~S400计算得到用户对应的数据集作为所述精神压力评估模型的输入,输出用户对应的精神压力值,并结合所述脑血氧变异度进行精神压力修正,获得修正后的精神压力值。
优选地,在S100中,在采集时间段内采集多个试验用户对应的脑氧信号及心电信号,还包括基于精神压力评估量表获得多个试验用户的量表分数;所述精神压力评估量表包括但不限于心理压力评估量表(PSTR)、斯特雷斯事件量表(SLE)、负性生活事件量表(LES)、简明压力问卷(PSQ)、剧烈事件量表(LEQ)、社会支持评估量表(SSRS)、压力与应对问卷(SCQ)、紧张情绪自评量表(POMS)等;并利用脑氧采集设备和心电采集设备,在采集时间段内采集多个试验用户对应的脑氧信号及心电信号。
优选地,在S200中,对所述脑氧信号及心电信号分别进行数据预处理的具体方法包括:
S201,基于小波最小长度准则法去除所述脑氧信号的趋势,并经过滤波处理后,使用滑动标准差法识别所述脑氧信号中的运动伪迹段,采用样条插值法替换所述运动伪迹段对应的信号数据,得到处理后脑氧信号;
S202,基于小波变换法去除所述心电信号的基线漂移,采用低通滤波、双线性变换和零相位移数字滤波对所述心电信号中的高频干扰进行滤除,得到处理后心电信号;
S203, 根据所述处理后脑氧信号在采集时间段内计算得到脑血氧变异度,包括但不限于所述处理后脑氧信号的标准差值、方差值、极差值和四分位距等。
进一步地,在S300中,对所述处理后心电信号进行特征提取,计算得到心电特征集、心率信号和心率变异性特征集的方法为:
S301,对所述处理后心电信号进行心电特征提取,通过步骤S3011~ S3013获得对应的时域参数和频域参数,得到所述心电特征集:
S3011,在时域上计算采集时间段内连续RR间隔的标准差SDNN、连续RR间隔差值的均方根RMSSD,相邻RR间隔大于50ms的比值pNN50;
S3012,在频域上计算所述处理后心电信号的各个频段功率值,包括功率在0.0033Hz-0.04Hz范围内的极低频功率VLF、功率在0.04Hz-0.15Hz范围内的低频功率LF、功率在0.15Hz-0.4Hz范围内的高频功率HF,以及计算低频功率和高频功率的比值记作LF/HF
S3013,所述心电特征集包括SDNN、RMSSD、pNN50和VLF、LF、HF、LF/HF;
S302,对所述处理后心电信号进行心率提取,采用自动多尺度峰值查找算法对所述处理后心电信号进行波峰提取,得到各个R波对应的波峰,并进行波峰校正和心率计算得到心率信号;
S303,对所述心率信号进行心率变异性特征提取,得到所述心率变异性特征集;其中,通过步骤S3031~ S3033获得所述心率变异性特征集:
S3031,利用庞加莱散点图分析所述心率信号,分别计算垂直于X=Y方向散点图内与短轴和长轴之间的距离,分别记作SD1和SD2;
S3032,利用去趋势波动分析法分析所述心率信号,获得曲线斜率的长程波动系数α1和短程波动系数α2;
S3033,利用近似熵、样本熵、关联维方法分析所述心率信号,计算得到所述心率信号的复杂度和不规则度指标,包括近似熵值记作ApEn、样本熵值记作SampEn、关联维值记作d2;
S3034,所述心率变异性特征集包括SD1和SD2,α1和α2,以及ApEn、SampEn和d2。
进一步地,在S400中,所述心脑耦合特征集包括心脑耦合强度、心脑相干耦合系数和心脑信息流向特征;根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集的方法为:
S401,在频域上计算所述处理后脑氧信号和心率信号的心脑耦合强度记作ERCoh,其计算方法为:
;
其中,将所述处理后脑氧信号记作x,所述心率信号记作y,Gx,x(f)和Gy,y(f)分别表示为x和y的自功率谱,Gx,y(f)表示为x和y之间的互功率谱,f为频域上的频率值;
S402,在时域上计算所述处理后脑氧信号和心率信号的心脑相干耦合系数记作HBCC,其计算公式为:
;
其中,x(t)为所述处理后脑氧信号在t时刻对应的数值,X(t)为x(t)从起始时刻到t时刻的均方根值;T为采集时间段,为x(t)在采集时间段T内的平均值;y(t)为所述心率信号在t时刻对应的数值,/>为所述心率信号在采集时间段T内的平均值;
S403,对所述处理后脑氧信号和心率信号进行二次耦合提取,利用最大信息系数构建心脑耦合特征函数,得到心脑耦合特征指标,包括心脑耦合特征峰值记作PV,所述心脑耦合特征峰值的半峰全宽记作FWHM,以及从起始时刻到达所述心脑耦合特征峰值对应的时间记作TTP(其中所述心脑耦合特征指标包括PV和TTP,用于表征用户心脑耦合的延迟或灵敏度,FWHM用于表征其心脑耦合持续时间);
S404,根据所述处理后脑氧信号和心率信号,计算心脑信息流向特征;所述心脑信息流向特征包括心脑回归预测系数和心脑传导熵,其具体方法为:
S4041,将x(t)从起始时刻到t时刻对应的数值总和记作Xsum(t),y(t)从起始时刻到t时刻对应的数值总和记作Ysum(t);利用非线性回归方法建立Xsum(t)和Ysum(t)与t时刻对应的y(t)值之间的回归模型记作model Y|XY,以及仅由Ysum(t)与t时刻对应的y(t)之间的回归模型记作model Y|Y;
S4042,计算心脑回归预测系数记作Fxy,其计算公式为:
;
其中,σ2 Y|XY表示为model Y|XY的预测误差的方差值,σ2 Y|Y表示为model Y|Y的预测误差的方差值,log2为计算以2为底的对数;
S4043,计算所述处理后脑氧信号和心率信号之间的心脑传导熵记作TE(X→Y),其计算公式为:
;
其中,TE(X→Y)表示从X到Y的传导熵,X表示所述处理后脑氧信号,Xt为所述处理后脑氧信号对应t时刻的数值,Y表示所述心率信号,Yt 为所述心率信号对应t时刻的数值;H( Yt | Yt-1 , Yt-2 ,…, Yt-n , Xt-1 , Xt-2 ,…, Xt-m )表示在考虑X的影响下,Yt与前n个时刻的值以及Xt前m个时刻的值之间的条件熵,H( Yt | Yt-1 , Yt-2 ,…, Yt-n )表示在不考虑X的影响下,Yt 与前n个时刻的值之间的条件熵(由于心率信号具有很强的个体差异性,存在天生或因病导致其心率变异性分析指标偏大或偏大的参数误差,仅通过心率变异性指标进行评估容易造成评估偏差;而在S400中,根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集能够多维度地表征由于精神压力引起的心电和脑氧信号变化,在S404中进行二次耦合提取,得到心脑耦合特征指标能够准确的表征用户心脑耦合的延迟、灵敏度及心脑耦合持续时间,为精神压力评估提供了更加准确可靠的指标,进一步提高精神压力评估的准确性及适用性)。
优选地,在S403中,对所述处理后脑氧信号和心率信号进行二次耦合提取,利用最大信息系数构建心脑耦合特征函数的方法为:在时域上计算所述处理后脑氧信号和心率信号的最大信息系数记作MIC,其计算方法为:
;
其中,MIC(t)为所述最大信息系数MIC在t时刻对应的数值,x(t)为所述处理后脑氧信号在t时刻对应的数值,y(t)为所述心率信号在t时刻对应的数值;G表示为计算范围,g(x,y)表示为x×y的二维网格,构建变量x(t)、y(t)的散点图,计算其网格覆盖散点图分别表示为X(G),Y(G);分别累乘X(G)和Y(G)的所有散点值,max G∈g(x,y)表示为在G∈g(x,y)范围内取其最大值;min(x(t), y(t))为取t时刻时x(t)、y(t)之间的最小值,log2为计算以2为底的对数,在x、y和xy都小于B=N0.6,其中N为采集时间段长度的条件下,计算所述最大值与最小值的比值,即为根据各散点在网格X(G),Y(G)中子格内的频率来计算变量x(t)和y(t)之间的最大的相关系数得到MIC(t),记作随采集时刻t变化的心脑耦合特征函数。
进一步地,在S500中,将多个试验用户对应的所述心电特征集、心率变异性特征集和心脑耦合特征集构成压力特征集作为输入,利用集成学习方法建立精神压力评估模型的方法为:
S501,基于精神压力评估量表获得多个试验用户的量表分数;将多个试验用户对应的所述心电特征集、心率变异性特征集和心脑耦合特征集构成压力特征集,按照一定比例将所述压力特征集划分为训练数据集、测试数据集和验证数据集;
S502,利用机器学习方法对进行所述训练数据集进行分类训练,构建初级分类模型;
S503,对所述初级分类模型采用十折交叉验证方法或留一法验证进行模型验证,选取每个验证数据集上对应识别准确率最高的模型组成集成初级模型;
S504,利用 BP神经网络模型、多层感知网络(MLP)、卷积神经网络(CNN)作为集成次级模型,将所述集成初级模型的输出作为所述集成次级模型的输入,结合对应的所述量表分数作为输出,训练得到最终决策模型,即为压力评估初级模型;
S505,利用所述压力评估初级模型对所述测试数据集进行优化训练,得到最优的精神压力评估模型;
S506,利用所述验证数据集对所述精神压力评估模型进行预测评估,输出对应的精神压力值。
进一步地,在S600中,根据S200~S400计算得到用户对应的数据集作为所述精神压力评估模型的输入,输出用户对应的精神压力值记作MS,所述脑血氧变异度记作β,进行精神压力修正获得修正后的精神压力值等于β×MS(若用户存在天生或因病导致心率变异性分析指标偏大或偏小,仅使用心率变异性分析指标进行精神压力评估可能会出现评估偏差;而正常用户脑血氧变异度会随着心率变异度变化发生相应的变大或变小,但天生或因病导致心率变异度大的用户的脑血氧变异度并不大,因此利用由所述处理后脑氧信号计算得到的脑血氧数据变异度,对用户评估的精神压力值进行修正,能够大大减少因心率个体差异性导致的精神压力评估误差,使得该发明适用于全人群的准确精神压力评估)。
根据本公开的另一方面,还提供一种心脑耦合分析评估***,所述处理器执行所述计算机程序运行在以下***的单元中:
心脑信号采集单元,用于利用心脑采集设备在采集时间段内采集多个试验用户对应的脑氧信号及心电信号;
数据预处理单元,用于对所述脑氧信号及心电信号分别进行数据预处理,得到处理后脑氧信号、处理后心电信号和脑血氧变异度;
心率特征提取单元,用于对所述处理后心电信号分别进行特征提取,计算得到心率信号和心率变异性特征集;
心脑耦合分析评估单元,用于根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集;
评估模型建立单元,用于将多个试验用户对应的所述心电特征集、心率变异性特征集和心脑耦合特征集构成数据集作为输入,利用集成学习方法建立精神压力评估模型;
精神压力评估单元,用于将用户对应的数据集输入所述精神压力评估模型,结合所述脑血氧变异度进行精神压力修正,输出修正后的精神压力值。
如上所述,本发明所述的一种心脑耦合分析评估方法及***,具有以下有益效果:(1)实时同步获取用户脑氧信号和心电信号,能够全面客观的反应用户的生理状态;(2)对脑氧信号和心电信号进行心脑耦合分析评估,获得心电特征集、心率变异性特征集和心脑耦合特征集,利用集成学习方法构建精神压力评估模型,能解决采用量表、问卷或访谈等较为主观的方式进行精神压力评估时造成的评估误差;(3)利用脑血氧数据变异度对精神压力值进行修正,在一定程度上解决根据仅利用心率变异性特征进行压力评估的评估准确度较低且与精神压压力相关性较差的问题,有效避免单一生理参数偶然误差和个体化差异导致的评估误差;(4)提出了一种心脑耦合分析评估方法,更适用于全人群的准确精神压力评估,为精神压力评估提供了更加准确可靠的客观标准指标。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,在附图中:
图1所示为一种心脑耦合分析评估方法于一实施例中的流程图;
图2所示为一种心脑耦合分析评估方法于一实施例中根据心脑耦合特征函数提取心脑耦合特征指标的示意图;
图3所示为一种心脑耦合分析评估***于一实施例中的***结构图;
图4所述为一种心脑耦合分析评估***于一实施例中一种利用集成学习方法建立精神压力评估模型的模型构建示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本发明的一种心脑耦合分析评估方法的流程图,下面结合图1来阐述根据本发明的实施方式的一种心脑耦合分析评估方法。本公开提出一种心脑耦合分析评估方法,所述方法具体包括以下步骤:
S100,在采集时间段内采集多个试验用户对应的脑氧信号及心电信号;
S200,对所述脑氧信号及心电信号分别进行数据预处理,得到处理后脑氧信号、处理后心电信号和脑血氧变异度;
S300,对所述处理后心电信号分别进行特征提取,计算得到心电特征集、心率信号和心率变异性特征集;
S400,根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集;
S500,将多个试验用户对应的所述心电特征集、心率变异性特征集和心脑耦合特征集构成数据集作为输入,利用集成学习方法建立精神压力评估模型;
S600,根据S200~S400计算得到用户对应的数据集作为所述精神压力评估模型的输入,输出用户对应的精神压力值,并结合所述脑血氧变异度进行精神压力修正,获得修正后的精神压力值。
优选地,在S100中,在采集时间段内采集多个试验用户对应的脑氧信号及心电信号,还包括基于精神压力评估量表获得多个试验用户的量表分数;所述精神压力评估量表包括但不限于心理压力评估量表(PSTR)、斯特雷斯事件量表(SLE)、负性生活事件量表(LES)、简明压力问卷(PSQ)、剧烈事件量表(LEQ)、社会支持评估量表(SSRS)、压力与应对问卷(SCQ)、紧张情绪自评量表(POMS)等;并利用脑氧采集设备和心电采集设备,在采集时间段内采集多个试验用户对应的脑氧信号及心电信号。
具体地,在本具体实施例中,所述脑氧采集设备选用近红外光谱仪,利用近红外光谱检测脑血氧浓度的变化。其中,通过所述近红外光谱仪采集各个试验用户的大脑皮层的散射光强度连续变化,基于修正的朗伯比尔定律,计算得到动态的所述脑氧信号,包括与氧合血红蛋白和脱氧血红蛋白的相对浓度变化有关的光强度,其中光强度的计算公式为:
;
其中,OD表示为与血红蛋白的相对浓度变化有关的光强度的大小,即为所述脑氧信号;I0为所述近红外光谱仪的近红外光源的发光强度,I为所述近红外光谱仪的探测器获取散射的测量光强度,为衰减系数,[X]为血红蛋白的相对浓度,包括氧合血红蛋白和脱氧血红蛋白;L为近红外光源与探测器之间的源探距离,DPF为差分路径长度因子,用于校正其血红蛋白浓度变化大小由于个体年龄差异带来的计算误差,GJ为与散射相关的几何因子,log2为计算以2为底的对数;其中,DPF的计算公式为:
;
其中, Age为试验用户的个体年龄值。
优选地,在S200中,对所述脑氧信号及心电信号分别进行数据预处理的具体方法包括:
S201,基于小波最小长度准则法去除所述脑氧信号的趋势,并经过滤波处理后,使用滑动标准差法识别所述脑氧信号中的运动伪迹段,采用样条插值法替换所述运动伪迹段对应的信号数据,得到处理后脑氧信号;
S202,基于小波变换法去除所述心电信号的基线漂移,采用低通滤波、双线性变换和零相位移数字滤波对所述心电信号中的高频干扰进行滤除,得到处理后心电信号;
S203, 根据所述处理后脑氧信号在采集时间段内计算得到脑血氧变异度,包括但不限于所述处理后脑氧信号的标准差值、方差值、极差值和四分位距等。
具体地,在本具体实施例,S201中,所述滤波处理包括对去趋势后的所述脑氧信号通过0.5Hz低通滤波和0.01Hz高通滤波,用于去除漂移噪声和生理干扰;采用三次样条插值法对运动伪迹段进行矫正,得到预处理后的处理后脑氧信号。S202中,所述低通滤波选用巴特沃斯数字低通滤波器,其通带截止频率设为180Hz,通带最大衰减设为1.4,阻带截止频率设为200Hz,阻带最小衰减设为1.6;以及滤除50Hz的工频干扰和35Hz的肌电干扰,得到预处理后的处理后心电信号。
进一步地,在S300中,对所述处理后心电信号进行特征提取,计算得到心电特征集、心率信号和心率变异性特征集的方法为:
S301,对所述处理后心电信号进行心电特征提取,通过步骤S3011~ S3013获得对应的时域参数和频域参数,得到所述心电特征集:
S3011,在时域上计算采集时间段内连续RR间隔的标准差SDNN、连续RR间隔差值的均方根RMSSD,相邻RR间隔大于50ms的比值pNN50;
S3012,在频域上计算所述处理后心电信号的各个频段功率值,包括功率在0.0033Hz-0.04Hz范围内的极低频功率VLF、功率在0.04Hz-0.15Hz范围内的低频功率LF、功率在0.15Hz-0.4Hz范围内的高频功率HF,以及计算低频功率和高频功率的比值记作LF/HF
S3013,所述心电特征集包括SDNN、RMSSD、pNN50和VLF、LF、HF、LF/HF;
S302,对所述处理后心电信号进行心率提取,采用自动多尺度峰值查找算法对所述处理后心电信号进行波峰提取,得到各个R波对应的波峰,并进行波峰校正和心率计算得到心率信号;
S303,对所述心率信号进行心率变异性特征提取,得到所述心率变异性特征集;其中,通过步骤S3031~ S3033获得所述心率变异性特征集:
S3031,利用庞加莱散点图分析所述心率信号,分别计算垂直于X=Y方向散点图内与短轴和长轴之间的距离,分别记作SD1和SD2;
S3032,利用去趋势波动分析法分析所述心率信号,获得曲线斜率的长程波动系数α1和短程波动系数α2;
S3033,利用近似熵、样本熵、关联维方法分析所述心率信号,计算得到所述心率信号的复杂度和不规则度指标,包括近似熵值记作ApEn、样本熵值记作SampEn、关联维值记作d2;
S3034,所述心率变异性特征集包括SD1和SD2,α1和α2,以及ApEn、SampEn和d2。
具体地,在本具体实施例,S302中,对所述处理后心电信号进行心率提取得到心率信号的具体方法包括:
S3021,利用自动多尺度峰值查找算法识别所述处理后心电信号中各个R波对应的波峰;
S3022,对各个R波对应的波峰进行校正,在各个波峰对应的时刻之前搜索小于或等于(4 / Fs)秒(其中Fs是采样频率),若在上述确定的时间段(4 / Fs)秒内检测到另一个波峰,则该波峰作为相对最大值并从检测到的波峰中删除;
S3023,计算所述各个R波对应的波峰在最近4秒间隔内的RR间期的平均值和标准差分别记作mean和sd,计算从开始到各个波峰所在点的RR间期的标准差记作SD,判断 RR间期是否满足范围条件:m-k×SD<RR间期(s) < m+k×SD,其中k=0.8×15/sd,若是则利用最近相邻的RR间期进行三次插值法对所述各个R波对应的波峰进行修正,得到校正后的波峰;
S3024,计算一分钟内出现所述校正后的波峰对应的RR间期的次数,得到心率信号记作HR,单位为次/分钟;具体地,在所述处理后心电信号中存在心动周期,RR间期表示一个完整的心动周期所需要的时间,即两个R波之间的时间间隔;其中,在各个RR间期中的最高峰定为R波;HR=60/RR间期(s)(利用自动多尺度峰值查找算法识别的峰值点可能是相对最大值或非峰值点,对波峰的错误识别会导致心率信号的计算偏差,从而导致进行心脑耦合分析评估和精神压力评估结果出现误差;在S302中提出一种波峰修正方法,能够大大减少了因心率信号提取不准确导致的精神压力评估偏差,提高了精神压力评估的准确率)。
具体地,在本具体实施例中,在S3033中,所述近似熵值的计算方法为:首先将所述心率信号分为若干个不重叠的窗口;对每个窗口内的所述心率信号计算近似熵值,记作ApEn(m, r, L1),其计算公式为:
;
;
;
其中,m为近似熵的阶数,r为相似性判据的阈值,L1为窗口长度,ApEn(m, r, L1)表示为所述近似熵值以r为相似性判据阈值、L1为窗口长度的条件下计算的m阶数值, L1∈[64,128];ϕ(m,r)(L1)表示在窗口长度为L1、相似性判据为r的条件下,m阶近似熵的估计值;ϕ(m+1,r)(L1)表示在窗口长度为L1、相似性判据为r的条件下,m+1阶近似熵的估计值;i为所述心率信号在窗口内的数据序号,i∈[1, L1];Cm r(i)表示从m阶第i个数据开始计算,在L1、r的条件下的相似模式的数量,Cm+1 r(i)表示从m+1阶第i个数据开始计算,在L1、r的条件下的相似模式的数量,Cm+2 r(i)表示从m+2阶第i个数据开始计算,在L1、r的条件下的相似模式的数量,ln函数为取自然对数的计算;进一步对所有窗口的近似熵值ApEn(m, r, L1)进行平均,得到心率变异性的近似熵值记作ApEn。
具体地,在本具体实施例中,在S3033中,所述样本熵值计算方法为:首先将所述心率信号分为若干个不重叠的窗口,设窗口长度为L2, L2∈[64,128];将所述心率信号在窗口内的第j个数据记作yj,j为所述心率信号在窗口内的数据序号,j∈[1, L2];计算各个数据点yj和其后m个数据点之间的欧几里得距离或曼哈顿距离记作dj,k,其中k=j+1, j+2,…, j+m, k为变量;计算各个数据点yj与其对应的dj,k小于的所有数据点的数量记作nj;计算各个数据点yj中长度为m的子序列与长度为m+1的子序列的数量记作A(m,r)(j),其中长度为m的子序列包含yj到yj+m-1对应的数据,长度为m+1的子序列包含yj到yj+m对应的数据,并且长度为m的子序列与长度为m+1的子序列在距离小于/>的相似模式中的数据相等;进一步计算样本熵值,记作SampEn(m, r, L2),其计算公式为:
;
其中,SampEn(m, r, L2)表示为所述样本熵以m为序列长度,r为相似性判据阈值、L2为窗口长度的条件下计算的数值;进一步对对所有窗口的样本熵值SampEn(m, r, L2)进行平均,得到心率变异性的样本熵值记作SampEn。
具体地,在本具体实施例中,在S3033中,所述关联维值计算方法为:首先将所述心率信号分为若干个不重叠的窗口,设窗口长度为L3,L3∈[64,128];将各个窗口内所述心率信号的第p个数据记作yp,p为所述心率信号在窗口内的数据序号,p∈[1, L3];将延迟时间设为τ,嵌入维数设为m,通过试验或模型选择来确定;构建一个m维向量记作yp m=[yp , yp+τ,… , yp+(m-1)τ],其中p=1,2,…, L3-(m-1) ×τ;计算yp m各个元素之间的欧几里得距离,并将欧几里得距离小于给定阈值r的向量标记为相邻向量;构建一个大小为K×K的关联矩阵记作C,其中K表示相邻向量的数量,C(i1, j1)表示为第i1个向量与第j1个向量之间的欧几里得距离是否小于阈值r的标记值;其中,当yp m的元素之间的欧几里得距离小于r时,标记值=1,否则标记值=0;进一步计算K×K阶的关联矩阵C在各阶对应的特征值记作λ1,λ2, …,λK;将特征值按照大小从大到小排序,根据Grassberger-Procaccia算法,通过计算特征值之间的差异关系得到所述关联维值记作d2(m r, L3);对所有窗口的关联维值d2(m r, L3)进行平均,得到心率变异性的关联维值记作d2。
进一步地,在S400中,所述心脑耦合特征集包括心脑耦合强度、心脑相干耦合系数和心脑信息流向特征;根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集的方法为:
S401,在频域上计算所述处理后脑氧信号和心率信号的心脑耦合强度记作ERCoh,其计算方法为:
;
其中,将所述处理后脑氧信号记作x,所述心率信号记作y,Gx,x(f)和Gy,y(f)分别表示为x和y的自功率谱,Gx,y(f)表示为x和y之间的互功率谱,f为频域上的频率值;
S402,在时域上计算所述处理后脑氧信号和心率信号的心脑相干耦合系数记作HBCC,其计算公式为:
;
其中,x(t)为所述处理后脑氧信号在t时刻对应的数值,X(t)为x(t)从起始时刻到t时刻的均方根值;T为采集时间段,为x(t)在采集时间段T内的平均值;y(t)为所述心率信号在t时刻对应的数值,/>为所述心率信号在采集时间段T内的平均值;
S403,对所述处理后脑氧信号和心率信号进行二次耦合提取,利用最大信息系数构建心脑耦合特征函数,得到心脑耦合特征指标,包括心脑耦合特征峰值记作PV,所述心脑耦合特征峰值的半峰全宽记作FWHM,以及从起始时刻到达所述心脑耦合特征峰值对应的时间记作TTP(其中所述心脑耦合特征指标包括PV和TTP,用于表征用户心脑耦合的延迟或灵敏度,FWHM用于表征其心脑耦合持续时间);
S404,根据所述处理后脑氧信号和心率信号,计算心脑信息流向特征;所述心脑信息流向特征包括心脑回归预测系数和心脑传导熵,其具体方法为:
S4041,将x(t)从起始时刻到t时刻对应的数值总和记作Xsum(t),y(t)从起始时刻到t时刻对应的数值总和记作Ysum(t);利用非线性回归方法建立Xsum(t)和Ysum(t)与t时刻对应的y(t)值之间的回归模型记作model Y|XY,以及仅由Ysum(t)与t时刻对应的y(t)之间的回归模型记作model Y|Y;
S4042,计算心脑回归预测系数记作Fxy,其计算公式为:
;
其中,σ2 Y|XY表示为model Y|XY的预测误差的方差值,σ2 Y|Y表示为model Y|Y的预测误差的方差值,log2为计算以2为底的对数;
S4043,计算所述处理后脑氧信号和心率信号之间的心脑传导熵记作TE(X→Y),其计算公式为:
;
其中,TE(X→Y)表示从X到Y的传导熵,X表示所述处理后脑氧信号,Xt为所述处理后脑氧信号对应t时刻的数值,Y表示所述心率信号,Yt 为所述心率信号对应t时刻的数值;H( Yt | Yt-1 , Yt-2 ,…, Yt-n , Xt-1 , Xt-2 ,…, Xt-m )表示在考虑X的影响下,Yt与前n个时刻的值以及Xt前m个时刻的值之间的条件熵,H( Yt | Yt-1 , Yt-2 ,…, Yt-n )表示在不考虑X的影响下,Yt 与前n个时刻的值之间的条件熵。
其中,心脑传导熵是一个矢量,若心脑传导熵为正,则表示X对Y的变化有正向的因果影响,即X的变化会导致Y变化;若心脑传导熵为负,则表示X对Y的变化有负向的因果影响,即X的变化会抑制Y的变化;若心脑传导熵为零,则表示X对Y的变化没有因果影响;其中TE(X→Y)的值越大,说明X对Y的影响越大,即X对Y的因果关系越强。
由于心率信号具有很强的个体差异性,存在天生或因病导致其心率变异性分析指标偏大或偏大的参数误差,仅通过心率变异性指标进行评估容易造成评估偏差;而在S400中,根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集能够多维度地表征由于精神压力引起的心电和脑氧信号变化,在S404中进行二次耦合提取,得到心脑耦合特征指标能够准确的表征用户心脑耦合的延迟、灵敏度及心脑耦合持续时间,为精神压力评估提供了更加准确可靠的指标,进一步提高精神压力评估的准确性及适用性。
优选地,在S403中,对所述处理后脑氧信号和心率信号进行二次耦合提取,利用最大信息系数构建心脑耦合特征函数的方法为:在时域上计算所述处理后脑氧信号和心率信号的最大信息系数记作MIC,其计算方法为:
;
其中,MIC(t)为所述最大信息系数MIC在t时刻对应的数值,x(t)为所述处理后脑氧信号在t时刻对应的数值,y(t)为所述心率信号在t时刻对应的数值;G表示为计算范围,g(x,y)表示为x×y的二维网格,构建变量x(t)、y(t)的散点图,计算其网格覆盖散点图分别表示为X(G),Y(G);分别累乘X(G)和Y(G)的所有散点值,max G∈g(x,y)表示为在G∈g(x,y)范围内取其最大值;min(x(t), y(t))为取t时刻时x(t)、y(t)之间的最小值,log2为计算以2为底的对数,在x、y和xy都小于B=N0.6,其中N为采集时间段长度的条件下,计算所述最大值与最小值的比值,即为根据各散点在网格X(G),Y(G)中子格内的频率来计算变量x(t)和y(t)之间的最大的相关系数得到MIC(t),记作随采集时刻t变化的心脑耦合特征函数。
具体地,在本具体实施例,S403中,如图2所示为根据心脑耦合特征函数提取心脑耦合特征指标的示意图,根据MIC(t)提取在采集时间段内的心脑耦合特征峰值记作PV,所述心脑耦合特征峰值的半峰全宽记作FWHM,以及从起始时刻到达所述心脑耦合特征峰值对应的时间记作TTP。
进一步地,在S500中,将多个试验用户对应的所述心电特征集、心率变异性特征集和心脑耦合特征集构成压力特征集作为输入,利用集成学习方法建立精神压力评估模型的方法为:
S501,基于精神压力评估量表获得多个试验用户的量表分数;将多个试验用户对应的所述心电特征集、心率变异性特征集和心脑耦合特征集构成压力特征集,按照一定比例将所述压力特征集划分为训练数据集、测试数据集和验证数据集;具体地,在本具体实施例中,所述设定比例为8:1:1;
S502,利用机器学习方法对进行所述训练数据集进行分类训练,构建初级分类模型;优选地,所述机器学习方法包括但不限于支持向量机(SVM)、随机森林、K近邻算法(KNN)、多层感知网络(MLP)、卷积神经网络(CNN)等分类算法;
S503,对所述初级分类模型采用十折交叉验证方法或留一法验证进行模型验证,选取每个验证数据集上对应识别准确率最高的模型组成集成初级模型;
S504,利用 BP神经网络模型、多层感知网络(MLP)、卷积神经网络(CNN)作为集成次级模型,将所述集成初级模型的输出作为所述集成次级模型的输入,结合对应的所述量表分数作为输出,训练得到最终决策模型,即为压力评估初级模型;
S505,利用所述压力评估初级模型对所述测试数据集进行优化训练,得到最优的精神压力评估模型;
S506,利用所述验证数据集对所述精神压力评估模型进行预测评估,输出对应的精神压力值。
具体地,在本具体实施例中,如图4所示为一种利用集成学习方法建立精神压力评估模型的模型构建示意图,对所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到多个模态和时域频域对应的心脑耦合特征,结合心电特征和心率变异性特征,利用机器学习方法构建集成初级模型,将集成初级模型的one-hot输出作为集成次级模型如神经网络等的训练输入,进一步训练优化得到精神压力评估模型,在决策层面实现了融合,使得在S500获得的精神压力评估模型具有更好的实时性、容错性和自适应性,抗干扰能力强,能稳定输出更客观准确的精神压力值。
优选地,在S600中,根据S200~S400计算得到用户对应的数据集作为所述精神压力评估模型的输入,输出用户对应的精神压力值记作MS,所述脑血氧变异度记作β,进行精神压力修正获得修正后的精神压力值等于β×MS(若用户存在天生或因病导致心率变异性分析指标偏大或偏小,仅使用心率变异性分析指标进行精神压力评估可能会出现评估偏差;而正常用户脑血氧变异度会随着心率变异度变化发生相应的变大或变小,但天生或因病导致心率变异度大的用户的脑血氧变异度并不大,因此利用由所述处理后脑氧信号计算得到的脑血氧数据变异度,对用户评估的精神压力值进行修正,能够大大减少因心率个体差异性导致的精神压力评估误差,使得该发明适用于全人群的准确精神压力评估)。
如图3所示为本公开的一种心脑耦合分析评估***结构图,所述处理器执行所述计算机程序运行在以下***的单元中:
心脑信号采集单元,用于利用心脑采集设备在采集时间段内采集多个试验用户对应的脑氧信号及心电信号;
数据预处理单元,用于对所述脑氧信号及心电信号分别进行数据预处理,得到处理后脑氧信号、处理后心电信号和脑血氧变异度;
心率特征提取单元,用于对所述处理后心电信号分别进行特征提取,计算得到心率信号和心率变异性特征集;
心脑耦合分析评估单元,用于根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集;
评估模型建立单元,用于将多个试验用户对应的所述心电特征集、心率变异性特征集和心脑耦合特征集构成数据集作为输入,利用集成学习方法建立精神压力评估模型;
精神压力评估单元,用于将用户对应的数据集输入所述精神压力评估模型,结合所述脑血氧变异度进行精神压力修正,输出修正后的精神压力值。
具体地,在本具体实施例中,在所述信号采集单元,利用心脑采集设备实时同步获取用户的脑氧信号和心电信号,能够全面客观的反应用户生理状态。其中,所述心脑采集设备至少包括脑氧采集设备和心电采集设备;所述脑氧采集设备和心电采集设备连接同一上位机,所述心脑采集设备通过无线传输的方式将数据发送到上位机;能够通过上位机对所述脑氧采集设备和心电采集设备进行控制和读取。
优选地,在另一种可能的实施例中,所述心电采集设备为单导联心电测量仪,所述脑氧采集设备为24通道脑氧测量仪;能够根据所述心电采集设备联合脑氧采集设备实现全人群的无创、动态、精准、简便易行的精神压力评估,适用于个人或人群精神压力评估,有较好的临床实用性。
具体地,在本具体实施例中,在所述心率特征提取单元、所述心脑耦合分析评估单元,对预处理后的脑氧信号和心电信号中提取心率变异性特征,和精神压力状态下的大脑、心脏及心脑耦合等多生理参数特征;在所述评估模型建立单元,根据多生理参数对应的心脑耦合特征集结合集成学习方法构建精神压力评估模型;在所述精神压力评估单元,能够获得更加客观准确的精神压力值,克服了现有依据量表、问卷或访谈等较为主观的方式进行精神压力评估时造成的评估误差。
所述一种心脑耦合分析评估***可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中。所述一种心脑耦合分析评估***包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种心脑耦合分析评估方法及***的示例,并不构成对一种心脑耦合分析评估方法及***的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种心脑耦合分析评估***还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-ProgrammHCO3-le Gate Array,FPGA) 或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种心脑耦合分析评估***的控制中心,利用各种接口和线路连接整个一种心脑耦合分析评估***的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种心脑耦合分析评估方法及***的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (3)
1.一种心脑耦合分析评估方法,其特征在于,所述方法包括以下步骤:
S100,在采集时间段内采集多个试验用户对应的脑氧信号及心电信号;
S200,对所述脑氧信号及心电信号分别进行数据预处理,得到处理后脑氧信号、处理后心电信号和脑血氧变异度;
S300,对所述处理后心电信号分别进行特征提取,计算得到心电特征集、心率信号和心率变异性特征集;
S400,根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集;
S500,将多个试验用户对应的所述心电特征集、心率变异性特征集和心脑耦合特征集构成数据集作为输入,利用集成学习方法建立精神压力评估模型;
S600,根据S200~S400计算得到用户对应的数据集作为所述精神压力评估模型的输入,输出用户对应的精神压力值,并结合所述脑血氧变异度进行精神压力修正,获得修正后的精神压力值;
在S300中,对所述处理后心电信号进行特征提取,计算得到心电特征集、心率信号和心率变异性特征集的方法为:
S301,对所述处理后心电信号进行心电特征提取,通过步骤S3011~ S3013获得对应的时域参数和频域参数,得到所述心电特征集:
S3011,在时域上计算采集时间段内连续RR间隔的标准差SDNN、连续RR间隔差值的均方根RMSSD,相邻RR间隔大于50ms的比值pNN50;
S3012,在频域上计算所述处理后心电信号的各个频段功率值,包括功率在0.0033Hz-0.04Hz范围内的极低频功率VLF、功率在0.04Hz-0.15Hz范围内的低频功率LF、功率在0.15Hz-0.4Hz范围内的高频功率HF,以及计算低频功率和高频功率的比值记作LF/HF
S3013,所述心电特征集包括SDNN、RMSSD、pNN50和VLF、LF、HF、LF/HF;
S302,对所述处理后心电信号进行心率提取,采用自动多尺度峰值查找算法对所述处理后心电信号进行波峰提取,得到各个R波对应的波峰,并进行波峰校正和心率计算得到心率信号;
S303,对所述心率信号进行心率变异性特征提取,得到所述心率变异性特征集;其中,通过步骤S3031~ S3033获得所述心率变异性特征集:
S3031,利用庞加莱散点图分析所述心率信号,分别计算垂直于X=Y方向散点图内与短轴和长轴之间的距离,分别记作SD1和SD2;
S3032,利用去趋势波动分析法分析所述心率信号,获得曲线斜率的长程波动系数α1和短程波动系数α2;
S3033,利用近似熵、样本熵、关联维方法分析所述心率信号,计算得到所述心率信号的复杂度和不规则度指标,包括近似熵值记作ApEn、样本熵值记作SampEn、关联维值记作d2;
S3034,所述心率变异性特征集包括SD1和SD2,α1和α2,以及ApEn、SampEn和d2;
在S400中,所述心脑耦合特征集包括心脑耦合强度、心脑相干耦合系数和心脑信息流向特征;根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集的方法为:
S401,在频域上计算所述处理后脑氧信号和心率信号的心脑耦合强度记作ERCoh,其计算方法为:
;
其中,将所述处理后脑氧信号记作x,所述心率信号记作y,Gx,x(f)和Gy,y(f)分别表示为x和y的自功率谱,Gx,y(f)表示为x和y之间的互功率谱,f为频域上的频率值;
S402,在时域上计算所述处理后脑氧信号和心率信号的心脑相干耦合系数记作HBCC,其计算公式为:
;
其中,x(t)为所述处理后脑氧信号在t时刻对应的数值,X(t)为x(t)从起始时刻到t时刻的均方根值;T为采集时间段,为x(t)在采集时间段T内的平均值;y(t)为所述心率信号在t时刻对应的数值,/>为所述心率信号在采集时间段T内的平均值;
S403,对所述处理后脑氧信号和心率信号进行二次耦合提取,利用最大信息系数构建心脑耦合特征函数,得到心脑耦合特征指标,包括心脑耦合特征峰值记作PV,所述心脑耦合特征峰值的半峰全宽记作FWHM,以及从起始时刻到达所述心脑耦合特征峰值对应的时间记作TTP;
S404,根据所述处理后脑氧信号和心率信号,计算心脑信息流向特征;所述心脑信息流向特征包括心脑回归预测系数和心脑传导熵;
在S404中,根据所述处理后脑氧信号和心率信号,计算心脑信息流向特征的方法为:
S4041,将x(t)从起始时刻到t时刻对应的数值总和记作Xsum(t),y(t)从起始时刻到t时刻对应的数值总和记作Ysum(t);利用非线性回归方法建立Xsum(t)和Ysum(t)与t时刻对应的y(t)值之间的回归模型记作model Y|XY,以及仅由Ysum(t)与t时刻对应的y(t)之间的回归模型记作model Y|Y;
S4042,计算心脑回归预测系数记作Fxy,其计算公式为:
;
其中,σ2 Y|XY表示为model Y|XY的预测误差的方差值,σ2 Y|Y表示为model Y|Y的预测误差的方差值,log2为计算以2为底的对数;
S4043,计算所述处理后脑氧信号和心率信号之间的心脑传导熵记作TE(X→Y),其计算公式为:
;
其中,TE(X→Y)表示从X到Y的传导熵,X表示所述处理后脑氧信号,Xt为所述处理后脑氧信号对应t时刻的数值,Y表示所述心率信号,Yt 为所述心率信号对应t时刻的数值;H( Yt |Yt-1 , Yt-2 ,…, Yt-n , Xt-1 , Xt-2 ,…, Xt-m )表示在考虑X的影响下,Yt与前n个时刻的值以及Xt前m个时刻的值之间的条件熵,H( Yt | Yt-1 , Yt-2 ,…, Yt-n )表示在不考虑X的影响下,Yt 与前n个时刻的值之间的条件熵;
在S500中,将多个试验用户对应的所述心电特征集、心率变异性特征集和心脑耦合特征集构成压力特征集作为输入,利用集成学习方法建立精神压力评估模型的方法为:
S501,基于精神压力评估量表获得多个试验用户的量表分数;将多个试验用户对应的所述心电特征集、心率变异性特征集和心脑耦合特征集构成压力特征集,按照一定比例将所述压力特征集划分为训练数据集、测试数据集和验证数据集;
S502,利用机器学习方法对进行所述训练数据集进行分类训练,构建初级分类模型;
S503,对所述初级分类模型采用十折交叉验证方法或留一法验证进行模型验证,选取每个验证数据集上对应识别准确率最高的模型组成集成初级模型;
S504,利用 BP神经网络模型、多层感知网络、卷积神经网络作为集成次级模型,将所述集成初级模型的输出作为所述集成次级模型的输入,结合对应的所述量表分数作为输出,训练得到最终决策模型,即为压力评估初级模型;
S505,利用所述压力评估初级模型对所述测试数据集进行优化训练,得到最优的精神压力评估模型;
S506,利用所述验证数据集对所述精神压力评估模型进行预测评估,输出对应的精神压力值。
2.根据权利要求1所述的一种心脑耦合分析评估方法,其特征在于,在S600中,根据S200~S400计算得到用户对应的数据集作为所述精神压力评估模型的输入,输出用户对应的精神压力值记作MS,所述脑血氧变异度记作β,进行精神压力修正获得修正后的精神压力值为β×MS。
3.一种心脑耦合分析评估***,其特征在于,所述***包括:存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序;所述处理器执行所述计算机程序时实现权利要求1至2中的任意一种所述心脑耦合分析评估方法中的步骤,具体包括:
心脑信号采集单元,用于利用心脑采集设备在采集时间段内采集多个试验用户对应的脑氧信号及心电信号;
数据预处理单元,用于对所述脑氧信号及心电信号分别进行数据预处理,得到处理后脑氧信号、处理后心电信号和脑血氧变异度;
心率特征提取单元,用于对所述处理后心电信号分别进行特征提取,计算得到心率信号和心率变异性特征集;
心脑耦合分析评估单元,用于根据所述处理后脑氧信号和心率信号进行心脑耦合分析评估,得到心脑耦合特征集;
评估模型建立单元,用于将多个试验用户对应的所述心电特征集、心率变异性特征集和心脑耦合特征集构成数据集作为输入,利用集成学习方法建立精神压力评估模型;
精神压力评估单元,用于将用户对应的数据集输入所述精神压力评估模型,结合所述脑血氧变异度进行精神压力修正,输出修正后的精神压力值;
所述一种心脑耦合分析评估***运行于桌上型计算机、笔记本、掌上电脑中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572181.4A CN116269391B (zh) | 2023-05-22 | 2023-05-22 | 一种心脑耦合分析评估方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572181.4A CN116269391B (zh) | 2023-05-22 | 2023-05-22 | 一种心脑耦合分析评估方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116269391A CN116269391A (zh) | 2023-06-23 |
CN116269391B true CN116269391B (zh) | 2023-07-18 |
Family
ID=86799941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310572181.4A Active CN116269391B (zh) | 2023-05-22 | 2023-05-22 | 一种心脑耦合分析评估方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116269391B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103584872A (zh) * | 2013-10-29 | 2014-02-19 | 燕山大学 | 一种基于多生理参数融合的心理压力评估方法 |
JP2017074356A (ja) * | 2015-10-16 | 2017-04-20 | 国立大学法人広島大学 | 感性評価方法 |
CN109938756A (zh) * | 2019-02-15 | 2019-06-28 | 深圳和而泰数据资源与云技术有限公司 | 一种监测精神压力的方法、脖套及*** |
CN112206140A (zh) * | 2020-09-03 | 2021-01-12 | 国家康复辅具研究中心 | 心脑耦合导向的气动循环训练方法及*** |
CN112617851A (zh) * | 2021-01-06 | 2021-04-09 | 北京航空航天大学 | 一种基于心电信号的脑力负荷分类方法及*** |
CN114052747A (zh) * | 2020-08-10 | 2022-02-18 | 西安领跑网络传媒科技股份有限公司 | 脑状态调节方法、装置、计算机设备和存储介质 |
WO2022099702A1 (zh) * | 2020-11-16 | 2022-05-19 | 深圳市汇顶科技股份有限公司 | 一种可穿戴设备及ppg信号的检测方法 |
CN115444431A (zh) * | 2022-09-02 | 2022-12-09 | 厦门大学 | 一种基于互信息驱动下的脑电情绪分类模型生成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11406316B2 (en) * | 2018-02-14 | 2022-08-09 | Cerenion Oy | Apparatus and method for electroencephalographic measurement |
-
2023
- 2023-05-22 CN CN202310572181.4A patent/CN116269391B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103584872A (zh) * | 2013-10-29 | 2014-02-19 | 燕山大学 | 一种基于多生理参数融合的心理压力评估方法 |
JP2017074356A (ja) * | 2015-10-16 | 2017-04-20 | 国立大学法人広島大学 | 感性評価方法 |
CN109938756A (zh) * | 2019-02-15 | 2019-06-28 | 深圳和而泰数据资源与云技术有限公司 | 一种监测精神压力的方法、脖套及*** |
CN114052747A (zh) * | 2020-08-10 | 2022-02-18 | 西安领跑网络传媒科技股份有限公司 | 脑状态调节方法、装置、计算机设备和存储介质 |
CN112206140A (zh) * | 2020-09-03 | 2021-01-12 | 国家康复辅具研究中心 | 心脑耦合导向的气动循环训练方法及*** |
WO2022099702A1 (zh) * | 2020-11-16 | 2022-05-19 | 深圳市汇顶科技股份有限公司 | 一种可穿戴设备及ppg信号的检测方法 |
CN112617851A (zh) * | 2021-01-06 | 2021-04-09 | 北京航空航天大学 | 一种基于心电信号的脑力负荷分类方法及*** |
CN115444431A (zh) * | 2022-09-02 | 2022-12-09 | 厦门大学 | 一种基于互信息驱动下的脑电情绪分类模型生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116269391A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | A new, short-recorded photoplethysmogram dataset for blood pressure monitoring in China | |
Liang et al. | An optimal filter for short photoplethysmogram signals | |
Karthikeyan et al. | Detection of human stress using short-term ECG and HRV signals | |
Wu et al. | Automatic epileptic seizures joint detection algorithm based on improved multi-domain feature of cEEG and spike feature of aEEG | |
Olier et al. | How machine learning is impacting research in atrial fibrillation: implications for risk prediction and future management | |
Altan et al. | A new approach to early diagnosis of congestive heart failure disease by using Hilbert–Huang transform | |
CN111466876B (zh) | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断*** | |
Karimi Moridani et al. | Non-linear feature extraction from HRV signal for mortality prediction of ICU cardiovascular patient | |
JP6727432B2 (ja) | 睡眠判定装置、睡眠判定方法、および、睡眠判定プログラム | |
Yan et al. | Emotion classification with multichannel physiological signals using hybrid feature and adaptive decision fusion | |
Belle et al. | A signal processing approach for detection of hemodynamic instability before decompensation | |
Brink-Kjaer et al. | Automatic detection of cortical arousals in sleep and their contribution to daytime sleepiness | |
Vican et al. | Can empirical mode decomposition improve heartbeat detection in fetal phonocardiography signals? | |
Sahu et al. | Scz-scan: An automated schizophrenia detection system from electroencephalogram signals | |
Jaleel et al. | Improved spindle detection through intuitive pre-processing of electroencephalogram | |
US20240148282A1 (en) | Method and apparatus for non-invasive estimation of glycated hemoglobin or blood glucose by using machine learning | |
Antunes et al. | A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography | |
You et al. | Multivariate time–frequency analysis of electrohysterogram for classification of term and preterm labor | |
Park et al. | A prediction algorithm for hypoglycemia based on support vector machine using glucose level and electrocardiogram | |
Naghsh et al. | Chaos-based analysis of heart rate variability time series in obstructive sleep apnea subjects | |
CN116269391B (zh) | 一种心脑耦合分析评估方法及其*** | |
Mathunjwa et al. | Automatic IHR-based sleep stage detection using features of residual neural network | |
Athaya et al. | An efficient fingertip photoplethysmographic signal artifact detection method: A machine learning approach | |
CN114947850A (zh) | 基于脉搏波高斯模型特征的脑力负荷等级客观检测方法 | |
Al-Yousif et al. | Intrapartum cardiotocography trace pattern pre-processing, features extraction and fetal health condition diagnoses based on RCOG guideline |
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 |