CN106618483B - 基于生理状态应激变异的检测方法及系统和应用 - Google Patents

Abstract

本发明公开了一种基于生理状态应激变异的检测方法，其包括如下步骤：连续采集被测对象的外周组织的视频图像，确定感兴趣区域；计算每帧视频图像的感兴趣区域中所有像素的亮度空间平均值得到观测点，形成观测时间序列；利用观测时间序列的延迟向量构建嵌入矩阵，对嵌入矩阵进行盲源分离，将观测时间序列分解为独立分量；从独立分量中提取外周组织特征；根据所述外周组织特征在基于生理状态应激变异的N维空间模型中投影的坐标位置判断类别属性是否异常，即，判断该外周组织特征是否达到生理状态应激变异的标准。本发明还公开了一种基于生理状态应激变异的检测系统及其应用。

Description

基于生理状态应激变异的检测方法及系统和应用

技术领域

本发明涉及生物化学检测技术领域，具体涉及一种基于生理状态应激变异的检测方法、检测系统及其应用。

背景技术

国内外大量的研究表明，吸食苯丙胺类药物会使大脑分泌大量的多巴胺(Dopamine，属于单胺类物质中的儿茶酚胺类，为神经传导物质的一种，使人产生愉悦和兴奋的感觉)，同时阻挡多巴胺转运体将释放的多巴胺传送回传导神经元，进而导致人体中的多巴胺水平急剧增加。已有的动物实验结果表明，性行为可以使多巴胺水平从100单元增加至200单元，可卡因(cocaine)可以使其升至350单元，而甲基苯丙胺(冰毒)将使多巴胺的基线水品飙升至1250单元，可见，甲基苯丙胺所导致的多巴胺释放水平与食物、性或是其他愉悦行为相比足足高出12倍。多巴胺受体与NMDA受体(N-methyl-D-aspartate)在物理上直接相连，除了分布在大脑中，还广泛分布在人体的外周组织中(包括心脏、肾脏、胃肠、肺、生殖器、肌肉、皮肤和神经中枢等)。

目前，现有的吸毒检测技术手段包括：血检、尿检、头发检测和唾液检测，这些技术手段普遍是通过检测体液或头发中的毒品化学物质的含量来判定嫌疑人是否吸毒。这些技术手段的局限性在于：1)生物样本采集困难，在不配合的情况下很难操作，例如：蓄意憋尿24小时，不配合尿检，会严重拖延办案时间并浪费警力资源；2)涉及隐私问题，不具备现场可操作性，例如：路边“毒驾”筛查或公共场合等无法实施尿检，并且女性被测对象必须由女民警进行操作；3)必须由专业人员操作，检测时间长，例如：血检和发检必须到指定检验机构进行；4)吸毒人群多数患有各种传染疾病(如肝病、艾滋病、梅毒等)，血检、尿检、唾液检这些采集体液的方式，都极易造成病毒的传染，严重威胁执勤警察的健康安全。5)只能实现小范围内的抽查，进行大规模筛查的可操作性不强，很难发现吸毒隐形群体。

发明内容

为了解决现有技术存在的难以快速、大规模、非接触式检测吸毒状况等问题，本发明提出了一种基于生理状态应激变异的检测方法及检测系统。本发明检测方法及系统可用于不接触被测对象的非接触式检测，也可接触被测对象进行检测。

本发明提出了一种基于生理状态应激变异的检测方法，所述检测方法用于检测被测对象的外周组织特征，其包括如下步骤：

步骤一：按固定帧频连续采集被测对象的外周组织的视频图像，确定所述视频图像的感兴趣区域；

步骤二：计算每帧视频图像的感兴趣区域中所有像素的空间平均值得到观测点，在整个视频时间段内形成观测时间序列；

步骤三：利用所述观测时间序列的延迟向量构建嵌入矩阵，对所述嵌入矩阵进行盲源分离，将所述观测时间序列分解为独立分量；

步骤四：从所述独立分量中提取外周组织特征；

步骤五：根据所述外周组织特征在基于生理状态应激变异的N维空间模型中投影的坐标位置判断类别属性是否异常，即，判断该外周组织特征是否达到生理状态应激变异的标准。当所述外周组织特征达到生理状态应激变异的标准，则所述类别属性为异常。当所述外周组织特征未达到生理状态应激变异的标准，则所述类别属性为正常。

本发明中，所述生理状态应激变异是指，当生物体受外源物质的影响，吸食或注射影响其神经系统的物质(例如毒品)之后，其体内的多巴胺、内啡肽、肾上腺素等物质的正常的分泌及代谢受到改变，这些物质和受体间的相互作用受到破坏，导致使该生物体的器官和外周组织(包括皮肤等)在较短时间内(例如24小时)发生变化。外源物质包括毒品等影响或作用于神经系统的其他化学物质或药物等。

本发明中，所述生物体包括人或其他哺乳动物或其他动物。所述被测对象包括人或其他动物或生物，包括吸食毒品或未吸食毒品的人。

本发明中，所述毒品包括：冰毒(化学成分：甲基苯丙胺，化学式：C₁₀H₁₅N)、摇头丸等(化学成分：甲基苯丙胺衍生物)、可卡因(化学成分：苯甲基芽子碱，化学式：C₁₇H₂₁NO₄)、大麻(化学成分：四氢大麻酚，化学式：C₂₁H₃₀O₂)、海洛因(化学成分：吗啡生物碱，化学式：C₂₁H₂₃NO₅)、K粉(化学成分：氯胺酮，化学式：C₁₃H₁₆C_lNO)、等导致吸食者兴奋或成瘾的各种化学物品。

本发明中，所述外周组织是指能被电磁波、光波、微波等信号穿透表层皮肤后所照射到的生物体组织，包括皮肤、皮下组织、血管、血液、肌肉等组织。

本发明中，所述外周组织特征包括照射到所述被测对象的外周组织后反射的电磁波、光波或微波信号的高阶统计量。所述外周组织特征包括照射到所述被测对象的外周组织后反射的电磁波、光波、微波等信号的细微特征，所述细微特征是指从反射的电磁波信号中提取出独立分量，对独立分量采用高阶统计量分析所得出的参数估计。

本发明中，所述基于生理状态应激变异的N维空间模型是指大量被测对象的外周组织特征的特征量集合在所述N维空间模型中聚类后，获得的异常类与正常类之间的分类面。

本发明中，所述基于生理状态应激变异的N维空间模型的构建，是通过将多个被测对象外周组织特征形成特征量集合，对所述特征量集合在N维空间中进行聚类，聚类算法包括K均值聚类、支持向量机、模糊C均值聚类和迭代自组织聚类法，在N维空间上获得分类面；所述构建包括如下步骤：

步骤a1：采集被测对象的外周组织的视频图像；

步骤a2：计算每帧视频图像的感兴趣区域中所有像素的亮度空间平均值得到观测点，在整个视频时间段内形成观测时间序列；利用所述观测时间序列的延迟向量构建嵌入矩阵，对所述嵌入矩阵进行盲源分离，将所述观测时间序列分解为独立分量；从所述独立分量中提取外周组织特征；将所有被测对象的特征形成特征量集合；

步骤a3：将所述特征量集合在N维空间中聚类，得到异常类和正常类别之间的分类面，所述N≥1。

本发明中，所述生理状态应激变异的标准用于判断所述类别属性是否异常。所述生理状态应激变异的标准是指，根据被测对象的外周组织特征的特征量集合在所述N维空间模型中聚类后获得的异常类与正常类之间的分类面。

本发明中，正常类是指，在被测对象未受到外来源物质的刺激影响、其外周组织未发生应激变异的情况下，其外周组织特征在N维空间模型中聚类结果的分布位置。异常类是指，在被测对象受到外来源物质的刺激影响、其外周组织发生应激变异的情况下，其外周组织特征在N维空间模型中聚类结果的分布位置。分类面是指将N维空间划分为正常类子空间和异常类子空间的超平面。

本发明中，步骤二中，观测时间序列是指，计算视频图像中一帧图像中感兴趣区域的空间亮度平均值形成一个观测点，一段时间长度的视频中所有的视频图像的观测点在时间轴上形成了观测时间序列。

本发明方法中，步骤三对所述嵌入矩阵进行盲源分离，所述盲源分离法包括快速独立源分析法、自适应法、矩阵特征值分解法、最大信息量法。

本发明方法中，步骤四从所述独立分量中提取所述外周组织特征是采用高阶统计量对独立分量进行分析得出，包括如下步骤：

步骤b1：采用参数化双谱估计算法分析所述独立分量信号；

步骤b2：以非高斯白噪声激励的AR参数模型对所述独立分量信号进行建模获得模型；

步骤b3：利用带约束的三阶平均法对所述模型的参数进行估计得到外周组织特征。

本发明检测方法中，将所述外周组织特征在基于生理状态应激变异的N维空间模型中进行聚类的算法包括K均值聚类、支持向量机、模糊C均值聚类和迭代自组织聚类法。

本发明还提出了一种基于生理状态发生应激变异的检测系统，所述检测系统包括：

采集单元，其用于按固定帧频连续采集被测对象的外周组织的视频图像，确定所述视频图像的感兴趣区域；

计算单元，其输入端与所述采集单元的输出端连接，用于计算每帧视频图像的感兴趣区域中所有像素的亮度空间平均值得到观测点，形成观测时间序列；

矩阵构建单元，其输入端与所述计算单元的输出端连接，用于利用所述观测时间序列的延迟向量构建嵌入矩阵；

分离单元，其输入端与所述矩阵构建单元的输出端连接，用于对所述嵌入矩阵进行盲源分离，将所述观测时间序列分解为独立分量；

特征提取单元，其输入端与所述分离单元的输出端连接，用于从所述独立分量中提取外周组织特征；

判断单元，其输入端与所述特征提取单元的输出端连接，用于根据所述外周组织特征在N维空间模型中投影的坐标位置的判断类别属性。

本发明提出的所述基于生理状态发生应激变异的检测系统中，所述检测系统进一步包括：

聚类单元，其输入端与所述特征提取单元的输出端连接，用于将被测对象的外周组织特征构成特征量集合，将所述外周组织特征量集合在基于生理状态应激变异的N维空间中进行聚类，获得异常类与正常类之间的分类面，即建立出基于生理状态应激变异的N维空间模型；

本发明还提出了所述基于生理状态发生应激变异的检测方法在检测被测对象是否吸食或注射影响或作用于其神经系统的化学物品中的应用。本发明还提出了一种所述基于生理状态发生应激变异的检测方法在检测被测对象是否吸食或注射毒品中的应用。

在一个具体实施方案中，如图2，被测对象吸食毒品之后，依据多巴胺水平的激增将对外周组织的生理状态产生剧烈的应激作用，当电磁波(包括可以是可见光、红外光、微波或UWB等)照射到被测对象的皮肤表面时，除部分电磁波被直接反射外，其余的电磁波将进入皮肤内层，并被皮肤内的血管、肌肉和内层组织产生吸收衰减作用，照射电磁波衰减量随吸毒后外周组织(包括血管和肌肉等内层组织)的变化呈现改变的原理，通过探测皮肤反射电磁波的变化实现检测。将外周组织特征量集合在N维空间中进行聚类，获得基于生理状态应激变异的N维空间模型，如图3所示。根据所述外周组织特征在基于生理状态应激变异的N维空间模型中投影的坐标位置判断该外周组织特征是否达到生理状态应激变异的标准。

本发明有益效果包括，本发明提供了一种非接触式的基于生理状态应激变异的检测方法及检测系统，通过检测感兴趣区域的视频图像可获取被检测对象的外周组织特征是否达到生理状态应激变异的标准。本发明检测方法及检测系统可应用于对吸食或注射毒品的被测对象的检测，检测效率提高，检测操作便利，无需接触被检测对象，解决了被检测对象不配合检测所造成的麻烦。本发明检测方法及检测系统适用于对大规模人群进行吸毒筛查。

附图说明

图1为本发明基于生理状态应激变异的检测方法的流程图。

图2为本发明基于生理状态应激变异的检测方法的原理图及外周组织的示意图。

图3为本发明中在高维空间聚类结果的示意图。将检测样本在8维空间上投影，利用K-means自动聚类为2类，图中为在3维空间的可视化显示图。

图4为本发明基于生理状态发生应激变异的检测系统的示意图。

图5为实施例中检测对象的男女比例饼图。

图6为实施例中检测对象的年龄结构饼图。

图7为实施例中检测对象的混吸史饼图。

图8为实施例中检测对象的毒龄饼图。

图9A～9C表示实施例1中所有样本在8维空间上投影，利用K-means自动聚类的结果。其中，图9A显示的结果自动聚为2类，图示效果是为了能将结果可视化显示出来而给出的三维示意图，其中蓝色类(左)代表正常类红色类(右)代表异常类。图9B和9C分别采用类间距‐类内聚分析和统聚类分析(hierarchical‐cluster analysis)进行聚类效果评价。

图10为实施例中本发明方法检出率的柱状图。

图11A为实施例2中的观测时间序列。

图11B为实施例2中选取的前4个独立分量。

图11C表示实施例2中4个独立分量的双谱估计。

图11D表示实施例2中判定该被测对象的外周组织特征为异常类别。

图12A表示实施例3中的观测时间序列。

图12B为实施例3中选取的前4个独立分量。

图12C表示实施例3中4个独立分量的双谱估计。

图12D表示实施例3中判定该被测对象的外周组织特征为正常类别。

具体实施方式

结合以下具体实施例和附图，对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。

本发明基于生理状态应激变异的检测方法用于检测被测对象的外周组织特征，所述外周组织特征包括照射到所述被测对象的外周组织后反射的电磁波、光波或微波信号的高阶统计量。本发明中，外周组织是指能被电磁波、光波、微波等信号穿透表层皮肤后所照射到的生物体组织。优选地，如图2所示，包括皮肤、皮下组织、血管、血液、肌肉等组织。

如图1所示，本发明基于生理状态应激变异的检测方法包括如下步骤：

步骤一：按固定帧频连续采集被测对象的外周组织的视频图像，确定所述视频图像的感兴趣区域；优选地，该感兴趣区域为被测对象的皮肤表面。

步骤二：计算每帧视频图像的感兴趣区域中所有像素的亮度空间平均值得到观测点，在整个视频时间段内形成观测时间序列。

步骤三：利用所述观测时间序列的延迟向量构建嵌入矩阵，对所述嵌入矩阵进行盲源分离，将所述观测时间序列分解为独立分量；所述盲源分离法包括快速独立源分析法、自适应法、矩阵特征值分解法、最大信息量法。

步骤四：从所述独立分量中提取外周组织特征。

其中，从所述独立分量中提取所述外周组织特征，是通过以下步骤b1～b3，采用高阶统计量对独立分量进行分析得出：b1)采用参数化双谱估计算法分析所述独立分量信号；b2)以非高斯白噪声激励的AR参数模型对所述独立分量信号进行建模获得模型；b3)利用带约束的三阶平均法对所述模型的参数进行估计得到外周组织特征。

步骤五：根据所述外周组织特征在基于生理状态应激变异的N维空间模型中投影的坐标位置判断类别属性是否异常，即，判断该外周组织特征是否达到生理状态应激变异的标准。

其中，所述基于生理状态应激变异的N维空间模型的构建，是通过将多个被测对象外周组织特征形成特征量集合，对所述特征量集合在N维空间中进行聚类，聚类算法包括K均值聚类、支持向量机、模糊C均值聚类和迭代自组织聚类法，在N维空间上获得分类面，实现基于生理状态应激变异的N维空间模型的构建；所述构建包括步骤：a1)采集被测对象的外周组织的视频图像；a2)计算每帧视频图像的感兴趣区域中所有像素的亮度空间平均值得到观测点，在整个视频时间段内形成观测时间序列；利用所述观测时间序列的延迟向量构建嵌入矩阵，对所述嵌入矩阵进行盲源分离，将所述观测时间序列分解为独立分量；从所述独立分量中提取外周组织特征；将所有被测对象的特征形成特征量集合；a3)将所述特征量集合在N维空间中聚类，得到异常类和正常类别之间的分类面，所述N≥1。

其中，将生理状态应激变异的标准用于判断所述类别属性是异常还是正常。所述生理状态应激变异的标准是根据被测对象的外周组织特征的特征量集合在所述N维空间模型中聚类后获得的异常类与正常类之间的分类面。如果所述外周组织特征达到生理状态应激变异的标准，则判断所述类别属性为异常。如果所述外周组织特征未达到生理状态应激变异的标准，则判断所述类别属性为正常。

如图4所示，本发明基于生理状态发生应激变异的检测系统，包括：采集单元1、计算单元2、矩阵构建单元3、分离单元4、特征提取单元5和判断单元6。采集单元1用于按固定帧频连续采集被测对象的外周组织的视频图像，确定所述视频图像的感兴趣区域。计算单元2的输入端与所述采集单元1的输出端连接，用于计算每帧视频图像的感兴趣区域中所有像素的亮度空间平均值得到观测点，在整个视频时间段内形成观测时间序列。矩阵构建单元3的输入端与所述计算单元2的输出端连接，用于利用所述观测时间序列的延迟向量构建嵌入矩阵。分离单元4的输入端与所述矩阵构建单元3的输出端连接，用于对所述嵌入矩阵进行盲源分离，将所述观测时间序列分解为独立分量。特征提取单元5的输入端与所述分离单元4的输出端连接，用于从所述独立分量中提取外周组织特征。判断单元6的输入端与所述特征提取单元5的输出端连接，用于根据所述外周组织特征在N维空间模型中投影的坐标位置判断类别属性。

优选地，本发明检测系统进一步包括：聚类单元7。聚类单元7的输入端与所述特征提取单元5的输出端连接，用于将被测对象的外周组织特征构成特征量集合，将所述外周组织特征量集合在基于生理状态应激变异的N维空间中进行聚类，获得异常类与正常类之间的分类面，即建立出基于生理状态应激变异的N维空间模型。

实施例1基于生理状态应激变异的N维空间模型的构建

步骤一 采集被测对象的外周组织的视频图像

本实施例的被测对象为某区县派出所送检的被测对象，共检测246例样本，涵盖了不同性别、年龄、吸毒史和毒龄的情况。如图5所示，其中男女比例为79:21。年龄分布如图6所示，20岁以内占12％，20-30岁占31％，30-40岁占25％，40-50岁占22％，50岁以上占10％。混吸史如图7所示，测试样本中有22％的有过混吸史，即曾经吸食过不同种类的毒品，78％不存在混吸史，即只吸食过冰毒一种毒品。毒龄如图8所示，检测样本中首次吸毒占6％，毒龄小于1年的占14％，毒龄在1-2年之间的占20％，毒龄超过2年的占60％。

步骤二 获得所有被测对象特征量集合

将246例被测对象外周组织的视频图像分别进行如下处理：

1)计算每帧视频图像(本实施例视频分辨率为640*480)的感兴趣区域中所有像素的亮度空间平均值得到观测点，在整个视频时长内形成观测时间序列，在本实施例中采集的视频时长为30秒；

2)利用所述观测时间序列的延迟向量构建嵌入矩阵，本实施例中，所述嵌入矩阵的维数取为30，所述延迟向量的延迟时间取为观测时间序列的采样时间，即视频图像采集帧频(25fps)的倒数为40ms；

3)对所述嵌入矩阵进行盲源分离，本实施例中，所述盲源分离方法采用fastICA算法，对所述嵌入式矩阵进行fastICA处理后得到30个独立分量；

4)在本实施例中，根据功率谱密度峰值的大小对获得的30个独立分量进行排序，选取前4个独立分量。

5)从每个所述独立分量中提取2个参数估计值作为外周组织特征，4个独立分量共获得8维外周组织特征，从每个所述独立分量中提取2个参数估计值的具体步骤包括：

步骤b1：采用参数化双谱估计算法分析所述独立分量信号，得出独立分量的双谱估计；

步骤b2：以非高斯白噪声激励的AR参数模型对所述独立分量信号进行建模；

步骤b3：用带约束的三阶平均法对独立分量信号模型的参数进行估计，得到2个AR参数估计。

6)将246个被测对象的特征形成特征量集合，本实施例中，特征量集合的大小为8×246；

步骤三 将所述特征量集合在N维空间中聚类

如图9A、9B、9C所示，本实施例将所述8×246维的特征量集合用K均值聚类算法在8维空间中聚类，具体步骤为：

步骤1：从特征量集合中随机选取2个特征量作为质心；

步骤2：对剩余的每个特征量测量其到每个质心的距离，并把它归到最近的质心的类；

步骤3：重新计算已经得到的各个类的质心；

步骤4：迭代3步直至新的质心与原质心小于指定阈值，本实施例中，阈值取为小于欧氏距离0.001，算法结束。

图9A为两类分类在三维空间中的示意图。为了能将8维空间结果可视化显示出来，给出聚类在三维空间的显示，图中两个球分别代表两类的质心。与这两类质心距离相等的平面为分类超平面，在图中表示为三维空间中的平面。分类超平面左侧为正常态(该类样本表示为圆点)，右侧为异常态(该类样本表示为方块)。图中左右两个椭球分别为所属模型中两类的97％置信区间。本实施例中，置信区间的计算方法是，将两类状态中的特征量按照8维高斯模型进行拟合，将8维高斯模型的分布距离质心3倍标准差的区间选取为97％的置信区间。

为验证聚类的效果，采用系统聚类分析(hierarchical-cluster analysis)和类间距-类内聚分析进行评估，结果分别如图9B、图9C，可以看出类间距显著性大于类内聚，说明分类效果很好。

由司法部司法鉴定科学技术研究所提供的发检结果显示，其中246例样本中有201例样本甲基苯丙胺发检呈阳性，其中吸毒后12小时内30例，吸毒后24小时内72例。将以上已知的样本数据作为参照，本发明基于吸毒后生理应激变异模型的检测结果，与现有技术的发检结果对比可见，12小时内30例中有1例漏检，24小时内72例中有6例漏检，24小时内无错检率，如图10所示，验证了本发明检测方法的可实践性。

实施例2本发明检测方法及系统对被测对象1的检测

步骤一

利用室内照明光源作为检测光源，采用摄像头作为探测器。将摄像头对准被测对象手掌位置，距离为10cm左右，以25fps的帧频连续采集视频图像30秒钟，图像分辨率为640×480。

步骤二

计算视频图像的一帧图像中感兴趣区域的亮度空间平均值形成一个观测点，

其中j代表第j帧图像，N为图像感兴趣区域包含的像素总数，I_k为第k个像素的亮度值。

含有J帧图像的视频形成所述视频图像的观测时间序列

x(t)＝{x₁,x₂,L,x_J}

对所述观测时间序列用平滑先验法滤除基线漂移，将滤除基线漂移后的观测时间序列如图11A所示。

步骤三

利用观测时间序列的一系列延迟向量构建嵌入矩阵，

其中m代表嵌入维数，τ_d代表延迟时间，延迟向量的个数n由待分析的观测信号长度决定，实际中应至少不小于m。在本实施例中，延迟时间τ_d＝0.04s取为观测时间序列x(t)的采样时间，即视频图像采集帧频(25fps)的倒数，嵌入维数取为m＝30。

利用盲源分离法中的独立成分分析法(ICA)处理嵌入矩阵，将观测时间序列分解为潜在的独立分量。FastICA是ICA算法中的一种，具有计算方便和执行速度快等优点。本实施例选取FastICA从嵌入矩阵中提取独立分量。Fast ICA模型是基于观测信号是潜在独立分量的线性组合这一假设，即

X＝AY

其中Y是独立分量信号，X为m×n维矩阵的观测信号，在本实例中X即为所述嵌入矩阵，A是m×m维的混合矩阵。Fast ICA算法的目的是找寻分解矩阵W，使得Y的估计值为

为了揭示独立分量，W必须使每个源信号的非高斯性最大化。

根据功率谱密度峰值的大小对获得的独立分量进行排序，选取前4个独立分量，如图11B所示。

步骤四

从所述独立分量中提取所述外周组织特征，具体步骤包括：

步骤b1：采用参数化双谱估计算法分析所述4个独立分量信号，所得4个独立分量的双谱估计如图11C所示；

步骤b2：以非高斯白噪声激励的AR参数模型对所述4个独立分量信号分别进行建模；

步骤b3：用带约束的三阶平均法对4个独立分量信号模型的参数分别进行估计，本实施例中，4个独立分量的参数估计值见图11C上方数字显示，分别为[-3.25；2.30],[2.07；2.33],[-2.23；1.52],[-1.97；1.53]。由所述外周组织特征由4个独立分量的2个AR参数组成了8维的特征，即[-3.25；2.30；2.07；2.33；-2.23；1.52；-1.97；1.53]。

步骤五

将外周组织的8维特征在基于生理状态应激变异的8维空间模型中投影，根据投影的坐标位置位于异常类别区域，可以判定该被测对象的外周组织特征达到了生理状态应激变异的标准，见图11D。为了可视化的显示结果，图11D中给出了8维空间中的3维。其中，三维空间中平面为分类面，分类面左侧空间为正常，分类面右侧空间为异常。三维空间中两个球体为所述模型中两类的95％置信区间。该实例的空间位置以五角星图案标示在三维空间中。

实施例3本发明检测方法及系统对被测对象2的检测

步骤一

利用室内照明光源作为检测光源，采用摄像头作为探测器。将摄像头对准被测对象手掌位置，距离为10cm左右，以25fps的帧频连续采集视频图像30秒钟，图像分辨率为640×480。

步骤二

计算视频图像的一帧图像中感兴趣区域的亮度空间平均值形成一个观测点，

其中j代表第j帧图像，N为图像感兴趣区域包含的像素总数，I_k为第k个像素的亮度值。

含有J帧图像的视频形成所述视频图像的观测时间序列

x(t)＝{x₁,x₂,L,x_J}

对所述观测时间序列用平滑先验法滤除基线漂移，将滤除基线漂移后的观测时间序列如图12A所示。

步骤三

利用观测时间序列的一系列延迟向量构建嵌入矩阵，

其中m代表嵌入维数，τ_d代表延迟时间，延迟向量的个数n由待分析的观测信号长度决定，实际中应至少不小于m。在本实施例中，延迟时间τ_d＝0.04s取为观测时间序列x(t)的采样时间，即视频图像采集帧频(25fps)的倒数；维数取为m＝30，所得的嵌入矩阵信号如图所示。

利用盲源分离法中的独立成分分析法(ICA)处理嵌入矩阵，将观测时间序列分解为潜在的独立分量。FastICA是ICA算法中的一种，具有计算方便和执行速度快等优点。本实施例选取FastICA从嵌入矩阵中提取独立分量。Fast ICA模型是基于观测信号是潜在独立分量的线性组合这一假设，即

X＝AY

其中Y是独立分量信号，X为m×n维矩阵的观测信号，在本实例中X即为所述嵌入矩阵，A是m×m维的混合矩阵。Fast ICA算法的目的是找寻分解矩阵W，使得Y的估计值为

为了揭示独立分量，W必须使每个源信号的非高斯性最大化。

根据功率谱密度峰值的大小对获得的独立分量进行排序，选取前4个独立分量，如图12B所示。

步骤四

从所述独立分量中提取所述外周组织特征是，具体步骤包括：

步骤b1：采用参数化双谱估计算法分析所述4个独立分量信号，所得双谱估计如图12C所示；

步骤b2：以非高斯白噪声激励的AR参数模型对所述4个独立分量信号分别进行建模；

步骤b3：用带约束的三阶平均法对4个独立分量信号模型的参数分别进行估计，本实施例中，4个独立分量的参数估计值见图12C上方数字显示，分别为[-1.54；0.28],[-1.45；0.49],[-1.50；0.47],[-2.80；0.83]。由所述外周组织特征由4个独立分量的2个AR参数组成了8维的特征量，即[-1.54；0.28；-1.45；0.49；-1.50；0.47；-2.80；0.83]。

步骤五

将外周组织的8维特征在基于生理状态应激变异的8维空间模型中投影，根据投影的坐标位置位于正常类别区域，可以判定该被测对象的外周组织特征没有达到生理状态应激变异的标准，见图12D。为了可视化的显示结果，图12D中给出了8维空间中的3维。其中，三维空间中平面为分类面，分类面左侧空间为正常，分类面右侧空间为异常。三维空间中两个球体为所述模型中两类的95％置信区间。该实例的空间位置以五角星图案标示在三维空间中。

实施例4本发明基于生理状态发生应激变异的检测方法及检测系统在检测被测对象是否吸食毒品中的应用。

由某派出所对本发明基于生理状态发生应激变异的检测方法及检测系统进行了实战测试。本实施例的被测对象为该派出所抓捕到的吸毒嫌疑人，共122例样本。

根据现有方法尿检结果显示，其中72例冰毒(甲基苯丙胺)尿检呈阳性，50例尿检呈阴性。本实施例进行检测的结果是，72例冰毒(甲基苯丙胺)尿检呈阳性的对象中有66例检测结果显示异常，6例检测结果显示正常，检出率达91.7％；50例发检结果呈阴性的对象检测结果均为正常，假阳性率为零。验证了本发明检测方法和系统在实战应用中的可操作性。

本发明保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

Claims (11)

1.一种基于生理状态应激变异的检测方法，其特征在于，所述检测方法用于检测被测对象的外周组织特征，其包括如下步骤：

步骤一：按固定帧频连续采集被测对象的外周组织的视频图像，确定所述视频图像的感兴趣区域；

步骤二：计算每帧视频图像的感兴趣区域中所有像素的亮度空间平均值得到观测点，在整个视频时间段内形成观测时间序列；

步骤三：利用所述观测时间序列的延迟向量构建嵌入矩阵，对所述嵌入矩阵进行盲源分离，将所述观测时间序列分解为独立分量；

步骤四：从所述独立分量中提取外周组织特征；

步骤五：根据所述外周组织特征在基于生理状态应激变异的N维空间模型中投影的坐标位置判断类别属性是否异常，即，判断该外周组织特征是否达到生理状态应激变异的标准。

2.如权利要求1所述的基于生理状态应激变异的检测方法，其特征在于，所述基于生理状态应激变异的N维空间模型的构建步骤，包括：

步骤a1：采集被测对象的外周组织的视频图像；

步骤a2：计算每帧视频图像的感兴趣区域中所有像素的亮度空间平均值得到观测点，在整个视频时间段内形成观测时间序列；利用所述观测时间序列的延迟向量构建嵌入矩阵，对所述嵌入矩阵进行盲源分离，将所述观测时间序列分解为独立分量；从所述独立分量中提取外周组织特征；将所有被测对象的特征形成特征量集合；

步骤a3：将所述特征量集合在N维空间中聚类，得到异常类和正常类别之间的分类面，所述N≥1。

3.如权利要求1所述的基于生理状态应激变异的检测方法，其特征在于，所述生理状态应激变异的标准是指根据被测对象的外周组织特征的特征量集合在所述N维空间模型中聚类后，获得的异常类与正常类之间的分类面。

4.如权利要求1所述的基于生理状态应激变异的检测方法，其特征在于，所述外周组织特征包括照射到所述被测对象的外周组织后反射的电磁波、光波或微波信号的高阶统计量。

5.如权利要求1所述的基于生理状态应激变异的检测方法，其特征在于，步骤三对所述嵌入矩阵进行盲源分离，所述盲源分离法包括快速独立源分析法、自适应法、矩阵特征值分解法、最大信息量法。

6.如权利要求1所述的基于生理状态应激变异的检测方法，其特征在于，步骤四中，从所述独立分量中提取所述外周组织特征是采用高阶统计量对独立分量进行分析得出，包括如下步骤：

步骤b1：采用参数化双谱估计算法分析所述独立分量信号；

步骤b2：以非高斯白噪声激励的AR参数模型对所述独立分量信号进行建模获得模型；

步骤b3：利用带约束的三阶平均法对所述模型的参数进行估计得到外周组织特征。

7.如权利要求1所述的基于生理状态应激变异的检测方法，其特征在于，将所述外周组织特征在基于生理状态应激变异的N维空间模型中进行聚类的算法包括K均值聚类、支持向量机、模糊C均值聚类和迭代自组织聚类法。

8.一种基于生理状态发生应激变异的检测系统，其特征在于，所述检测系统包括：

采集单元(1)，其用于按固定帧频连续采集被测对象的外周组织的视频图像，确定所述视频图像的感兴趣区域；

计算单元(2)，其输入端与所述采集单元(1)的输出端连接，用于计算每帧视频图像的感兴趣区域中所有像素的亮度空间平均值得到观测点，形成观测时间序列；

矩阵构建单元(3)，其输入端与所述计算单元(2)的输出端连接，用于利用所述观测时间序列的延迟向量构建嵌入矩阵；

分离单元(4)，其输入端与所述矩阵构建单元(3)的输出端连接，用于对所述嵌入矩阵进行盲源分离，将所述观测时间序列分解为独立分量；

特征提取单元(5)，其输入端与所述分离单元(4)的输出端连接，用于从所述独立分量中提取外周组织特征；

判断单元(6)，其输入端与所述特征提取单元(5)的输出端连接，用于根据所述外周组织特征在N维空间模型中投影的坐标位置判断类别属性。

9.如权利要求8所述的基于生理状态发生应激变异的检测系统，其特征在于，所述检测系统进一步包括：

聚类单元(7)，其输入端与所述特征提取单元(5)的输出端连接，用于将被测对象的外周组织特征构成特征量集合，将所述外周组织特征量集合在基于生理状态应激变异的N维空间中进行聚类，获得异常类与正常类之间的分类面，即建立出基于生理状态应激变异的N维空间模型。

10.如权利要求1～7之任一项所述的基于生理状态应激变异的检测方法在检测被测对象是否吸食或注射影响其神经系统的化学物品中的应用。

11.如权利要求10所述的应用，其特征在于，所述影响神经系统的化学物品包括毒品。