CN105701336B - 基于脑电数据的中医辨证分型系统、模型建立的方法和系统 - Google Patents
基于脑电数据的中医辨证分型系统、模型建立的方法和系统 Download PDFInfo
- Publication number
- CN105701336B CN105701336B CN201511033619.3A CN201511033619A CN105701336B CN 105701336 B CN105701336 B CN 105701336B CN 201511033619 A CN201511033619 A CN 201511033619A CN 105701336 B CN105701336 B CN 105701336B
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic parameter
- eeg data
- parameters
- chinese medicine
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于脑电数据的中医辨证分型系统、基于脑电数据的中医辨证分型模型的建立方法和系统。该基于脑电数据的中医辨证分型系统包括:数据获取单元,用于获取被试者的脑电数据,并对所述脑电数据进行预处理,获取所述脑电数据对应的多个节律参数;特征参数获取单元,用于将所述多个节律参数进行特征选择,获取选择后的特征参数;辨证类型判定单元,根据预先建立的中医辨证分型模型,确定所述特征参数对应的中医辨证类型。上述的基于脑电数据的中医辨证分型系统、基于脑电数据的中医辨证分型模型的建立方法和系统,能够利用被试者的脑电数据,准确地确定其所属的辨证类型。
Description
技术领域
本发明涉及医学数据处理技术领域,特别是涉及一种基于脑电数据的中医辨证分型系统、模型建立的方法和系统。
背景技术
脑中风又称为脑卒中或脑血管意外(Cerebrovaseularaccident),是一组突然起病,以局灶性神经功能缺失为特征的急性脑血管疾病,该病具有发病率高、致残率高、病死率高、复发率高等特点。据报道,全球每年有460万人死于脑中风,中风已成为中老年人的三大死因之一。脑中风发病后的2周~6个月称为中风恢复期,此期间脑中风患者多会存留一些中风后遗症,给患者的生活带来严重影响。因此在脑中风恢复期,给予积极有效的中西医护理,对改善脑中风后遗症具有重要作用。
中医的辩证方法很多,《中医辩证学》概括为:八纲辩证(表里寒热虚实阴阳),脏腑辩证(五脏六腑的辩证),六经辩证(经络),卫气营血辩证,三焦辩证,气血辨证等。病因辨证以及以上辨证方法之间的关系,并紧扣临床阐述了中医症状辨证,提炼了《伤寒论》《金匮要略》及温病学的精髓。国家中医药管理局医政司发布《中医内科急症诊疗规范.中风病中医疗效评定标准》,将中风病按《金匮要略》的分法分为中络,中经,中脏,中腑。中经络又分为肝阳暴亢、风火上扰,风痰淤血,痹阻脉络,痰热腑实,风痰上扰,气虚血瘀,阴虚风动五类证候;中脏腑分为风火上扰清窍,痰湿蒙塞心神,痰热内闭心窍,元气败脱,心神散乱四类证候。
脑电波(Electroencephalogram,EEG)是大脑在活动时,大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化,是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。脑电图已被用于除临床诊断和常规认知神经科学的传统用途的多种用途。早期使用的是二战期间美国陆军航空兵筛选出飞行员有癫痫发作的危险。目前,领域专业人员或者研究人员从不同方面阐释中风恢复期患者的情况。有学者通过了解中风恢复期患者的自我效能及生活质量水平,探讨两者的相关性。还有研究运用自制中医四诊信息调查表对中风病发病不同时点进行前瞻性临床调查,从中选取恢复期数据进行分析,运用因子分析和聚类分析的方法提取恢复期证候要素等。但是目前还未有相关利用脑电数据预测中风恢复期患者的中医辨证分型的技术。
发明内容
基于此,有必要针对上述技术问题,提供一种基于脑电数据的中医辨证分型系统、模型建立的方法和系统,其能够利用被试者的脑电数据,准确地确定其所属的辨证类型。
一种基于脑电数据的中医辨证分型系统,包括:
数据获取单元,用于获取被试者的脑电数据,并对所述脑电数据进行预处理,获取所述脑电数据对应的多个节律参数;
特征参数获取单元,用于将所述多个节律参数进行特征选择,获取选择后的特征参数;
辨证类型判定单元,根据预先建立的中医辨证分型模型,确定所述特征参数对应的中医辨证类型。
在其中一些实施例中,所述数据获取单元还用于:
获取所述脑电数据的多个脑电特征,其中,所述多个脑电特征包括α波、β波、θ波、和δ波;
获取所述多个脑电特征对应的节律,将所述节律进行归一化,以获取所述脑电数据对应的节律参数。
在其中一些实施例中,所述特征参数获取单元还用于:将所述多个节律参数输入特征递归剔除模型,得到训练后的SVM参数;计算所述SVM参数在预定排序准则下的排序准则分数,并对所述排序准则分数进行排序;剔除排序准则分数小于预定阈值的SVM参数,获取所述选择后的特征参数。
一种基于脑电数据的中医辨证分型模型的建立方法,包括以下步骤:
获取多个被试者的脑电数据,并对所述脑电数据进行预处理,获取所述脑电数据对应的节律参数数据集;
将所述节律参数数据集划分为训练数据和测试数据;
将所述训练数据进行特征选择,获取选择后的特征参数;
将所述特征参数和所述测试数据输入支持向量机分类模型,获取各个中医辨证类型对应的权重系数;
根据所述权重系数建立中医辨证分型模型。
在其中一些实施例中,所述对所述脑电数据进行预处理的步骤包括:
获取所述脑电数据的多个脑电特征,其中,所述多个脑电特征包括α波、β波、θ波、和δ波;
获取所述多个脑电特征对应的节律功率谱,将所述节律功率谱进行归一化,以获取所述脑电数据对应的节律参数。
在其中一些实施例中,所述将所述训练数据进行特征选择的步骤包括:
将所述训练数据输入特征递归剔除模型,得到训练后的SVM参数;
计算所述SVM参数在预定排序准则下的排序准则分数,并对所述排序准则分数进行排序;
剔除排序准则分数小于预定阈值的SVM参数,获取所述选择后的特征参数。
在其中一些实施例中,所述将所述特征参数和所述测试数据输入支持向量机分类模型获取各个中医辨证分型对应的权重系数的步骤包括:
根据所述选择后的特征参数从所述测试数据中选取相应的特征参数;
将所述选择后的特征参数和从所述测试数据中选取相应的特征参数输入支持向量机分类模型;
根据所述支持向量机分类模型的决策函数获取各个中医辨证类型对应的权重系数。
在其中一些实施例中,所述方法还包括:对所述中医辨证分型模型进行交叉验证。
一种基于脑电数据的中医辨证分型模型的建立系统,包括:
数据获取模块,用于获取多个被试者的脑电数据,并对所述脑电数据进行预处理,获取所述脑电数据对应的节律参数数据集;
分类模块,用于将所述节律参数数据集划分为训练数据和测试数据;
特征参数获取模块,用于将所述训练数据进行特征选择,获取选择后的特征参数;
建模模块,用于将所述特征参数和所述测试数据输入SVM分类模型,获取各个中医辨证类型对应的权重系数,根据所述权重系数建立中医辨证分型模型。
在其中一些实施例中,所述建模模块还用于:根据所述选择后的特征参数从所述测试数据中选取相应的特征参数;将所述选择后的特征参数和从所述测试数据中选取相应的特征参数输入支持向量机分类模型;根据所述支持向量机分类模型的决策函数获取各个中医辨证类型对应的权重系数。
上述的基于脑电数据的中医辨证分型系统、基于脑电数据的中医辨证分型模型的建立方法和系统,采用递归特征剔除支持向量机(SVM-RFE)模型进行特征选择。选择的特征参数作为数据特征输入至支持向量机(SVM)分类模型,获取各个中医辨证类型对应的权重系数,根据该权重系数即可判定被试者所属的中医辨证类型。
附图说明
图1为一些实施例中的基于脑电数据的中医辨证分型系统结构框图;
图2为一些实施例中的基于脑电数据的中医辨证分型模型的建立方法的流程图;
图3为一些实施例中的5折交叉验证的过程示意图;
图4为一些实施例中的基于脑电数据的中医辨证模型的建立系统的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在一些实施例中,如图1所示,提出一种基于脑电数据的中医辨证分型系统10,该系统10包括:数据获取单元102、特征参数获取单元104和辨证类型判定单元。
在一些实施例中,数据获取单元102用于获取被试者的脑电数据,并对脑电数据进行预处理,获取脑电数据对应的多个节律参数。
数据获取单元102还用于获取所述脑电数据的多个脑电特征,其中,所述多个脑电特征包括α波、β波、θ波和δ波;获取多个脑电特征对应的节律,将所述节律进行归一化,以获取所述脑电数据对应的节律参数。
在一些实施例中,特征参数获取单元104用于将多个节律参数进行特征选择,获取选择后的特征参数。
在本实施例中,特征参数获取单元104还用于将多个节律参数输入特征递归剔除模型,得到训练后的SVM参数;计算SVM参数在预定排序准则下的排序准则分数,并对排序准则分数进行排序;剔除排序准则分数小于预定阈值的SVM参数,获取选择后的特征参数。
在一些实施例中,辨证类型判定单元106用于根据预先建立的中医辨证分型模型,确定特征参数对应的中医辨证类型。
在一些实施例中,如图2所示,提出一种的基于脑电数据的中医辨证分型模型的建立方法,该方法包括以下步骤:
步骤102,获取多个被试者的脑电数据,并对脑电数据进行预处理,获取脑电数据对应的节律参数数据集。
在获取脑电数据前,本发明的实施例针对中风恢复期患者分别采集脑电数据和临床数据。临床数据包括患者的基本信息、诊断信息、病史和生活习惯等。基本信息如姓名,年龄,体重,性别。诊断信息如中医诊断和西医诊断。病史如基础病,并发症,病灶等。生活习惯如有无饮酒、吸烟等。
脑电数据采用俄罗斯Neursoft Ltd生产的Nerron-spectrum-5脑电图仪收集风恢复期患者的脑电生理数据,按照国际10/20系统电极放置法放置头皮电极,以双侧耳垂为参考电极,进行19导电脑电图的记录。在受试者入院第一天进行脑电数据采集。受试者应在安静闭眼和放松条件下进行脑电采集,记录平稳脑电图。
截取一段90s平稳的脑电图,采用Nerron-spectrum-5脑电图仪中自带的波幅、频谱分析软件,对脑电数据进行傅里叶转化。导出波幅表、频谱表由参数、频谱表由节律三个excel文件。
在一些实施例中,对脑电数据进行预处理的步骤包括:
(1)获取脑电数据的多个脑电特征,其中,多个脑电特征包括α波、β波、θ波和δ波。
通常情况下,脑波按其频率分为:α波(8-13c/s),β波(14-25c/s),θ波(4-7c/s)和δ波(1-3c/s)。
根据研究及结合脑电专业医生多年临床经验,脑电的频率参数实际数值即绝对功率值虽然反应了不同频段脑电活动的强弱情况,但是由于个体变异很大,很难制定一个完善的评价标准,临床意义不大,因此需要进行剔除。
(2)获取多个脑电特征对应的节律功率谱,并将节律功率谱进行归一化,以获取对应的节律参数。
节律参数是由单个节律功率值除以所有脑电节律功率和值的比值。使用节律参数可克服绝对功率谱相互之间难以直接比较的不足,具有较大的临床与科研价值。
获取多个脑电特征,脑电特征包括α波、β波、θ波和δ波。将计算得到的节律功率谱进行归一化,以获取对应的节律参数。
R()表示不同的脑电特征对应的节律参数,Δ为节律所有范围,即为所有脑电特征α、β、θ和δ四种节律功率之和。节律所有范围取决于所选的滤波器,默认情况下是0.5Hz到35Hz。
上述的多个被试者的多个脑电特征对应的多个节律参数构成节律参数数据集。
另外,还要去掉脑电数据中的不相关字段,包括姓名、日期、FP1-A1最小波幅微伏、FP2-A2最小波幅微伏、F3-A1最小波幅微伏、F4-A2最小波幅微伏、C3-A1最小波幅微伏、C4-A2最小波幅微伏、P3-A1最小波幅微伏、P4-A2最小波幅微伏、O1-A1最小波幅微伏、O2-A2最小波幅微伏、F7-A1最小波幅微伏、F8-A2最小波幅微伏、T3-A1最小波幅微伏、T4-A2最小波幅微伏、T5-A1最小波幅微伏、T6-A2最小波幅微伏、FZ-A2最小波幅微伏、CZ-A1最小波幅微伏、PZ-A2最小波幅微伏。
步骤104,将节律参数数据集划分为训练数据和测试数据。
在本实施例中,可以选一个被试者对应的多个节律参数作为测试数据,其余的被试者对应的多个节律参数作为训练数据。
步骤106,将训练数据进行特征选择,获取选择后的特征参数。
在本实施例中,将训练数据进行特征选择的步骤包括:
(1)将训练数据输入特征递归剔除模型,得到训练后的SVM参数。
在本实施例中,特征递归剔除模型选用SVM-RFE模型,SVM-RFE模型为一种基于SVM模型的后向逐一减少特征的算法。
(2)计算SVM参数在预定排序准则下的排序准则分数,并对排序准则分数进行排序。
在一些实施例中,采用代数排序准则:
其中,Q为排序准则分数,W2和分别表示完整支持向量机(SVM)参数的权重和假设剔除第P个特征后SVM参数的权重。另外,还可以采取其他排序准则,这里不再一一列举。
将上述步骤计算获取的排序准则分数进行排序,例如按照从大到小的顺序排序。
(3)剔除排序准则分数小于预定阈值的SVM参数,获取选择后的特征参数。
在本实施例中,将上述步骤计算的Q值进行排序,逐一删除排序最小的SVM参数,最后保留20%的SVM参数作为SVM分类模型的输入。
步骤108,将特征参数和测试数据输入SVM分类模型,获取各个中医辨证类型对应的权重系数。
在一些实施例中,将特征参数和测试数据输入SVM分类模型获取各个中医辨证分型对应的权重系数的步骤包括:
(1)根据选择后的特征参数从测试数据中选取相同的特征参数。
在本实施例中,按照上述实施例中获取的选择后的特征参数,从测试数据中选取相同的特征参数。
(2)将选择后的特征参数和从测试数据中选取相应的特征参数输入支持向量机(SVM)分类模型。
中医辨证分型分类模型采用支持向量机模型(SVM),它对小数据量高维数据集分类效果比较理想。支持向量机是90年代中期发展起来的基于统计学习理论的一种机器学习方法,通过寻求结构化风险最小提高学习机泛化能力,实现经验风险和置信范围的最小化。SVM模型使用一种非线性映射,将原训练数据映射到较高的维。在新的维上,他搜索线性最佳分离超平面。分离超平面可以记作为:
WX+b=0,
其中,W是权重变量,即W={w1,w2,...,wn},n为特征参数的数目,b是常数。
(3)根据支持向量机(SVM)分类模型的决策函数获取各个中医辨证类型对应的权重系数。
从分离超平面到任意点的距离是其中||w||为欧几里得范数。因此,最大边缘是于是最大间隔分类器的决策函数可以定义为:
约束条件为:yi(WTXi+b)≥1,
其中,i为正整数,yi为中医辨证类型变量,取值为{-1,1},Xi表示特征参数,W为各个中医辨证类型对应的权重,b为常数。最大的权重对应的中医辨证类型即为测试数据对应的中医辨证类型。
步骤110,根据上述实施例获取的权重系数,建立中医辨证分型模型。
进一步地,对获取的中医辨证分型模型进行交叉验证。
例如,在本发明的一个示例中,选取2013年7月至2014年7月在深圳市中医院针灸病区住院的84例中风急性期及恢复期患者,其中为风痰阻络43例,气虚血瘀患者30例,肝阳上亢4例,阴虚风动5例,痰热腑实2例,根据辨证分型情况,因其他三类患者人数较少,因此选取常见的风痰阻络及气虚血瘀两种证候进行分析研究。
由于实验数据量有限,采用5折交叉验证,如图2所示,试验过程如下:
(1)将84例(份)脑电数据进行预处理后,得到84例(份2)脑电数据对应的多个节律参数。
(2)把84例脑电数据对应的多个节律参数分成5份,轮换将其中4份作为训练数据,1份作为测试数据,进行测试。
(3)训练数据集采用支持向量机特征递归去除模型(SVM-RFE)进行特征选择。根据SVM-RFE计算的Q值进行排序,逐一删除特征,最后保留20%的特征作为SVM分类模型的输入。
(4)将选择的特征参数作为SVM分类模型的输入,根据决策函数判断测试数据属于哪一类中医辨证类型。
(5)根据模型输出的中医辨证类型结果与测试数据原来的类标号(中医诊断结果)进行比较,计算错误率。
(6)根据不同的数据集的划分,选择训练数据和测试集,重复(3)--(4),计算每次的分类错误率。
(7)最后计算5折交叉验证的平均错误率。
上述示例利用5折交叉验证,实验结果如下表所示:
在另一些实施例中,如图4所示,提出一种基于脑电数据的中医辨证分型模型的建立系统20,包括:数据获取模块202、分类模块204、特征参数获取模块206和建模模块208。
数据获取模块202用于获取被试者的脑电数据,并对脑电数据进行预处理,获取所述脑电数据对应的节律参数数据集。分类模块204用于将所述节律参数数据集划分为训练数据和测试数据。特征参数获取模块206用于将所述训练数据进行特征选择,获取选择后的特征参数。建模模块208用于将所述特征参数和所述测试数据输入SVM分类模型,获取各个中医辨证类型对应的权重系数,根据所述权重系数建立中医辨证分型模型。
本实施例的基于脑电数据的中医辨证分型模型的建立系统20用于实现前述的基于脑电数据的中医辨证分型模型的建立方法,因此基于脑电数据的中医辨证分型模型的建立系统中的具体实施可参见前文基于脑电数据的中医辨证分型模型的建立方法的实施例部分,例如,数据获取模块202、分类模块204、特征参数获取模块206和建模模块208分别用于实现上述基于脑电数据的中医辨证分型模型的建立方法中步骤102、104、106和108,所以,其具体实现方式可参照前文中有关步骤102、104、106和108的各个实施例的描述,在此不再累述。
上述实施例的基于脑电数据的中医辨证分型系统、基于脑电数据的中医辨证分型模型的建立方法和系统,采用递归特征剔除支持向量机(SVM-RFE)模型进行特征选择。选择的特征参数作为数据特征输入至支持向量机(SVM)分类模型,获取各个中医辨证类型对应的权重系数,根据该权重系数即可判定被试者所属的中医辨证类型。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于脑电数据的中医辨证分型系统,其特征在于,包括:
数据获取单元,用于获取被试者的脑电数据,并对所述脑电数据进行预处理,获取所述脑电数据对应的多个节律参数;
特征参数获取单元,用于将所述多个节律参数进行特征选择,获取选择后的特征参数,将所述多个节律参数输入特征递归剔除模型,得到训练后的SVM参数;计算所述SVM参数在预定排序准则下的排序准则分数,并对所述排序准则分数进行排序;剔除排序准则分数小于预定阈值的SVM参数,将未剔除的SVM参数作为选择后的特征参数,并获取所述选择后的特征参数;
辨证类型判定单元,根据预先建立的中医辨证分型模型,确定所述特征参数对应的中医辨证类型。
2.根据权利要求1所述的系统,其特征在于,所述数据获取单元还用于:
获取所述脑电数据的多个脑电特征,其中,所述多个脑电特征包括α波、β波、θ波、和δ波;
获取所述多个脑电特征对应的节律,将所述节律进行归一化,以获取所述脑电数据对应的节律参数。
3.一种基于脑电数据的中医辨证分型模型的建立方法,其特征在于,包括以下步骤:
获取多个被试者的脑电数据,并对所述脑电数据进行预处理,获取所述脑电数据对应的节律参数数据集;
将所述节律参数数据集划分为训练数据和测试数据;
将所述训练数据输入特征递归剔除模型,得到训练后的SVM参数;
计算所述SVM参数在预定排序准则下的排序准则分数,并对所述排序准则分数进行排序;
剔除排序准则分数小于预定阈值的SVM参数,将未剔除的SVM参数作为选择后的特征参数,并获取所述选择后的特征参数;将所述特征参数和所述测试数据输入支持向量机分类模型,获取各个中医辨证类型对应的权重系数;
根据所述权重系数建立中医辨证分型模型。
4.根据权利要求3所述的方法,其特征在于,所述对所述脑电数据进行预处理的步骤包括:
获取所述脑电数据的多个脑电特征,其中,所述多个脑电特征包括α波、β波、θ波、和δ波;
获取所述多个脑电特征对应的节律功率谱,将所述节律功率谱进行归一化,以获取所述脑电数据对应的节律参数。
5.根据权利要求3所述的方法,其特征在于,所述将所述特征参数和所述测试数据输入支持向量机分类模型获取各个中医辨证分型对应的权重系数的步骤包括:
根据所述选择后的特征参数从所述测试数据中选取相应的特征参数;
将所述选择后的特征参数和从所述测试数据中选取相应的特征参数输入支持向量机分类模型;
根据所述支持向量机分类模型的决策函数获取各个中医辨证类型对应的权重系数。
6.根据权利要求3所述的方法,其特征在于,所述方法还包括:对所述中医辨证分型模型进行交叉验证。
7.一种基于脑电数据的中医辨证分型模型的建立系统,其特征在于,包括:
数据获取模块,用于获取多个被试者的脑电数据,并对所述脑电数据进行预处理,获取所述脑电数据对应的节律参数数据集;
分类模块,用于将所述节律参数数据集划分为训练数据和测试数据;
特征参数获取模块,用于将所述训练数据进行特征选择,获取选择后的特征参数,将所述多个节律参数输入特征递归剔除模型,得到训练后的SVM参数;计算所述SVM参数在预定排序准则下的排序准则分数,并对所述排序准则分数进行排序;剔除排序准则分数小于预定阈值的SVM参数,获取所述选择后的特征参数;
建模模块,用于将所述特征参数和所述测试数据输入SVM分类模型,获取各个中医辨证类型对应的权重系数,根据所述权重系数建立中医辨证分型模型。
8.根据权利要求7所述的系统,其特征在于,所述建模模块还用于:根据所述选择后的特征参数从所述测试数据中选取相应的特征参数;将所述选择后的特征参数和从所述测试数据中选取相应的特征参数输入支持向量机分类模型;根据所述支持向量机分类模型的决策函数获取各个中医辨证类型对应的权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511033619.3A CN105701336B (zh) | 2015-12-31 | 2015-12-31 | 基于脑电数据的中医辨证分型系统、模型建立的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511033619.3A CN105701336B (zh) | 2015-12-31 | 2015-12-31 | 基于脑电数据的中医辨证分型系统、模型建立的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105701336A CN105701336A (zh) | 2016-06-22 |
CN105701336B true CN105701336B (zh) | 2018-09-04 |
Family
ID=56226836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511033619.3A Active CN105701336B (zh) | 2015-12-31 | 2015-12-31 | 基于脑电数据的中医辨证分型系统、模型建立的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701336B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122583A (zh) * | 2017-03-10 | 2017-09-01 | 深圳大学 | 一种中医证素的辨证方法及装置 |
CN109771843B (zh) * | 2017-11-10 | 2021-10-22 | 北京连心医疗科技有限公司 | 云放射治疗计划评估方法、设备与存储介质 |
CN109086547A (zh) * | 2018-08-23 | 2018-12-25 | 华南理工大学 | 一种金属老化等级测量方法 |
CN110569968B (zh) * | 2019-10-18 | 2021-09-03 | 上海大学 | 基于电生理信号的创业失败恢复力评估方法及评估系统 |
CN111652193B (zh) * | 2020-07-08 | 2024-03-19 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
CN114169366B (zh) * | 2021-11-19 | 2023-10-20 | 北京师范大学 | 神经反馈训练系统和方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799864B (zh) * | 2010-01-15 | 2012-05-09 | 北京工业大学 | 一种基于血管内超声波图像的动脉斑块类型自动识别方法 |
CN202207134U (zh) * | 2011-07-25 | 2012-05-02 | 河南省豫新科技发展有限公司 | 高血压中医辨证分型仪 |
CN102426676B (zh) * | 2011-11-06 | 2015-09-16 | 中国科学院电工研究所 | 一种智能用电策略的特征提取方法 |
CN104361319B (zh) * | 2014-11-10 | 2018-01-09 | 杭州景联文科技有限公司 | 一种基于svm‑rfe特征选择的假指纹检测方法 |
CN104732241A (zh) * | 2015-04-08 | 2015-06-24 | 苏州大学 | 一种多分类器构建方法和系统 |
CN104887224B (zh) * | 2015-05-29 | 2018-04-13 | 北京航空航天大学 | 面向癫痫脑电信号的特征提取与自动识别方法 |
-
2015
- 2015-12-31 CN CN201511033619.3A patent/CN105701336B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105701336A (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105701336B (zh) | 基于脑电数据的中医辨证分型系统、模型建立的方法和系统 | |
CN106886792B (zh) | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 | |
Subramaniam et al. | Automated nociceptive pain assessment using physiological signals and a hybrid deep learning network | |
CN109224242B (zh) | 基于vr交互的心理放松系统及方法 | |
CN109157231A (zh) | 基于情绪刺激任务的便携式多通道抑郁倾向评估系统 | |
Li et al. | Multi-modal bioelectrical signal fusion analysis based on different acquisition devices and scene settings: Overview, challenges, and novel orientation | |
Belgacem et al. | ECG based human authentication using wavelets and random forests | |
WO2017016086A1 (zh) | 基于生理信息的抑郁症评估系统及其评估方法 | |
CN102184415B (zh) | 一种基于脑电信号的疲劳状态识别方法 | |
Zhang et al. | Machine learning for supporting diagnosis of amyotrophic lateral sclerosis using surface electromyogram | |
CN103258120A (zh) | 一种基于脑电信号的中风康复程度指标计算方法 | |
CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及系统 | |
CN107411738A (zh) | 一种基于静息脑电相似性的情绪跨个体识别方法 | |
Pandey et al. | Nonlinear EEG analysis of mindfulness training using interpretable machine learning | |
CN106510702A (zh) | 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法 | |
CN105844111A (zh) | 一种基于脑效应网络的新型脑电卒中评估方法 | |
CN109363678B (zh) | 基于经络能量平衡值的易发疾病预测系统 | |
CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
Yaacoubi et al. | A multimodal biometric identification system based on ECG and PPG signals | |
CN108324272A (zh) | 一种基于lzc复杂度测查焦虑程度的装置 | |
Robles et al. | Stress detection from surface electromyography using convolutional neural networks | |
Mohammed et al. | A Survey for Lie Detection Methodology Using EEG Signal Processing | |
Long et al. | Objective assessment of depression using multiple physiological signals | |
Shi et al. | Skin conductance-based acupoint and non-acupoint recognition using machine Learning | |
Belgacem et al. | ECG based human identification using random forests |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |