CN109157231B - 基于情绪刺激任务的便携式多通道抑郁倾向评估系统 - Google Patents

基于情绪刺激任务的便携式多通道抑郁倾向评估系统 Download PDF

Info

Publication number
CN109157231B
CN109157231B CN201811241082.3A CN201811241082A CN109157231B CN 109157231 B CN109157231 B CN 109157231B CN 201811241082 A CN201811241082 A CN 201811241082A CN 109157231 B CN109157231 B CN 109157231B
Authority
CN
China
Prior art keywords
data
model
emotional
information
stimulation
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
Application number
CN201811241082.3A
Other languages
English (en)
Other versions
CN109157231A (zh
Inventor
李岱
丁欣放
毕成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Adai Technology Beijing Co ltd
Original Assignee
Adai Technology Beijing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Adai Technology Beijing Co ltd filed Critical Adai Technology Beijing Co ltd
Priority to CN201811241082.3A priority Critical patent/CN109157231B/zh
Publication of CN109157231A publication Critical patent/CN109157231A/zh
Application granted granted Critical
Publication of CN109157231B publication Critical patent/CN109157231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Child & Adolescent Psychology (AREA)
  • Educational Technology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供一种基于情绪刺激任务的便携式多通道抑郁倾向评估系统。在情绪刺激任务下，以便携式设备收集脑电、皮肤电、心电、眼动、语音和影像信息，利用多种监督学习和非监督学习算法对多通道生理信号和行为数据进行特征提取、特征筛选、模型训练和模型验证，整合多通道分析结果，计算抑郁倾向指数，对抑郁倾向进行评估。

Description

基于情绪刺激任务的便携式多通道抑郁倾向评估系统
技术领域
本发明属于人工智能领域，基于脑电、皮肤电、心电、眼动、语音和影像信息等综合信息，利用机器学习算法评估抑郁倾向，具体涉及一种基于情绪刺激任务的便携式多通道抑郁倾向评估系统。
背景技术
重性抑郁障碍(Major Depression)是抑郁障碍中的典型疾病。其特征性地表现为明确的至少2周的发作，涉及情感、认知和植物神经功能的明显变化。研究显示，重性抑郁障碍12个月的患病率约为7％，是最为常见的精神疾病之一(DSM-5,2013)。
重性抑郁障碍早已成为精神卫生领域关注的热点问题，大量研究围绕重性抑郁障碍的病因、治疗和预后而展开。在这些研究中，对抑郁倾向的早期甄别被认为对疾病的防治有着非常重要的作用。但是由于重性抑郁常与其他生理和心理疾病共病，对抑郁的早期甄别往往是很困难的(Culpepper,2014)。通常，对重性抑郁障碍的诊断基于精神障碍诊断与统计手册(DSM-5)上对该疾病标准的描述。但在诊断过程中，由于人为因素的干扰，很难完全避免主观性的影响。如在收集病史时可能产生遗漏，或对某些症状的严重程度无意地夸大等(Mumtaz,Ali,Yasin,Malik,2017)。近些年，随着机器学习算法的成熟，越来越多的研究者开始尝试使用生理和行为数据对重性抑郁障碍进行早期甄别，以降低主观性的影响，为精神科医生的诊断提供辅助。机器学习是利用计算机算法自动挖掘复杂数据更深层次的信息的一种方法，已经被广泛应用在图像识别(Simonyan,Zisserman,2014)，语音识别(LeCun,Bengio,Hinton,2015),疾病诊断(Hilbert,Lueken,Muehlhan,Beesdo-Baum,2017)等诸多领域。
生理和行为数据，如脑电(EEG)、脑成像(fMRI)、眼动、语音等蕴含了更丰富全面的个体信息，但同时也比较难分析和处理。机器学习可以自动地对这些信息进行深层次挖掘。同时，需要指出的是，经查阅，现有抑郁症临床诊断规范模式和诊断筛查量表中均未涉及与生理和行为数据相关的质量报告。而上述生理和行为数据作为考察人体综合健康状况的一项重要指标，在临床医学中多个领域均有普遍考察，但仍未将其纳入抑郁症的诊断依据范围当中，此为现有抑郁症临床诊断的一大缺陷。本发明的创新要点之一就是依据患者的生理和行为数据结果获得报告，从而对患者的抑郁症诊断起到重要的辅助作用。此外，将机器学习应用于个体的疾病诊断，不仅可以用于预测，还能够为制定个性化的治疗方案提供支持。目前已有一些研究利用机器学习算法对重性抑郁障碍的评估进行了探索，但大多研究都基于单一通道信息、依靠监督学习算法处理生理信号，且测量往往需要借助较为复杂的设备。本发明将生理信号和行为数据相结合、同时利用监督学习算法和非监督学习算法、在使用便携式测量设备的基础上，对抑郁倾向进行评估并建立分类模型。
发明内容
本发明提供一种便携式的、基于多通道生理信号和行为数据的抑郁倾向评估系统。在情绪刺激任务下，以便携式设备收集脑电、皮肤电、心电、眼动、语音和影像信息，利用多种监督学习算法和非监督学习算法对多通道生理信号和行为数据进行特征提取、特征筛选、模型训练和模型验证，整合多通道分析结果，计算抑郁倾向指数，对抑郁倾向进行评估。
本发明的技术方案是：一种基于情绪刺激任务的便携式多通道抑郁倾向评估方法，其特征包括：
(1)标准化情绪刺激步骤：向受试者呈现标准化的情绪刺激，包括静态情绪刺激和动态情绪刺激；
(2)生理信号采集步骤：采集受试者在完成情绪刺激任务时的多通道生物电信号，包括脑电、皮肤电、心电；
(3)行为数据采集步骤：采集受试者在完成情绪刺激任务时的多通道行为数据，包括眼动信息、语音信息、二维影像信息和三维深度影像信息；
(4)机器学习数据处理步骤：利用监督学习算法和非监督学习算法对生理信号和行为数据进行处理，进行特征提取、特征筛选、模型训练和模型验证
(5)整合评估步骤：整合多通道数据所得结果，计算抑郁倾向指数。
其中，所述步骤(1)中，所有情绪刺激均事先经过标准化的评估，以保证其在效价和唤起度上匹配。静态情绪刺激由图片构成，其中一半为正性图片，一半为负性图片。动态情绪刺激由短片构成，每段短片持续时间为20-100秒。情绪刺激呈现在台式电脑屏幕上。
所述步骤(2)中，生理信号通过便携式生物电信号采集设备采集。其中脑电设备传感器为接触式干电极；心率采用心率传感器记录心电变化情况，传感器为医用贴片式电极；皮肤电采用皮肤电设备，将两个传感器分别固定于受试者非惯用的食指和中指，以采集皮肤电的变化情况。所有生物电信号统一实时上传至商业化云处理平台。
所述步骤(3)中，行为数据同样由便携式设备采集。其中眼动信息由眼控仪收集，记录眼球活动轨迹以及每个采样点上眼球坐标位置；语音信息由麦克风收集；二维影像信息由4k摄像头采集；三维面孔深度信息由深度摄像头采集。所有行为数据统一实时上传至商业化云处理平台。
所述步骤(4)中，机器学习过程在商业化云处理平台完成。包括各通路数据的预处理、特征提取、特征筛选、模型训练和模型验证。
其中预处理主要包括：对原始脑电电压数据进行转换、过滤肌电；对皮肤电和心电数据进行去噪音处理；对行为数据进行噪音过滤。
特征提取主要包括：1)将正性刺激和负性刺激所对应的生物电信号和行为数据进行分段提取,具体波段包括delta(1-4Hz)，theta(4-8Hz)，alpha(8-13Hz)，beta(13-30Hz)，gamma(30-44Hz)，high-gamma(45-60Hz)；2)对于脑电数据，提取不同类型情绪刺激下的相应特征值，包括不同波段脑电的平均波长λ、频率，波振幅a(a＝h波峰值-h波谷值)、变化熵(S＝klnΩ)、能量值(λ2)等特征值共2870个特征；对于皮肤电数据，提取不同类型情绪刺激下以及情绪刺激出现的皮肤电波长、波峰值、波谷值、变化熵共计1150个特征；对于心电数据，提取不同类型情绪刺激前后心率变异率作为特征值；对于眼动数据，计算受试者注视不同情绪刺激的持续时长、所占比率、眼动和眼跳指标，共计1200个特征。
特征筛选、模型训练和模型验证主要包括：1)利用监督学习算法处理脑电、皮肤电、心电、眼动信息，使用的算法包括支持向量机(Support Vector Machines,SVM)、logistic回归、随机森林(Random Forest)以及基于上述三个算法的整合算法；2)利用非监督学习算法卷积神经网络(CNN)和循环神经网络(RNN)分别处理面部表情信息和语音信息；3)将监督学习算法和非监督学习算法结合起来，首先使用经过上百万次训练的卷积神经网络(CNN)和循环神经网络(RNN)分别对面部表情和语言信息进行中间信息的提取。之后再将这些中间的信息结合其他输入信号(如脑电，皮肤电和眼动信息)进行第二级分类模型的训练；4)根据人工智能算法的训练规则，为了保证实验的有效性，整体研究将按照训练模型、验证模型和测试模型的顺序进行。其中60％的样本数据将用于对计算机模型进行训练，并形成最终的分类模型，20％的样本数据用于验证得出的分类模型，最后20％的样本数据用于测量和评估模型的准确性。
所述步骤(5)中，根据步骤(4)所得模型，分别计算各通路数据的权重，根据权重计算得出抑郁倾向指数。具体计算方法如下：
通过逻辑回归，于第二级数据中(脑电，皮肤电，眼动，语音和面部表情特征)得出各模态特征的相对权重V1，V2，V3…Vi，并由通过线性相加得到抑郁倾向指数
Figure GDA0002827600510000031
分别计算各通路数据的权重，根据权重计算得出抑郁倾向指数。
附图说明
(1)图1本发明系统整体框架图
(2)图2研究技术路线图
(3)图3算法模型示意图
具体实施方案
下面对本发明的实施方案进行详述：
实施例1
本发明的系统硬件包括：穿戴式脑电采集设备、心率采集设备、皮肤电采集设备。其中脑电设备传感器为接触式干电极；心率采用心率传感器记录心电变化情况，传感器为医用贴片式电极；皮肤电采用皮肤电设备，将两个传感器分别固定于受试者非惯用的食指和中指，以采集皮肤电的变化情况。
实施例2
一种基于情绪刺激任务的便携式多通道抑郁倾向评估方法，其特征包括：
(1)标准化情绪刺激步骤：向受试者呈现标准化的情绪刺激，包括静态情绪刺激和动态情绪刺激；
(2)生理信号采集步骤：采集受试者在完成情绪刺激任务时的多通道生物电信号，包括脑电、皮肤电、心电；
(3)行为数据采集步骤：采集受试者在完成情绪刺激任务时的多通道行为数据，包括眼动信息、语音信息、二维影像信息和三维深度影像信息；
(4)机器学习数据处理步骤：利用监督学习算法和非监督学习算法对生理信号和行为数据进行处理，进行特征提取、特征筛选、模型训练和模型验证
(5)整合评估步骤：整合多通道数据所得结果，计算抑郁倾向指数。
其中，所述步骤(1)中，所有情绪刺激均事先经过标准化的评估，以保证其在效价和唤起度上匹配。静态情绪刺激由图片构成，其中一半为正性图片，一半为负性图片。动态情绪刺激由短片构成，每段短片持续时间为20-100秒。情绪刺激呈现在台式电脑屏幕上。
所述步骤(2)中，生理信号通过便携式生物电信号采集设备采集。其中脑电设备传感器为接触式干电极；心率采用心率传感器记录心电变化情况，传感器为医用贴片式电极；皮肤电采用皮肤电设备，将两个传感器分别固定于受试者非惯用的食指和中指，以采集皮肤电的变化情况。所有生物电信号统一实时上传至商业化云处理平台。
所述步骤(3)中，行为数据同样由便携式设备采集。其中眼动信息由眼控仪收集，记录眼球活动轨迹以及每个采样点上眼球坐标位置；语音信息由麦克风收集；二维影像信息由4k摄像头采集；三维面孔深度信息由深度摄像头采集。所有行为数据统一实时上传至商业化云处理平台。
所述步骤(4)中，机器学习过程在商业化云处理平台完成。包括各通路数据的预处理、特征提取、特征筛选、模型训练和模型验证。
其中预处理主要包括：对原始脑电电压数据进行转换、过滤肌电；对皮肤电和心电数据进行去噪音处理；对行为数据进行噪音过滤。
特征提取主要包括：1)将正性刺激和负性刺激所对应的生物电信号和行为数据进行分段提取,具体波段包括delta(1-4Hz)，theta(4-8Hz)，alpha(8-13Hz)，beta(13-30Hz)，gamma(30-44Hz)，high-gamma(45-60Hz)；2)对于脑电数据，提取不同类型情绪刺激下的相应特征值，包括不同波段脑电的平均波长λ、频率，波振幅a(a＝h波峰值-h波谷值)、变化熵(S＝klnΩ)、能量值(λ2)等特征值共2870个特征；对于皮肤电数据，提取不同类型情绪刺激下以及情绪刺激出现的皮肤电波长、波峰值、波谷值、变化熵共计1150个特征；对于心电数据，提取不同类型情绪刺激前后心率变异率作为特征值；对于眼动数据，计算受试者注视不同情绪刺激的持续时长、所占比率、眼动和眼跳指标，共计1200个特征。
特征筛选、模型训练和模型验证主要包括：1)利用监督学习算法处理脑电、皮肤电、心电、眼动信息，使用的算法包括支持向量机(Support Vector Machines,SVM)、logistic回归、随机森林(Random Forest)以及基于上述三个算法的整合算法；2)利用非监督学习算法卷积神经网络(CNN)和循环神经网络(RNN)分别处理面部表情信息和语音信息；3)将监督学习算法与非监督学习算法结合起来，首先使用经过上百万次训练的卷积神经网络(CNN)和循环神经网络(RNN)分别对面部表情和语言信息进行中间信息的提取。之后再将这些中间的信息结合其他输入信号(如脑电，皮肤电和眼动信息)进行第二级分类模型的训练；4)根据人工智能算法的训练规则，为了保证实验的有效性，整体研究将按照训练模型、验证模型和测试模型的顺序进行。其中60％的样本数据将用于对计算机模型进行训练，并形成最终的分类模型，20％的样本数据用于验证得出的分类模型，最后20％的样本数据用于测量和评估模型的准确性。
所述步骤(5)中，根据步骤(4)所得模型，分别计算各通路数据的权重，根据权重计算得出抑郁倾向指数。具体计算方法如下：
通过逻辑回归，于第二级数据中(脑电，皮肤电，眼动，语音和面部表情特征)得出各模态特征的相对权重V1，V2，V3…Vi，并由通过线性相加得到抑郁倾向指数
Figure GDA0002827600510000051
分别计算各通路数据的权重，根据权重计算得出抑郁倾向指数。
实施例3所述系统的具体操作方法，具体为：
在数据采集之前，被测评的抑郁受试对象需要佩戴脑电、皮肤电、心率生理采集设备。在所有设备佩戴好后，主试将受试者独自留在实验室内完成接下来的测试，过程中主试不再干预。
受试者按照要求连续完成2个任务。在第一个测试任务开始之前，有基线测量，要求受试者平静坐好，注视计算机显示器。基线测量结束后，进入第一个任务。第一个任务为静态情绪刺激任务，显示器上会随机同时呈现4张图片，受试者可以自由地注视屏幕上出现的图片。图片包含正性和负性两类。第二个任务为动态情绪刺激任务，显示器上会随机呈现短片，每个短片持续20-100秒，同样要求受试者自由观看短片，并按照要求在每段短片结束后，用自己的话简要概括短片的主要内容。
记录受试者在完成所有任务的过程中脑电、皮肤电、心电、眼动、语音、二维和三维表情信息，并将其实时上传至望里科技人工智能数据处理云平台。
分别对不同通道信息进行去噪和预处理。
对于脑电、皮肤电、心电、眼动数据，分别提取不同情绪刺激下和不同任务时间点的相应特征值，利用监督学习算法进行特征筛选、建立模型。
对于语音、二维和三维表情信息，利用非监督学习算法进行处理，建立模型。
将监督学习算法与非监督学习算法结合起来，首先使用经过上百万次训练的卷积神经网络(CNN)和循环神经网络(RNN)分别对面部表情和语言信息进行中间信息的提取。之后再将这些中间的信息结合其他输入信号(如脑电，皮肤电和眼动信息)进行第二级分类模型的训练。

Claims (1)

1.一种基于情绪刺激任务的便携式多通道抑郁倾向评估方法，其特征包括以下步骤：
(1)标准化情绪刺激步骤：向受试者呈现标准化的情绪刺激，包括静态情绪刺激和动态情绪刺激；
(2)生理信号采集步骤：采集受试者在完成情绪刺激任务时的多通道生物电信号，包括脑电、皮肤电、心电；
(3)行为数据采集步骤：采集受试者在完成情绪刺激任务时的多通道行为数据，包括眼动信息、语音信息、二维影像信息和三维深度影像信息；
(4)机器学习数据处理步骤：利用监督学习算法和非监督学习算法对生理信号和行为数据进行处理，进行特征提取、特征筛选、模型训练和模型验证；
(5)整合评估步骤：整合多通道数据所得结果，计算抑郁倾向指数；其中：所述步骤(1)中，所有情绪刺激均事先经过标准化的评估，以保证其在效价和唤起度上匹配；静态情绪刺激由图片构成，其中一半为正性图片，一半为负性图片；动态情绪刺激由短片构成，每段短片持续时间为20-100秒；情绪刺激呈现在台式电脑屏幕上；
所述步骤(2)中，生理信号通过便携式生物电信号采集设备采集；其中脑电设备传感器为接触式干电极；心率采用心率传感器记录心电变化情况，传感器为医用贴片式电极；皮肤电采用皮肤电设备，将两个传感器分别固定于受试者非惯用的食指和中指，以采集皮肤电的变化情况；所有生物电信号统一实时上传至商业化云处理平台；
所述步骤(3)中，行为数据同样由便携式设备采集；其中眼动信息由眼控仪收集，记录眼球活动轨迹以及每个采样点上眼球坐标位置；语音信息由麦克风收集；二维影像信息由4k摄像头采集；三维面孔深度信息由深度摄像头采集；所有行为数据统一实时上传至商业化云处理平台；
所述步骤(4)中，机器学习过程在商业化云处理平台完成；包括各通路数据的预处理、特征提取、特征筛选、模型训练和模型验证；
所述步骤(5)中，根据步骤(4)所得模型，分别计算各通路数据的权重，根据权重计算得出抑郁倾向指数；其中步骤(4)中的
预处理主要包括：对原始脑电电压数据进行转换、过滤肌电；对皮肤电和心电数据进行去噪音处理；对行为数据进行噪音过滤；
特征提取主要包括：1)将正性刺激和负性刺激所对应的生物电信号和行为数据进行分段提取,具体波段包括1-4Hz的delta，4-8Hz的theta，8-13Hz的alpha，13-30Hz的beta，30-44Hz的gamma，45-60Hz high-gamma的；2)对于脑电数据，提取不同类型情绪刺激下的相应特征值，共2870个特征，其中包括不同波段脑电的平均波长λ、频率F，波振幅a，其中，a＝h波峰值-h波谷值、变化熵S、能量值λ2的特征值；对于皮肤电数据，提取不同类型情绪刺激下以及情绪刺激出现的皮肤电波长、波峰值、波谷值、变化熵共计1150个特征；对于心电数据，提取不同类型情绪刺激前后心率变异率作为特征值；对于眼动数据，计算受试者注视不同情绪刺激的持续时长、所占比率、眼动和眼跳指标，共计1200个特征；
特征筛选是指利用监督学习算法处理脑电、皮肤电、心电、眼动信息，使用的算法包括支持向量机(Support Vector Machines,SVM)、logistic回归、随机森林(Random Forest)以及基于上述三个算法的整合算法；
模型训练是指利用非监督学习算法卷积神经网络(CNN)和循环神经网络(RNN)分别处理面部表情信息和语音信息，进行第一级的模型的训练；将监督学习算法与非监督学习算法结合起来，首先使用经过上百万次训练的卷积神经网络CNN和循环神经网络RNN分别对面部表情和语言信息进行中间信息的提取；之后再将这些中间的信息结合脑电，皮肤电和眼动信息进行第二级的分类模型的训练；
模型验证是指根据人工智能算法的训练规则，为了保证实验的有效性，整体研究将按照训练模型、验证模型和测试模型的顺序进行；其中60％的样本数据将用于对计算机模型进行训练，并形成最终的分类模型，20％的样本数据用于验证得出的分类模型，最后20％的样本数据用于测量和评估模型的准确性；其中步骤(5)中具体为：
根据步骤(4)所得模型，分别计算各通路数据的权重，根据权重计算得出抑郁倾向指数；具体计算方法如下：
通过逻辑回归，于第二级的分类模型中的脑电，皮肤电，眼动，语音和面部表情特征Fi得出各模态特征的相对权重V1，V2，V3…Vi，并由通过线性相加得到抑郁倾向指数：
Figure FDA0002970394920000021
CN201811241082.3A 2018-10-24 2018-10-24 基于情绪刺激任务的便携式多通道抑郁倾向评估系统 Active CN109157231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811241082.3A CN109157231B (zh) 2018-10-24 2018-10-24 基于情绪刺激任务的便携式多通道抑郁倾向评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811241082.3A CN109157231B (zh) 2018-10-24 2018-10-24 基于情绪刺激任务的便携式多通道抑郁倾向评估系统

Publications (2)

Publication Number Publication Date
CN109157231A CN109157231A (zh) 2019-01-08
CN109157231B true CN109157231B (zh) 2021-04-16

Family

ID=64878945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811241082.3A Active CN109157231B (zh) 2018-10-24 2018-10-24 基于情绪刺激任务的便携式多通道抑郁倾向评估系统

Country Status (1)

Country Link
CN (1) CN109157231B (zh)

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109864750A (zh) * 2019-01-31 2019-06-11 华南理工大学 基于经颅刺激的精神状态评估与调节系统及其工作方法
CN110059232B (zh) * 2019-03-15 2021-05-07 杭州电子科技大学 一种基于用户体验度量的数据可视化方法
CN110123343B (zh) * 2019-04-19 2023-10-03 西北师范大学 基于语音分析的抑郁症检测设备
CN110013250B (zh) * 2019-04-30 2021-08-17 中南大学湘雅二医院 一种抑郁症自杀行为的多模式特征信息融合预测方法
CN110192864B (zh) * 2019-06-12 2020-09-22 北京交通大学 一种跨域心电图生物特征身份识别方法
CN110327061B (zh) * 2019-08-12 2022-03-08 北京七鑫易维信息技术有限公司 一种基于眼动追踪技术的性格确定装置、方法及设备
CN110507334A (zh) * 2019-08-21 2019-11-29 珠海学之渔心理咨询有限公司 一种成人心理评测方法
CN110507335B (zh) * 2019-08-23 2021-01-01 山东大学 基于多模态信息的服刑人员心理健康状态评估方法及系统
CN110675953B (zh) * 2019-09-23 2023-06-30 湖南检信智能科技有限公司 利用人工智能和大数据筛查识别精神病患者的系统
CN110811648A (zh) * 2019-11-20 2020-02-21 阿呆科技（北京）有限公司 一种基于残差卷积神经网络的抑郁倾向评估系统
CN112890815A (zh) * 2019-12-04 2021-06-04 中国科学院深圳先进技术研究院 一种基于深度学习的孤独症辅助评估系统和方法
CN111012367A (zh) * 2019-12-27 2020-04-17 华中师范大学 一种精神疾病的智能识别系统
CN111933275B (zh) * 2020-07-17 2023-07-28 兰州大学 一种基于眼动与面部表情的抑郁评估系统
CN111883252A (zh) * 2020-07-29 2020-11-03 济南浪潮高新科技投资发展有限公司 一种婴儿自闭症辅助诊断方法、装置、设备和存储介质
CN112259237B (zh) * 2020-10-13 2024-03-26 阿呆科技（北京）有限公司 基于多情感刺激和多级分类模型的抑郁评估系统
CN112244792A (zh) * 2020-10-30 2021-01-22 北京应激魔方数字科技有限公司 多维应激管理系统及方法
CN112535479B (zh) * 2020-12-04 2023-07-18 中国科学院深圳先进技术研究院 一种情绪加工倾向的确定方法及相关产品
CN112546391B (zh) * 2020-12-04 2022-11-11 中国科学院深圳先进技术研究院 情绪加工倾向的确定方法及相关产品
CN112674771A (zh) * 2020-12-22 2021-04-20 北京科技大学 基于图像注视差异的抑郁人群鉴别方法及装置
CN112618911B (zh) * 2020-12-31 2023-02-03 四川音乐学院 基于信号处理的音乐反馈调节系统
CN113143273B (zh) * 2021-03-23 2024-06-28 陕西师范大学 一种在线视频学习中学习者注意状态智能检测系统及方法
CN113052113B (zh) * 2021-04-02 2022-11-04 中山大学 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统
CN113082448A (zh) * 2021-04-02 2021-07-09 北方工业大学 基于脑电信号和眼动仪的虚拟沉浸式自闭症儿童治疗系统
CN113112017B (zh) * 2021-04-16 2022-09-27 唐山市工人医院 基于神经流形的脑电分级与预后fpga解码系统
CN113288156B (zh) * 2021-05-18 2022-02-11 浙江大学 一种任意导联视角的心电数据的生成方法
CN113662545B (zh) * 2021-08-09 2022-10-14 南京航空航天大学 一种基于情绪脑电信号和多任务学习的人格评估方法
CN113855024A (zh) * 2021-11-05 2021-12-31 安徽医科大学附属巢湖医院 一种用于全天候评估抑郁症患者抑郁症状的可穿戴设备
CN114305418B (zh) * 2021-12-16 2023-08-04 广东工业大学 一种用于抑郁状态智能评估的数据采集系统及方法
CN114081494B (zh) * 2022-01-21 2022-05-06 浙江大学 一种基于大脑外侧缰核信号的抑郁状态检测系统
CN115363585B (zh) * 2022-09-04 2023-05-23 北京中科心研科技有限公司 一种基于去习惯化与观影任务的标准化群体抑郁风险筛查系统及方法
CN115588484A (zh) * 2022-09-20 2023-01-10 北京中科心研科技有限公司 一种基于时间压力数学题任务的抑郁倾向识别系统
CN115607800B (zh) * 2022-10-18 2024-01-23 北京中科心研科技有限公司 一种标准化多模态心理压力诱发装置及方法
CN115607156B (zh) * 2022-10-21 2023-06-27 厦门诸格量科技有限公司 基于多模态的心理认知筛查测评方法、系统及存储介质
CN115670463B (zh) * 2022-10-26 2024-06-28 华南理工大学 一种基于脑电情绪神经反馈信号的抑郁检测系统
CN116153515A (zh) * 2023-03-07 2023-05-23 山东第一医科大学附属省立医院(山东省立医院) 基于问诊信息的心血管患者心理状况评价方法及系统
CN117137488B (zh) * 2023-10-27 2024-01-26 吉林大学 基于脑电数据与面部表情影像的抑郁症病症辅助识别方法
CN118141390B (zh) * 2024-03-27 2024-07-16 兰州交通大学 一种基于icg-omse脑电通道选择的抑郁症检测方法
CN118506988A (zh) * 2024-07-19 2024-08-16 中国科学院苏州生物医学工程技术研究所 一种孤独症康复训练数据处理方法、系统以及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105393252A (zh) * 2013-04-18 2016-03-09 数字标记公司 生理数据采集和分析
CN105536118A (zh) * 2016-02-19 2016-05-04 京东方光科技有限公司 一种情绪调节装置、可穿戴设备和缓解情绪的帽子
CN105559802A (zh) * 2015-07-29 2016-05-11 北京工业大学 一种基于注意和情感信息融合的抑郁症诊断系统及方法
WO2016182974A1 (en) * 2015-05-08 2016-11-17 Ngoggle Head-mounted display eeg device
CN106407733A (zh) * 2016-12-12 2017-02-15 兰州大学 基于虚拟现实场景脑电信号的抑郁症风险筛查系统和方法
CN107007291A (zh) * 2017-04-05 2017-08-04 天津大学 基于多生理参数的紧张情绪强度识别系统及信息处理方法
CN107438398A (zh) * 2015-01-06 2017-12-05 大卫·伯顿 移动式可穿戴的监控系统
CN108652648A (zh) * 2018-03-16 2018-10-16 合肥数翼信息科技有限公司 一种用于老年人抑郁症的抑郁监控装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2441078B (en) * 2003-08-22 2008-04-30 Dennis Sunga Fernandez Implantable network biosensor and system for diagnosis and therapy
US20170330029A1 (en) * 2010-06-07 2017-11-16 Affectiva, Inc. Computer based convolutional processing for image analysis
US10238329B2 (en) * 2010-12-17 2019-03-26 The Trustees Of Columbia University In The City Of New York Apparatus, method and computer-accessible medium for diagnosing and subtyping psychiatric diseases
ES2964705T3 (es) * 2016-05-06 2024-04-09 Univ Leland Stanford Junior Plataformas móviles y portátiles de captura y retroalimentación de vídeo para la terapia de trastornos mentales
CN106955112A (zh) * 2017-03-17 2017-07-18 泉州装备制造研究所 基于量子小波神经网络模型的脑电波情绪认知方法
CN107080546B (zh) * 2017-04-18 2020-08-21 安徽智趣小天使信息科技有限公司 基于脑电图的青少年环境心理的情绪感知与刺激样本选择方法
CN108042145A (zh) * 2017-11-28 2018-05-18 广州视源电子科技股份有限公司 情绪状态识别方法和系统、情绪状态识别设备
CN108325020B (zh) * 2018-03-09 2021-01-08 燕山大学 一种静脉麻醉多参数指标闭环监控系统
CN108427929B (zh) * 2018-03-19 2021-09-10 兰州大学 一种基于静息态脑网络的抑郁识别分析系统
CN108420429A (zh) * 2018-04-19 2018-08-21 北京工业大学 一种基于多视角深度特征融合的脑电癫痫自动识别方法
CN108670277A (zh) * 2018-06-04 2018-10-19 新华网股份有限公司 精神压力监测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105393252A (zh) * 2013-04-18 2016-03-09 数字标记公司 生理数据采集和分析
CN107438398A (zh) * 2015-01-06 2017-12-05 大卫·伯顿 移动式可穿戴的监控系统
WO2016182974A1 (en) * 2015-05-08 2016-11-17 Ngoggle Head-mounted display eeg device
CN105559802A (zh) * 2015-07-29 2016-05-11 北京工业大学 一种基于注意和情感信息融合的抑郁症诊断系统及方法
CN105536118A (zh) * 2016-02-19 2016-05-04 京东方光科技有限公司 一种情绪调节装置、可穿戴设备和缓解情绪的帽子
CN106407733A (zh) * 2016-12-12 2017-02-15 兰州大学 基于虚拟现实场景脑电信号的抑郁症风险筛查系统和方法
CN107007291A (zh) * 2017-04-05 2017-08-04 天津大学 基于多生理参数的紧张情绪强度识别系统及信息处理方法
CN108652648A (zh) * 2018-03-16 2018-10-16 合肥数翼信息科技有限公司 一种用于老年人抑郁症的抑郁监控装置

Also Published As

Publication number Publication date
CN109157231A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN109157231B (zh) 基于情绪刺激任务的便携式多通道抑郁倾向评估系统
Mohan et al. Artificial neural network for classification of depressive and normal in EEG
Zhu et al. Detecting emotional reactions to videos of depression
Giannakakis et al. A novel multi-kernel 1D convolutional neural network for stress recognition from ECG
CN113729707A (zh) 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法
CN111568446A (zh) 结合人口学注意力机制的便携式脑电抑郁检测系统
US20160029965A1 (en) Artifact as a feature in neuro diagnostics
Hssayeni et al. Multi-modal physiological data fusion for affect estimation using deep learning
CN110390272B (zh) 一种基于加权主成分分析的eeg信号特征降维方法
Sharma et al. SzHNN: a novel and scalable deep convolution hybrid neural network framework for schizophrenia detection using multichannel EEG
Zhu et al. Feasibility study of stress detection with machine learning through eda from wearable devices
Goshvarpour et al. Affective visual stimuli: Characterization of the picture sequences impacts by means of nonlinear approaches
Zhu et al. Multimodal physiological signals and machine learning for stress detection by wearable devices
CN110811648A (zh) 一种基于残差卷积神经网络的抑郁倾向评估系统
CN114533088A (zh) 多模态大脑信号分类方法、装置、电子设备及存储介质
Shahid et al. Emotion recognition system featuring a fusion of electrocardiogram and photoplethysmogram features
Perera et al. A review of electroencephalogram-based analysis and classification frameworks for dyslexia
Kaur et al. Using virtual reality to examine the neural and physiological anxiety-related responses to balance-demanding target-reaching leaning tasks
Singh et al. Cognitive computing in mental healthcare: A review of methods and technologies for detection of mental disorders
Sharma et al. Novel eeg based schizophrenia detection with iomt framework for smart healthcare
Dar et al. YAAD: young adult’s affective data using wearable ECG and GSR sensors
Adem et al. Classification of Parkinson's disease using EMG signals from different upper limb movements based on multiclass support vector machine
Jiang et al. Use of deep belief network model to discriminate mild cognitive impairment and normal controls based on EEG, eye movement signals and neuropsychological tests
Hafeez et al. EEG-based stress identification and classification using deep learning
Dávila-Montero et al. Exploring the relationship between speech and skin conductance for real-time arousal monitoring

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