CN116421187B - 一种基于言语层级序列的注意力缺陷多动障碍的分析*** - Google Patents
一种基于言语层级序列的注意力缺陷多动障碍的分析*** Download PDFInfo
- Publication number
- CN116421187B CN116421187B CN202310328673.9A CN202310328673A CN116421187B CN 116421187 B CN116421187 B CN 116421187B CN 202310328673 A CN202310328673 A CN 202310328673A CN 116421187 B CN116421187 B CN 116421187B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- frequency
- sequence
- hyperactivity disorder
- attention deficit
- 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
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 title claims abstract description 62
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 title claims abstract description 61
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 title claims abstract description 61
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 76
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 5
- 210000004556 brain Anatomy 0.000 claims description 49
- 230000009466 transformation Effects 0.000 claims description 11
- 208000024891 symptom Diseases 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 16
- 208000013403 hyperactivity Diseases 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 230000001149 cognitive effect Effects 0.000 description 6
- 238000005481 NMR spectroscopy Methods 0.000 description 4
- 230000006735 deficit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 230000007177 brain activity Effects 0.000 description 3
- 230000019771 cognition Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 230000004424 eye movement Effects 0.000 description 3
- 208000009205 Tinnitus Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000721701 Lynx Species 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000002504 physiological saline solution Substances 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 235000005040 sarson Nutrition 0.000 description 1
- 244000128879 sarson Species 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- 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
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- 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)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Developmental Disabilities (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Educational Technology (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
- Audiology, Speech & Language Pathology (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言语层级序列的注意力缺陷多动障碍的分析***,包括:语音序列生成模块,用于构建具有音节和词汇两层级的语音序列;脑电信号采集模块,使用音频输入设备向被测试者呈现语音序列,并使用脑电记录设备同步采集被测试者的脑电信号;脑电信号分析模块,对脑电信号进行处理得到脑电响应频谱,基于脑电响应频谱计算不同频率处脑电响应的试次间相位一致性,通过音节、词汇频率处的脑电响应相位一致性峰值判断被测试者是否存在注意力缺陷多动障碍。本发明***具备便捷、高效的特性,通过脑电信号为注意力缺陷多动障碍的诊断与干预提供了良好的辅助作用,具有广泛的适用场景与适用人群。
Description
技术领域
本发明涉及医学技术领域,尤其涉及一种基于言语层级序列的注意力缺陷多动障碍的分析***。
背景技术
注意力缺陷多动障碍(ADHD)是一种常见的儿童精神障碍,其特征是注意力缺陷,多动和/或冲动以及认知功能障碍,俗称多动症。调查显示,世界范围内注意力缺陷多动障碍患病率高达3%~7%(Faraone,S.V.,Asherson,P.,Banaschewski,T.,etal.2015.Attention-deficit/hyperactivity disorder.Nature Reviews DiseasePrimers,1,1-23.),并且呈持续上升的趋势(Thapar,A.,Cooper,M.,2016.Attentiondeficit hyperactivity disorder.The Lancet 387,10024,1240-1250.)。ADHD患者将出现注意不集中、注意时间短暂、过度活动、情绪不稳等症状,影响患者的学习、工作与社会交往,严重损害患者的身心健康,给患者的家庭与社会造成医疗与经济的负担。因此,对ADHD患者进行准确的诊断,尤其是对处于早期发育阶段的ADHD儿童进行准确的诊断,可以及时为患者提供积极有效的干预与治疗,有助于改善患者病情,避免症状的恶性发展,减轻患者家庭与社会的医疗与经济负担。
传统的ADHD诊断方法常采用临床量表的方式进行。在诊断过程中,医生或者评估人员与被测试者及其家属进行交流,并根据评定量表中列出的各项内容和指标对被测试者当场的行为表现以及家属所反馈的被测试者的日常情况进行评定和打分,依据评分结果进行ADHD诊断。目前常用的量表有家长评定量表如Conners Parent SymptomQuestionnaire,专业评定量表如SNAP IV以及儿童自评量表如Problems Scales in YouthSelf-Report等。然而,评定量表是由医生、评估人员和亲属对被测试者的行为表现进行打分的,是一个主观的评价过程,所以在针对低龄儿童时,由于其感知、运动、认知等功能可能未发育完善,评估人员对其注意力水平的评价可能受到影响,进而导致诊断结果不准确。此外,临床量表的分数和结果受评估人员个人专业能力的影响也较大。
随着认知科学的研究和发展,一些基于认知科学实验任务的计算机测验方法也应用于ADHD诊断之中,比如Rosvold等人(Rosvold,H.E.,Mirsky,A.F.,Sarason,I.,etal.1956.Acontinuous performance test of brain damage.Journal of consultingpsychology 20,5,343.)提出的持续性作业测试(Continuous Performance Test,CPT)。该测验要求被测试者持续关注计算机黑色屏幕中央随机显现的数字或者字母。当目标数字或者字母出现时,被测试者需要尽快地按下反应按钮。CPT通过记录被测试者的反应时间、漏答率、误答率等结果来表征被测试者在参与测试时的注意力情况,从而评估其注意力水平。这类测试形式的注意力评估手段为ADHD的诊断提供了客观的行为指标。但是,该类测试要求被测试者有一定的认知能力,需要对计算机屏幕上呈现的刺激做出相应的反应,是一个较为复杂的任务。作为被测试者,认知水平尚处于发育阶段的低龄儿童可能无法理解测验的内容。此外,该类测试常要求被测试者长时间进行刻板性的重复操作,低龄儿童可能不愿意主动配合完成测试,测试结果受被测试者当前参与测试的状态影响较大。
除了上述传统的注意力评估手段之外,当下新兴眼动捕捉技术的出现也为ADHD诊断提供了新的手段和方法。专利“测量注意力的方法”(汉森·斯珀.测量注意力的方法.中国专利:CN104254281A,2014-12-31.)提出了一种基于眼球运动的注意力评估方法。该方法在电子屏幕上呈现一个或者多个视觉刺激的同时利用眼睛位置跟踪传感器检测眼睛注视刺激的情况,通过被测试者眼睛对刺激的注视和会聚角度的测量来评估注意力水平。此方法需要指导被测试者在测试前注视屏幕的特定位置以校正眼睛位置***,并要求被测试者在整个测试过程中保持头部和眼睛不能有大范围的移动,此类要求较高,部分低龄儿童无法满足该测试的要求。
与此同时,认知神经科学领域的研究人员也在通过人脑的电磁生理信号对注意相关的大脑活动进行探索。李革新等人(李革新,武斌,常蜀英.2001.应用A620脑电生物反馈仪诊断和治疗儿童注意力缺陷和多动症.北京生物医学工程20,3,235-236.)将注意力缺陷儿童与正常儿童的脑电信号进行对比后发现,在进行看数字并进行跟随默数的任务中,正常儿童脑电信号的4~8Hz与13~21Hz频段的功率谱比值显著地低于注意力缺陷儿童脑电信号的对应功率比值,因此4~8Hz与13~21Hz频段的功率谱比值可作为诊断ADHD的神经生理指标。该方法要求被测试者进行主动的默数任务,评估结果受被测试者的配合程度的影响较大。专利“一种基于功能核磁共振图像的儿童多动症分析***”(禹东川.一种基于功能核磁共振图像的儿童多动症分析***.中国专利:CN107967943A,2021-11-12.)提出了一种基于功能核磁共振图像的儿童多动症分析***,该方法通过对比静息状态下注意力缺陷儿童与正常儿童的功能核磁共振图像的差异,利用模式识别技术实现ADHD患病风险的评估。该方法需要采用功能磁共振设备对被测试者的大脑进行成像,设备成本高昂,并且成像过程中的强磁场可能会对人体造成一定的危害。
综上,现有技术中用于注意力缺陷多动障碍诊断方法存在以下问题:
1、传统的量表评估方法由临床医生、评估人员以及被测试者的家庭亲属对被测试者的行为表现进行评估和打分,评估结果容易受到评估者个人的专业能力、家庭亲属的刻板印象等诸多主观因素的影响,不同评估者对相同的被测试者给出的评估结果也可能不同,从而降低了ADHD诊断的可信度。
2、基于行为任务的ADHD诊断方法需要被测试者执行较复杂的行为任务或者对所呈现的刺激做出实时反应,这要求被测试者具有较高的主动配合意愿、认知水平和行为能力,不适用于认知水平尚处于发育阶段的低龄儿童。
3、基于眼动捕捉技术或者脑成像技术的ADHD诊断方法,通常要求被测试者在评估过程中完全配合测试进行眼睛、姿态、行为的反应,自由度较低,应用场景单一。部分低龄儿童无法长时间地对测试进行配合,导致测试精度的降低。静息态的功能磁共振测量则成本昂贵,且可能对人体造成危害。
发明内容
本发明的目的在于针对现有技术不足,提供了一种基于言语层级序列的注意力缺陷多动障碍的分析***。
为实现上述发明目的,本发明的技术方案为:一种基于言语层级序列的注意力缺陷多动障碍的分析***,所述***包括:
语音序列生成模块,用于构建具有音节和词汇两层级的语音序列;
脑电信号采集模块,使用音频输入设备向被测试者呈现语音序列,并使用脑电记录设备同步采集被测试者的脑电信号;
脑电信号分析模块,对脑电信号进行处理得到脑电响应频谱,基于脑电响应频谱计算不同频率处脑电响应的试次间相位一致性,通过音节、词汇频率处的脑电响应相位一致性峰值判断被测试者是否存在注意力缺陷多动障碍。
与现有技术相比,本发明的有益效果为:本发明提出了一种基于言语层级序列的注意力缺陷多动障碍的分析***,通过向被测试者呈现具有音节和词汇两个不同层级的语料序列采集脑电信号,对脑电信号进行预处理、高频段的带通滤波、希尔伯特变换、离散傅里叶变换得到脑电响应频谱,基于脑电响应频谱计算不同频率处脑电响应的试次间相位一致性,通过脑电响应相位一致性在音节、词汇频率处的峰值,判断被测试者是否存在注意力缺陷多动障碍。本发明***为注意力缺陷多动障碍的诊断提供客观依据。
同时,本发明***直接将大脑活动与注意力情况关联起来,无需依赖评估人员及被测试者家属即可实现对被测试人注意力缺陷多动障碍情况的客观评估,且具有标准化的评估***,可以客观、科学地反映被测试者的注意力缺陷多动障碍情况。
并且本发明***所涉及的评估任务为语音听力任务,对于被测试者而言是较为简单直接的被动输入,对被测试者的认知水平和能力要求较低;此外,本发明所涉及的评估语料可以根据不同被测试者进行定制,具有广泛的适用场景和适用人群,包括低幼龄儿童被测试者。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的***示意图图;
图2是本发明实施例提供的***流程示意图。
图3是本发明实施例构建的语料与语音的示意图;
图4是本发明实施例提供的高频段脑电振幅提取的示意图;
图5是本发明实施例提供的脑电响应相位一致性频谱图;
图6是实本发明施例提供的高频段脑电与ADHD量表评分相关性图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,下述的实施例及实施方式中的特征可以相互组合。
本发明的基本原理是通过层级语音序列激发大脑的神经跟踪活动,不同程度注意力缺陷多动障碍的人群,其神经跟踪活动的脑电响应相位一致性存在差异。因此,根据被测试者脑电响应相位一致性,可判断其是否存在注意力缺陷多动障碍的症状,可用于注意力缺陷多动障碍的辅助诊断。
如图1和图2所示,本发明提出了一种基于言语层级序列的注意力缺陷多动障碍的分析***,所述***包括:语音序列生成模块、脑电信号采集模块和脑电信号分析模块。
语音序列生成模块,用于构建具有音节和词汇两层级的语音序列。
具体地,语音序列由语料序列合成。语料序列中每个词汇包含相同数量的音节,从而使得每段语料序列的语言结构相同且长度相同。
优选地,每段语料序列中无重复词汇;优选地,针对不同年龄、不同认知水平的被测试者选择合适的词汇,构建合适的语料序列。
具体地,在本发明实施例中,采用Neospeech语音合成器将语料序列转换合成为语音序列。
进一步地,语音序列中所有音节的声音强度与持续时间相同。
优选地,语音序列中单个音节的呈现时长为100毫秒至1000毫秒;优选地,语音序列中音节之间不***任何停顿或空拍。
脑电信号采集模块,使用音频输入设备向被测试者呈现语音序列,并使用脑电记录设备同步采集被测试者的脑电信号。
在本实例中,所述音频输入设备采用入耳式耳机;所述脑电记录设备采用多通道脑电仪,优选地,多通道脑电仪需具备500赫兹及以上的采样频率。其中,记录脑电信号的电极数量为1-256个,且至少有1个为中央-后叶电极。
需要说明的是,使用音频输入设备向被测试者呈现语音序列,可以依次向被测试者呈现每段语音序列;也可以向被测试者多次重复呈现某段语音序列,以获得稳定的脑电信号。
脑电信号分析模块,对脑电信号进行预处理、高频段的带通滤波、希尔伯特变换、离散傅里叶变换得到脑电响应频谱,基于脑电响应频谱计算不同频率处脑电响应的试次间相位一致性,通过音节、词汇频率处的脑电响应相位一致性峰值,判断被测试者是否存在注意力缺陷多动障碍。
其中,对脑电信号进行预处理,包括进行降采样、重参考和去除伪迹等预处理操作,以提高数据信噪比。
对预处理后的脑电信号进行高频段的带通滤波及希尔伯特变换,得到高频段脑电信号的窄带幅度;具体包括:
首先,对预处理后的脑电信号进行高频段的带通滤波,得到高频段的脑电信号。其中,高频段脑电响应的频率范围优选为70至160赫兹。
然后,将高频段脑电信号分为多段窄带频段。优选地,每段窄带的间隔为1至40赫兹。
最后,通过希尔伯特变换提取每个窄带信号的振幅,并将每个振幅归一化为各波段的平均值,获得高频段脑电信号的窄带幅度。
对高频段脑电信号的窄带幅度进行离散傅里叶变换,得到被测试者的脑电响应频谱。具体包括:
记希尔伯特变换后的脑电信号为x(n),n为时域点序号,脑电频谱为X(m),m为频率点序号,N为脑电数据的采样点数,脑电响应频谱的表达式如下:
计算脑电响应的试次间相位一致性,通过音节、词汇频率处的脑电响应相位一致性峰值判断被测试者是否存在注意力缺陷多动障碍的症状。
当被测试者的脑电响应在音节和词汇频率处均存在显著的ITC峰值时,则说明被测试者的注意力正常;当被测试者的脑电响仅在音节频率处存在显著的ITC峰值时,在词汇频率处不存在显著的ITC峰值或者ITC峰值低于常模水平,则说明被测试者的注意力水平异常;当被测试者的脑电响应在音节与词汇频率处均不存在显著的ITC峰值时,则说明测试***异常,需进行重复测试,重新输出分析结果。
其中,计算脑电响应的试次间相位一致性包括:
首先将脑电响应频谱X(m)的离散傅里叶变换式转换为直角坐标形式,表达式如下:
其中,j为虚数。
进一步将直角坐标形式转换为复数形式,表达式如下:
X(m)=Xreal(m)+j·Ximag(m)
式中,Xreal(m)为在频率点m处的实部,Ximag(m)为在频率点m处的虚部。
计算每个频率点m的脑电响应相位角度θm,表达式如下:
计算不同频率处脑电响应的试次间相位一致性,记第i段语音序列的脑电信号为试次i,θm是试次i中频率m处的脑电响应相位,试次间相位一致性ITC是介于0和1之间的标量度量,计算公式如下:
实施例1
在实施例1中采用BOGLIA入耳式降噪耳机作为声音呈现设备,32通道EGI脑电仪作为脑电记录设备,配备一台计算机用于语音呈现、数据存储与数据分析。该计算机配备英特尔i7-4800中央处理器,联想16G DDR3内存,英睿达2TB SSD固态硬盘、Lynx 2声卡与联想T24A-10液晶显示器。下面对本发明提出了一种基于言语层级序列的注意力缺陷多动障碍的分析***进行进一步阐明。
语音序列生成模块,用于构建具有音节和词汇两层级的语音序列。
在本实施例中,选取了50个常见的双音节词汇(例如:苹果、书本等)作为语料序列构建层级语音序列。从50个双音节词汇中随机抽取20个双音节词汇,以随机顺序排列构建每段语料序列。本实例共计构建了35段语料序列,每段语料序列中不会重复出现相同的词汇。所述语料序列均由独立的双音节词汇构成,因此可以形成恒定的双音节词汇结构,每个结构包含音节和词汇两个层级。
采用Neospeech语音合成器将语料序列合成转换为语音序列。在本实例中,层级语料序列中的所有音节都采用Neospeech语音合成器(http://www.neospeech.com/;男声,梁)独立合成,调整所有音节的声强相同,时长为400毫秒,并将所有音节进行合成拼接生成层级语音序列,如图3所示。层级语音序列中的音节之间不***任何声学间隙。此时,层级语音序列的音节以400毫秒的节奏进行呈现,即以2.5赫兹节奏进行呈现;双音节词汇则以800毫秒的节奏进行呈现,即以1.25赫兹节奏进行呈现。每段语音序列的时长为8秒。
脑电信号采集模块,使用音频输入设备向被测试者呈现语音序列,并使用脑电记录设备同步采集被测试者的脑电信号。
具体地,通过入耳式降噪耳机向被测试者呈现层级语音序列,在呈现语音序列的时间内通过EGI脑电仪同步采集被测试者的脑电信号。EGI脑电仪配备了32个脑电电极,分布于网状脑电帽。在分析测试时,将脑电帽佩戴于被测试者的头部,脑电电极通过生理盐水与被测试者的头皮表面接触,从而采集被测试者的脑电信号。EGI脑电仪的采样频率为500赫兹,即每秒钟采集500个数据点。与每段语音序列同步采集的每段脑电信号被称为试次。针对每位被测试者,本实例播放了35段语音序列,记录了35试次的脑电信号。
脑电信号分析模块,对脑电信号进行预处理、高频段的带通滤波、希尔伯特变换、离散傅里叶变换得到脑电响应频谱,基于脑电响应频谱计算不同频率处脑电响应的试次间相位一致性,通过音节、词汇频率处的脑电响应相位一致性峰值,判断被测试者是否存在注意力缺陷多动障碍。
其中,脑电数据预处理包括:将脑电信号降采样至320赫兹,以提升脑电数据分析的效率。降采样后的脑电数据需减去参考信号,参考信号为32个脑电电极的平均信号。将信号中幅度高于1000微伏的幅度置0,以去除伪迹。
提取高频段脑电信号的振幅包括:如图4所示,通过FIR带通滤波器将高频段脑电信号按10赫兹的通带宽度分为9个窄带信号。9个窄带信号的通带范围分别为:70至80赫兹,80至90赫兹,90至100赫兹,100至110赫兹,110至120赫兹,120至130赫兹,130至140赫兹,140至150赫兹,150至160赫兹。每个窄带信号的振幅可通过希尔伯特变换进行提取,然后将每个振幅归一化为各波段的平均值,并将所有振幅平均以获得高频段脑电信号的振幅。
通过离散傅里叶变换提取脑电响应相位包括:针对每个试次,对高频段脑电信号振幅进行离散傅里叶变换可得到响应振幅的频谱,进一步提取响应频谱上的响应相位。
离散傅里叶变换的公式为:
其中,N为脑电数据的采样点数,n为脑电数据的时域点序号,m为脑电数据的频域点序号。
傅里叶变换公式可转换为直角坐标形式,用于提取频域点的相位,表达式为:
可进一步转换为:
X(m)=Xreal9m)+j·Ximag(m)
则脑电数据频域序号m点的相位θm为:
计算脑电响应相位一致性包括:基于不同的试次对脑电响应频谱计算试次间相位一致性,其公式为:
其中,θm是第i个试次中频率m处的脑电响应相位,试次间相位一致性ITC是介于0和1之间的标量度量。
根据脑电响应相位一致性情况输出分析结果包括:若被测试者的脑电响应在音节(2.5赫兹)和词汇(1.25赫兹)频率处均存在显著的ITC峰值,则说明被测试者的注意力正常;若被测试者的脑电响应仅在音节频率处存在显著的ITC峰值,在词汇频率处不存在显著的ITC峰值或者ITC峰值低于常模水平,则说明被测试者的注意力异常;若被测试者的脑电响应在音节与词汇频率处均不存在显著的ITC峰值,则说明当前测试***或测试流程存在异常,需进行重复测试,重新输出分析结果。
在本实例中,11位正常儿童与11位ADHD儿童的ITC频谱图如图5所示,在群体水平上,正常儿童在音节频率处的ITC峰值与ADHD儿童相似,在词汇频率处的ITC峰值则显著高于ADHD儿童。为了进一步验证方法有效性,本实例使用SNAP-IV诊断量表对所有儿童进行评估,计算诊断量表评估结果与儿童脑电响应ITC峰值之间的皮尔逊相关性。SNAP-IV诊断量表主要用于评估典型发育儿童的ADHD症状。该清单包含三个非典型行为子集:注意力不集中(INATT,9项),多动/冲动(HYP/IMP,9项)和对立违抗行为(ODD,8项)。每个项目从0到3进行分级,分数越高表明ADHD症状水平升高。子量表分数是通过对每个子集中的项目分数求平均值来计算的。图6显示了22位被测儿童个体的SNAP-IV子量表分数与词汇频率处的ITC峰值。其中,注意力不集中(INATT)与多动/冲动(HYP/IMP)两个子量表评分与词汇频率处的ITC峰值呈显著负相关(INATT:r=-0.576,p=0.006;HYP/IMP:r=-0.496,p=0.022),即被测儿童的脑电响应在词汇频率处的ITC峰值越低,其在INATT与HYP/IMP子量表的诊断评分越高,ADHD症状越明显。
该实施例表明,通过向被测儿童呈现层级语音序列,实时分析其高频段脑电响应的ITC峰值,即可评估被测儿童的ADHD症状水平。
综上所述,不同程度注意力缺陷多动障碍的人群,其神经跟踪活动的脑电响应相位一致性存在差异。本发明***通过层级语音序列激发大脑的神经跟踪活动,获取脑电响应频谱,基于脑电响应频谱计算不同频率处脑电响应的试次间相位一致性,通过音节、词汇频率处的脑电响应相位一致性峰值,判断被测试者是否存在注意力缺陷多动障碍。本发明直接将大脑活动与注意力情况关联起来,无需依赖评估人员及被测试者家属即可实现对被测试人注意力缺陷多动障碍情况的客观评估,且具有标准化的评估***,可以客观、科学地反映被测试者的注意力缺陷多动障碍情况。
本领域技术人员在考虑说明书及实践这里公开的内容后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的。
Claims (9)
1.一种基于言语层级序列的注意力缺陷多动障碍的分析***,其特征在于,所述***包括:
语音序列生成模块,用于构建具有音节和词汇两层级的语音序列;
脑电信号采集模块,使用音频输入设备向被测试者呈现语音序列,并使用脑电记录设备同步采集被测试者的脑电信号;
脑电信号分析模块,对脑电信号进行处理得到脑电响应频谱,基于脑电响应频谱计算不同频率处脑电响应的试次间相位一致性,通过音节、词汇频率处的脑电响应相位一致性ITC峰值判断被测试者是否存在注意力缺陷多动障碍;
其中,通过音节、词汇频率处的脑电响应相位一致性ITC峰值判断被测试者是否存在注意力缺陷多动障碍的症状包括:
当被测试者的脑电响应在音节和词汇频率处均存在显著的相位一致性ITC峰值时,则说明被测试者的注意力正常;
当被测试者的脑电响应仅在音节频率处存在显著的相位一致性ITC峰值时,在词汇频率处不存在显著的相位一致性ITC峰值或者相位一致性ITC峰值低于常模水平,则说明被测试者的注意力水平异常;
当被测试者的脑电响应在音节与词汇频率处均不存在显著的相位一致性ITC峰值时,则需重新测试。
2.根据权利要求1所述的基于言语层级序列的注意力缺陷多动障碍的分析***,其特征在于,构建具有音节和词汇两层级的语音序列包括:
选取语料序列,语料序列中每个词汇包含相同数量的音节,使每段语料序列的语言结构相同且长度相同;
将语料序列转换合成为语音序列。
3.根据权利要求1或2所述的基于言语层级序列的注意力缺陷多动障碍的分析***,其特征在于,语音序列中单个音节的呈现时长为100毫秒至1000毫秒;语音序列中音节之间不***停顿。
4.根据权利要求1所述的基于言语层级序列的注意力缺陷多动障碍的分析***,其特征在于,脑电记录设备为具备500赫兹及以上采样频率的多通道脑电仪;记录脑电信号的电极数量为1-256个,且至少有1个为中央-后叶电极。
5.根据权利要求1所述的基于言语层级序列的注意力缺陷多动障碍的分析***,其特征在于,对脑电信号进行处理得到脑电响应频谱包括:对脑电信号进行预处理、高频段的带通滤波、希尔伯特变换、离散傅里叶变换得到脑电响应频谱。
6.根据权利要求5所述的基于言语层级序列的注意力缺陷多动障碍的分析***,其特征在于,对脑电信号进行预处理包括:对脑电信号进行降采样、重参考和去除伪迹。
7.根据权利要求5所述的基于言语层级序列的注意力缺陷多动障碍的分析***,其特征在于,对预处理后的脑电信号进行高频段的带通滤波包括:
对预处理后的脑电信号进行高频段的带通滤波及希尔伯特变换,得到高频段脑电信号的窄带幅度;其中,高频段脑电响应的频率范围为40至200赫兹;
将高频段脑电信号划分为多段窄带频段;其中,每一段窄带的间隔为1至40赫兹。
8.根据权利要求7所述的基于言语层级序列的注意力缺陷多动障碍的分析***,其特征在于,高频段脑电信号的窄带幅度进行离散傅里叶变换得到脑电响应频谱包括:
记希尔伯特变换后的脑电信号为x(n),n为时域点序号,脑电频谱为X(m),m为频率点序号,N为脑电数据的采样点数,脑电响应频谱的表达式如下:
9.根据权利要求1所述的基于言语层级序列的注意力缺陷多动障碍的分析***,其特征在于,基于脑电响应频谱计算不同频率处脑电响应的试次间相位一致性包括:
将脑电响应频谱X(m)的离散傅里叶变换式转换为直角坐标形式,表达式如下:
其中,j为虚数;
将直角坐标形式转换为复数形式,表达式如下:
X(m)=Xreal(m)+j·Ximag(m)
式中,Xreal(m)为在频率点m处的实部,Ximag(m)为在频率点m处的虚部;
计算每个频率点m的脑电响应相位角度θm,表达式如下:
计算不同频率处脑电响应的试次间相位一致性,记第i段语音序列的脑电信号为试次i,θm是试次i中频率m处的脑电响应相位,表达式如下:
式中,试次间相位一致性ITC是介于0和1之间的标量度量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310328673.9A CN116421187B (zh) | 2023-03-30 | 2023-03-30 | 一种基于言语层级序列的注意力缺陷多动障碍的分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310328673.9A CN116421187B (zh) | 2023-03-30 | 2023-03-30 | 一种基于言语层级序列的注意力缺陷多动障碍的分析*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116421187A CN116421187A (zh) | 2023-07-14 |
CN116421187B true CN116421187B (zh) | 2023-10-13 |
Family
ID=87082629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310328673.9A Active CN116421187B (zh) | 2023-03-30 | 2023-03-30 | 一种基于言语层级序列的注意力缺陷多动障碍的分析*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116421187B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116671938B (zh) * | 2023-07-27 | 2024-07-23 | 之江实验室 | 一种任务执行方法、装置、存储介质及电子设备 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4031883A (en) * | 1974-07-29 | 1977-06-28 | Biofeedback Computers, Inc. | Multiple channel phase integrating biofeedback computer |
CA2576149A1 (en) * | 2003-08-21 | 2005-03-03 | Sspt Pty Ltd | Aptitude testing |
CN104095630A (zh) * | 2014-07-29 | 2014-10-15 | 杭州电子科技大学 | 一种基于脑电相位同步的疲劳检测方法 |
CN106236117A (zh) * | 2016-09-22 | 2016-12-21 | 天津大学 | 基于心电和呼吸信号同步性特征的情绪检测方法 |
GB201620926D0 (en) * | 2016-12-08 | 2017-01-25 | Univ Of Lancaster | Method and system |
WO2017136656A1 (en) * | 2016-02-04 | 2017-08-10 | Northwestern University | Methods and systems for identifying non-penetrating brain injuries |
WO2018004028A1 (ko) * | 2016-06-28 | 2018-01-04 | 주식회사 소소 | 뇌파 기반 주의력 결핍 과잉 행동 장애 진단 시스템 |
CN108335728A (zh) * | 2018-02-07 | 2018-07-27 | 广州贝方医疗设备有限公司 | 一种用于意识障碍患者的唤名促醒*** |
WO2019040830A1 (en) * | 2017-08-24 | 2019-02-28 | Northwestern University | SYSTEMS AND METHODS FOR THE ACUTE EVALUATION OF TRAUMATIC BRAIN INJURIES |
CN110801237A (zh) * | 2019-11-10 | 2020-02-18 | 中科搏锐(北京)科技有限公司 | 一种基于眼动和脑电特征的认知能力评估***及其方法 |
CN111651060A (zh) * | 2020-08-10 | 2020-09-11 | 之江实验室 | 一种vr沉浸效果的实时评估方法和评估*** |
CN112866888A (zh) * | 2019-11-28 | 2021-05-28 | 西万拓私人有限公司 | 用于估计个人听者的大脑对声音信号刺激的***响应的方法 |
CN113382683A (zh) * | 2018-09-14 | 2021-09-10 | 纽罗因恒思蒙特实验有限责任公司 | 改善睡眠的***和方法 |
CN113537247A (zh) * | 2021-08-13 | 2021-10-22 | 重庆大学 | 一种针对换流变压器振动信号的数据增强方法 |
CN113712507A (zh) * | 2020-05-25 | 2021-11-30 | 中国科学院脑科学与智能技术卓越创新中心 | 评估意识障碍程度的***、恢复倾向预测方法和存储介质 |
CN113729710A (zh) * | 2021-09-26 | 2021-12-03 | 华南师范大学 | 一种融合多生理模态的实时注意力评估方法及*** |
CN113855026A (zh) * | 2021-11-18 | 2021-12-31 | 心仪脑(上海)信息技术有限公司 | 一种注意缺陷多动障碍快速筛查和疗效评估的方法 |
CN114376524A (zh) * | 2022-01-07 | 2022-04-22 | 浙江大学医学院附属第一医院 | 基于语音统计学习的意识评估方法及*** |
CN114403901A (zh) * | 2022-02-16 | 2022-04-29 | 北京脑陆科技有限公司 | 对脑电信号的处理装置、方法及介质 |
JP2022096561A (ja) * | 2020-12-17 | 2022-06-29 | 慶應義塾 | 行動推定システム、計測点選択装置、行動推定装置、情報処理装置の制御方法、行動推定装置の制御方法、及びプログラム |
CN114926459A (zh) * | 2022-06-21 | 2022-08-19 | 上海市计量测试技术研究院 | 图像质量评价方法、***及计算机可读介质 |
CN115054250A (zh) * | 2022-06-10 | 2022-09-16 | 北京航空航天大学 | 镜像溢出运动检测分析方法和*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11089993B2 (en) * | 2016-02-15 | 2021-08-17 | Health Sensing Co., Ltd. | Device and method for measuring sleep state, phase coherence calculation device, body vibration signal measurement device, stress level measurement device, sleep state measurement device, and cardiac waveform extraction method |
US20220273907A1 (en) * | 2017-12-31 | 2022-09-01 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to enhance emotional response |
-
2023
- 2023-03-30 CN CN202310328673.9A patent/CN116421187B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4031883A (en) * | 1974-07-29 | 1977-06-28 | Biofeedback Computers, Inc. | Multiple channel phase integrating biofeedback computer |
CA2576149A1 (en) * | 2003-08-21 | 2005-03-03 | Sspt Pty Ltd | Aptitude testing |
CN104095630A (zh) * | 2014-07-29 | 2014-10-15 | 杭州电子科技大学 | 一种基于脑电相位同步的疲劳检测方法 |
WO2017136656A1 (en) * | 2016-02-04 | 2017-08-10 | Northwestern University | Methods and systems for identifying non-penetrating brain injuries |
WO2018004028A1 (ko) * | 2016-06-28 | 2018-01-04 | 주식회사 소소 | 뇌파 기반 주의력 결핍 과잉 행동 장애 진단 시스템 |
CN106236117A (zh) * | 2016-09-22 | 2016-12-21 | 天津大学 | 基于心电和呼吸信号同步性特征的情绪检测方法 |
GB201620926D0 (en) * | 2016-12-08 | 2017-01-25 | Univ Of Lancaster | Method and system |
WO2019040830A1 (en) * | 2017-08-24 | 2019-02-28 | Northwestern University | SYSTEMS AND METHODS FOR THE ACUTE EVALUATION OF TRAUMATIC BRAIN INJURIES |
CN108335728A (zh) * | 2018-02-07 | 2018-07-27 | 广州贝方医疗设备有限公司 | 一种用于意识障碍患者的唤名促醒*** |
CN113382683A (zh) * | 2018-09-14 | 2021-09-10 | 纽罗因恒思蒙特实验有限责任公司 | 改善睡眠的***和方法 |
CN110801237A (zh) * | 2019-11-10 | 2020-02-18 | 中科搏锐(北京)科技有限公司 | 一种基于眼动和脑电特征的认知能力评估***及其方法 |
CN112866888A (zh) * | 2019-11-28 | 2021-05-28 | 西万拓私人有限公司 | 用于估计个人听者的大脑对声音信号刺激的***响应的方法 |
WO2021237429A1 (en) * | 2020-05-25 | 2021-12-02 | Center For Excellence In Brain Science And Intelligence Technology, Chinese Academy Of Sciences | A systematic device and scheme to assess the level of consciousness disorder by using language related brain activity |
CN113712507A (zh) * | 2020-05-25 | 2021-11-30 | 中国科学院脑科学与智能技术卓越创新中心 | 评估意识障碍程度的***、恢复倾向预测方法和存储介质 |
CN111651060A (zh) * | 2020-08-10 | 2020-09-11 | 之江实验室 | 一种vr沉浸效果的实时评估方法和评估*** |
JP2022096561A (ja) * | 2020-12-17 | 2022-06-29 | 慶應義塾 | 行動推定システム、計測点選択装置、行動推定装置、情報処理装置の制御方法、行動推定装置の制御方法、及びプログラム |
CN113537247A (zh) * | 2021-08-13 | 2021-10-22 | 重庆大学 | 一种针对换流变压器振动信号的数据增强方法 |
CN113729710A (zh) * | 2021-09-26 | 2021-12-03 | 华南师范大学 | 一种融合多生理模态的实时注意力评估方法及*** |
CN113855026A (zh) * | 2021-11-18 | 2021-12-31 | 心仪脑(上海)信息技术有限公司 | 一种注意缺陷多动障碍快速筛查和疗效评估的方法 |
CN114376524A (zh) * | 2022-01-07 | 2022-04-22 | 浙江大学医学院附属第一医院 | 基于语音统计学习的意识评估方法及*** |
CN114403901A (zh) * | 2022-02-16 | 2022-04-29 | 北京脑陆科技有限公司 | 对脑电信号的处理装置、方法及介质 |
CN115054250A (zh) * | 2022-06-10 | 2022-09-16 | 北京航空航天大学 | 镜像溢出运动检测分析方法和*** |
CN114926459A (zh) * | 2022-06-21 | 2022-08-19 | 上海市计量测试技术研究院 | 图像质量评价方法、***及计算机可读介质 |
Non-Patent Citations (24)
Title |
---|
Atypical gamma functional connectivity pattern during light sleep in children with attention deficit hyperactivity disorder;Ueda, R (Ueda, Riyo) [1] , [2] ; Takeichi, H (Takeichi, Hiroshige) [1] ; Kaga, Y (Kaga, Yoshimi) [1] ; Oguri, M (Oguri, Masayoshi) [3] ; Saito, Y (Saito, Yoshihiko) [4] ; Nakagawa, E (Nakagawa, Eiji) [4] ; Maegaki, Y (Maegaki, Yoshihiro);《BRAIN & DEVELOPMENT 》;第42卷(第2期);129-139 * |
Caro-Martinez, E (Caro-Martinez, E) * |
Castaneda-Cabrero, C (Castaneda-Cabrero, C) * |
Debener, S (Debener, Stefan) [2] , [3] * |
Electroencephalographic alterations in children with attention deficit hyperactivity disorder;Castaneda-Cabrero, C (Castaneda-Cabrero, C) ; Lorenzo-Sanz, G (Lorenzo-Sanz, G) ; Caro-Martinez, E (Caro-Martinez, E) ; Galan-Sanchez, JM (Galan-Sanchez, JM) ; Saez-Alvarez, J (Saez-Alvarez, J) ; Quintana-Aparicio, P (Quintana-Aparicio, P) ; Paradinas-Jimenez, F (Paradinas-Jimenez, F);《REVISTA DE NEUROLOGIA 》;第37卷(第10期);904-908 * |
Galan-Sanchez, JM (Galan-Sanchez, JM) * |
Influence of auditory attention on sentence recognition captured by the neural phase;Muller, JA (Mueller, Jana Annina) [1] , [2] ; Kollmeier, B (Kollmeier, Birger) [1] , [2] ; Debener, S (Debener, Stefan) [2] , [3] ; Brand, T (Brand, Thomas) [1] , [2];《EUROPEAN JOURNAL OF NEUROSCIENCE 》;第51卷(第5期);1305-1314 * |
Kaga, Y (Kaga, Yoshimi) [1];Oguri, M (Oguri, Masayoshi) [3] * |
Kollmeier, B (Kollmeier, Birger) [1] , [2] * |
Lorenzo-Sanz, G (Lorenzo-Sanz, G) * |
Muller, JA (Mueller, Jana Annina) [1] , [2] * |
Nakagawa, E (Nakagawa, Eiji) [4] * |
Phase patterns of neuronal responses reliably discriminate speech in human auditory cortex;Luo, H;Poeppel, D;《NEURON》;第54卷(第6期);1001-1010 * |
Quintana-Aparicio, P (Quintana-Aparicio, P) * |
Saez-Alvarez, J (Saez-Alvarez, J) * |
Saito, Y (Saito, Yoshihiko) [4] * |
Takeichi, H (Takeichi, Hiroshige) [1] * |
Ueda, R (Ueda, Riyo) [1] , [2] * |
持续注意行为指标的重测信度及其神经电生理机制研究;王瑶瑶.;《CNKI》;全文 * |
杨诗友,周志伟,兰夏青,等..持续注意任务状态下额叶脑电节律波beta和theta/beta特性的比较研究.《第二十三届全国心理学学术会议论文集》.2022,414-415. * |
自然刺激注意机制的脑电研究;罗城;《CNKI》;全文 * |
语言加工中的视听编码机制及语言经验调节作用研究;邹家杰;《CNKI》;全文 * |
选择性视觉注意力的研究:基于频带选择的计算模型及应用;吕琦.;《万方》;全文 * |
量子编程与线路优化的研究与实现;张鑫;《CNKI》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116421187A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Buettner et al. | High-performance exclusion of schizophrenia using a novel machine learning method on EEG data | |
JP5722635B2 (ja) | 被験者の脳震盪の有無および重症度を検出するための携帯装置、ならびに被験者の現場診断を行うための携帯装置の動作方法 | |
Saidatul et al. | Analysis of EEG signals during relaxation and mental stress condition using AR modeling techniques | |
Buettner et al. | High-performance diagnosis of sleep disorders: a novel, accurate and fast machine learning approach using electroencephalographic data | |
US20150126821A1 (en) | Support System And Method For Detecting Neurodegenerative Disorder | |
US20180279938A1 (en) | Method of diagnosing dementia and apparatus for performing the same | |
KR102075503B1 (ko) | 치매 예측 시스템 및 그 구동방법 | |
Buettner et al. | Towards high-performance differentiation between Narcolepsy and Idiopathic Hypersomnia in 10 minute EEG recordings using a Novel Machine Learning Approach | |
Kar et al. | Effect of sleep deprivation on functional connectivity of EEG channels | |
Gross et al. | A Novel Machine Learning Approach for High-Performance Diagnosis of Premature Internet Addiction Using the Unfolded EEG Spectra. | |
Sengupta et al. | A multimodal system for assessing alertness levels due to cognitive loading | |
Iadarola et al. | Analysis of galvanic skin response to acoustic stimuli by wearable devices | |
CN116421187B (zh) | 一种基于言语层级序列的注意力缺陷多动障碍的分析*** | |
Desai et al. | Electrodermal activity (EDA) for treatment of neurological and psychiatric disorder patients: a review | |
Hadiyoso et al. | Early detection of mild cognitive impairment using quantitative analysis of EEG signals | |
Posada-Quintero et al. | Autism spectrum disorder detection using variable frequency complex demodulation of the electroretinogram | |
CN116269392B (zh) | 一种多参数耦合的应激水平评估方法及其*** | |
KR20230173439A (ko) | 섬망 발생 예측 방법 및 이를 이용한 섬망 발생 예측용 장치 | |
Neubig et al. | Recognition of imagined speech using electroencephalogram signals | |
Zhu et al. | Visceral versus verbal: Can we see depression? | |
Apicella et al. | Preliminary validation of a measurement system for emotion recognition | |
Mohammed et al. | A Survey for Lie Detection Methodology Using EEG Signal Processing | |
Dulf et al. | Advantages of prefilters in stroke diagnosis from EEG signals | |
Jadhav et al. | Analysis of effect of meditation on cognitive load using higher order crossing features | |
CN116269447B (zh) | 一种基于语音调制和脑电信号的言语认知评估*** |
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 |