CN109223006A - 一种精神分裂症诊断系统 - Google Patents
一种精神分裂症诊断系统 Download PDFInfo
- Publication number
- CN109223006A CN109223006A CN201811261569.8A CN201811261569A CN109223006A CN 109223006 A CN109223006 A CN 109223006A CN 201811261569 A CN201811261569 A CN 201811261569A CN 109223006 A CN109223006 A CN 109223006A
- Authority
- CN
- China
- Prior art keywords
- pupil size
- module
- ppi
- machine learning
- denoted
- 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.)
- Pending
Links
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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种精神分裂症诊断系统,该系统包括瞳孔大小测定装置(1)、医生终端设备(2)、用于分析数据的中央处理器(3);所述瞳孔大小测定装置(1)、医生终端设备(2)、用于分析数据的中央处理器(3)依次连接。本发明的系统利用测定瞳孔大小的方式测量PPI以诊断精神分裂症,具有稳定、精确、方便、快捷的优势,适宜临床推广。
Description
技术领域
本发明涉及计算机辅助医疗诊断技术领域,涉及一种精神分裂症诊断系统。
背景技术
精神分裂症(Schizophrenia)多见于青壮年,起病年龄大多为15-45岁,终生患病率为1%左右,是一种慢性高致残的重性精神疾病,近半数患者劳动能力丧失,肇事肇祸及自杀自伤行为增多,为家庭及社会造成了沉重的负担。
感觉门控(Sensory Gating,SG)是精神分裂症的潜在生物标记物之一,主要反映大脑的抑制功能,具体为个体在工作环境中对无关刺激的滤过能力。当精神分裂症患者感觉门控机制存在障碍时,将无法屏蔽无关刺激,外界环境和自身刺激信息过多的涌入脑内,而无法将有限的认知加工资源集中于靶刺激,影响正常的认知过程,导致认知破裂和思维障碍,最终产生精神病性症状。
感觉门控可通过前脉冲抑制(Prepulse Inhibition,PPI)来测量,而PPI主要以惊反射抑制比来反映。惊反射(Startle Reflex)是人和动物应对突发性强刺激的防御性反应,常表现为肌肉的快速收缩,在日常生活中具有积极作用,但是它的出现也往往导致当下行为活动的中止,而干扰人和动物正常的认知加工过程。门控机制能有效地抑制惊反射,从而保证工作的正常进行。PPI就是在强刺激(惊刺激,即干扰信息)前50-300ms施加一个不引起惊反射的弱刺激(前脉冲刺激,即目标信息),通过惊反射降低的程度来反映大脑的抑制功能。PPI的关键是个体对弱刺激的感知。
传统的PPI水平是通过肌电来测量,通过眼轮匝肌的肌电反映惊反射的抑制情况,而眨眼将无可避免的成为噪音污染数据,这是PPI稳定性不佳原因之一。因此本申请提供了一种测定PPI更加稳定的方法,利用瞳孔大小的变化加以实现。并在此基础上构建了一种可以自动评估待检测者是否患有精神分裂症的诊断系统。该系统可在临床上广泛应用。
发明内容
本发明提供了一种精神分裂症诊断系统,该系统具有方便、快捷、精准的效果。
具体来说,本发明提供了一种精神分裂症诊断系统,所述系统包括瞳孔大小测定装置1、医生终端设备2、用于分析数据的中央处理器3。所述瞳孔大小测定装置1、医生终端设备2、用于分析数据的中央处理器3依次连接。
进一步,所述医生终端设备2包括登录模块21、信息采集模块22、信息显示模块23。
进一步,所述中央处理器3包括PPI计算模块31、机器学习模块32、自动评估模块33。
更进一步,所述瞳孔大小测定装置1与所述信息采集模块22连接,所述PPI计算模块31与所述信息采集模块22连接,所述PPI计算模块31分别与所述机器学习模块32和所述自动评估模块33连接,所述机器学习模块32与所述自动评估模块33连接,所述自动评估模块33与所述信息显示模块23连接。
进一步,所述瞳孔大小测定装置1采用测定瞳孔大小的眼动仪。
进一步,所述PPI计算模块31计算PPI使用的公式如下:
刺激前200ms瞳孔大小记为基线S0;
强刺激瞳孔大小记为S1,弱+强刺激瞳孔大小记为S2;
计算瞳孔大小变化百分比PPI=(S1-S2)/(S1-S0)×100%。
进一步,所述机器学习模块32采用的算法是Logistics回归(采用R语言glm包):
1.随机设定随机数;
2.将数据分为10折,一个单独的子样本被保留作为验证模型的数据,其他9个样本用来训练。交叉验证重复10次,每个子样本验证一次,平均10次的结果,最终得到一个单一估测;
3.具体实验函数:
作为可替代的技术方案,所述机器学习模块32采用的算法是随机森林算法(R语言randomForest包):
1.随机设定随机数;
2.将数据分为10折,一个单独的子样本被保留作为验证模型的数据,其他9个样本用来训练。交叉验证重复10次,每个子样本验证一次,平均10次的结果,最终得到一个单一估测;
3.采用遍历法,确定mtry参数数值(mtry=1);
4.确定ntree数值(ntree=8000)
5.具体实验函数:
本发明的前面所述的系统的工作流程如下:
(1)收集一定数量的健康人和精神分裂症患者作为受试者;
(2)利用瞳孔大小测定装置1测定知觉空间分离范式或知觉空间重合范式下受试者的瞳孔大小;
(3)医生终端设备2收集测定的瞳孔大小值;
(4)医生终端设备2将收集到的瞳孔大小值传给中央处理器3;
(5)中央处理器3中的PPI计算模块使用以下公式计算PPI:
刺激前200ms瞳孔大小记为基线S0;
强刺激瞳孔大小记为S1,弱+强刺激瞳孔大小记为S2;
计算瞳孔大小变化百分比PPI=(S1-S2)/(S1-S0)×100%;
(6)将知觉空间分离范式下弱-强刺激间时间间隔为120ms或60ms的受试者的PPI值与知觉空间重合范式下弱-强刺激间时间间隔为120ms或60ms的受试者的PPI值传入所述机器学习模块32进行机器学习,分析数据特征,构建精神分裂症诊断模型;
(7)将步骤(6)构建的诊断模型传入所述自动评估模块33,用于新待检测者是否患有精神分裂症的评估。
进一步,所述一定数量的健康人和精神分裂症患者是指至少35例健康人和35例精神分裂症患者。
机器学习中的Logistic回归,其主要思想是:根据现有数据对分类边界线建立回归公式,以此进行分类。
Logistic回归的工作原理如下所示:
每个回归系数初始化为1;
重复R次:
计算整个数据集的梯度;
使用步长x梯度更新回归系数的向量;
返回回归系数。
Logistic回归的流程如下:
(1)收集数据:采用任意方法收集数据;
(2)准备数据:由于需要进行距离计算,因此要求数据类型为数值型。另外,结构化数据格式则最佳;
(3)分析数据:采用任意方法对数据进行分析;
(4)训练算法:大部分时间将用于训练,训练的目的是为了找到最佳的分类回归系数;
(5)测试算法:一旦训练步骤完成,分类将会很快;
(6)使用算法:首先,我们需要输入一些数据,并将其转换成对应的结构化数值;接着,基于训练好的回归系数就可以对这些数值进行简单的回归计算,判定它们属于哪个类别;在这之后,就可以在输出的类别上做一些其他分析工作。
随机森林顾名思义,使用随机的方式建立一个森林,森林里面有很多的决策树组成,随机森林的每一棵决策树之间是没有关联的。在得到森林之后,当有一个新的输入样本进入的死后,就让森林的每一棵决策树分别进行一下判断,看看这个样本应该属于哪一类(对于分类算法),然后看看哪一类能被选择最多,就预测这个样本为那一类。
随机森林算法的基本原理如下:
随机森林通过自助法(bootstrap)重采样技术,从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合,然后根据自助样本集生成k个分类树组成随机森林,新数据的分类结果按分类树投票多少形成的分数而定。其实质是对决策树算法的一种改进,将多个决策树合并在一起,每棵树的建立依赖于一个独立抽取的样品,森林中的每棵树具有相同的分布,分类误差取决于每一棵树的分类能力和它们之间的相关性。特征选择采用随机的方法去分裂每一个节点,然后比较不同情况下产生的误差。能够检测到的内在估计误差、分类能力和相关性决定选择特征的数目。单棵树的分类能力可能很小,但在随机产生大量的决策树后,一个测试样品可以通过每一棵树的分类结果经统计后选择最可能的分类。
随机森林算法的具体实现过程如下:
(1)原始训练集为N,应用bootstrap法有放回地随机抽取k个新的自助样本集,并由此构建k棵分类树,每次未被抽到的样本组成了k个袋外数据;
(2)设有mall个变量,则在每一棵树的每个节点处随机抽取mtry个变量(mtry nmall),然后在mtry中选择一个最具有分类能力的变量,变量分类的阈值通过检查每一个分类点确定;
(3)每棵树最大限度地生长,不做任何修剪;
(4)将生成的多棵分类树组成随机森林,用随机森林分类器对新的数据进行判别与分类,分类结果按树分类器的投票多少而定。
对于本领域技术人员来说,本发明涉及的机器学习算法均是熟知且容易操作的,并不存在任何技术障碍。
附图说明
图1显示本发明的精神分裂症系统的结构图;
其中,1:瞳孔大小测定装置;2:医生终端设备;21:登录模块;22:信息采集模块;23:信息显示模块;3:中央处理器;31:PPI计算模块;32:机器学习模块;33:自动评估模块。
图2显示PPI范式示意图。
具体实施方式
以下结合具体实施例,进一步阐明本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。
实施例1一种精神分裂症诊断系统
本实施例的精神分裂症诊断系统系统包括瞳孔大小测定装置1、医生终端设备2、用于分析数据的中央处理器3。瞳孔大小测定装置1、医生终端设备2、用于分析数据的中央处理器3依次连接。
医生终端设备2包括登录模块21、信息采集模块22、信息显示模块23。
中央处理器3包括PPI计算模块31、机器学习模块32、自动评估模块33。
瞳孔大小测定装置1与信息采集模块22连接,PPI计算模块31与信息采集模块22连接,PPI计算模块31分别与机器学习模块32和自动评估模块33连接,机器学习模块32与自动评估模块33连接,自动评估模块33与信息显示模块23连接。
瞳孔大小测定装置1采用测定瞳孔大小的眼动仪。
PPI计算模块31计算PPI使用的公式如下:
刺激前200ms瞳孔大小记为基线S0;
强刺激瞳孔大小记为S1,弱+强刺激瞳孔大小记为S2;
计算瞳孔大小变化百分比PPI=(S1-S2)/(S1-S0)×100%。
机器学习模块32采用的算法是Logistics回归(采用R语言glm包):
(1)随机设定随机数;
(2)将数据分为10折,一个单独的子样本被保留作为验证模型的数据,其他9个样本用来训练。交叉验证重复10次,每个子样本验证一次,平均10次的结果,最终得到一个单一估测;
(3)具体实验函数:
实施例2一种精神分裂症诊断系统
本实施例的精神分裂症诊断系统系统包括瞳孔大小测定装置1、医生终端设备2、用于分析数据的中央处理器3。瞳孔大小测定装置1、医生终端设备2、用于分析数据的中央处理器3依次连接。
医生终端设备2包括登录模块21、信息采集模块22、信息显示模块23。
中央处理器3包括PPI计算模块31、机器学习模块32、自动评估模块33。
瞳孔大小测定装置1与信息采集模块22连接,PPI计算模块31与信息采集模块22连接,PPI计算模块31分别与机器学习模块32和自动评估模块33连接,机器学习模块32与自动评估模块33连接,自动评估模块33与信息显示模块23连接。
瞳孔大小测定装置1采用测定瞳孔大小的眼动仪。
PPI计算模块31计算PPI使用的公式如下:
刺激前200ms瞳孔大小记为基线S0;
强刺激瞳孔大小记为S1,弱+强刺激瞳孔大小记为S2;
计算瞳孔大小变化百分比PPI=(S1-S2)/(S1-S0)×100%。
机器学习模块32采用的算法是随机森林算法(R语言randomForest包):
(1)随机设定随机数;
(2)将数据分为10折,一个单独的子样本被保留作为验证模型的数据,其他9个样本用来训练。交叉验证重复10次,每个子样本验证一次,平均10次的结果,最终得到一个单一估测;
(3)采用遍历法,确定mtry参数数值(mtry=1);
(4)确定ntree数值(ntree=8000)
(5)具体实验函数:
实施例3本发明的精神分裂症诊断系统的工作流程
实施例1或实施例2的精神分裂症诊断系统的工作流程如下:
(1)收集至少35例健康人和35例精神分裂症患者作为受试者;
(2)利用瞳孔大小测定装置1测定知觉空间分离范式或知觉空间重合范式下受试者的瞳孔大小;
(3)医生终端设备2收集测定的瞳孔大小值;
(4)医生终端设备2将收集到的瞳孔大小值传给中央处理器3;
(5)中央处理器3中的PPI计算模块使用以下公式计算PPI:
刺激前200ms瞳孔大小记为基线S0;
强刺激瞳孔大小记为S1,弱+强刺激瞳孔大小记为S2;
计算瞳孔大小变化百分比PPI=(S1-S2)/(S1-S0)×100%;
(6)将知觉空间分离范式下弱-强刺激间时间间隔为120ms或60ms的受试者的PPI值与知觉空间重合范式下弱-强刺激间时间间隔为120ms或60ms的受试者的PPI值传入所述机器学习模块32进行机器学习,分析数据特征,构建精神分裂症诊断模型;
(7)将步骤(6)构建的诊断模型传入所述自动评估模块33,用于待检测者是否患有精神分裂症的评估。
用于本发明的知觉空间分离范式或知觉空间重合范式的示意图如图2所示。
具体设置如下:
(1)声音素材:所需声音素材皆由使用MATLAB函数库中的“randn()”生成,抽样率为48kHz。生成长度为15s的白噪声作为背景噪声。另外生成长度为150ms白噪声的弱刺激声音,及长度为40ms白噪声的强刺激声音。声音信号利用声卡(Creative,SB X-FI)输入到森海塞尔监听耳机呈现给被试。利用声压校正仪(Larson Davis,AUDit and System 824)进行声压校正。以下是各声音具体参数:背景声:白噪声,分为左声道或右声道领先3ms,持续时间15s,声压级60dB SPL;弱刺激:白噪声,分为左声道或右声道领先3ms,持续时间150ms,声压级65dB SPL;强刺激:白噪声,持续时间40ms,100dB SPL。当背景声与弱刺激领先声道不相同时,即造成知觉空间分离(Perceived Spatial Separation,PSS);而当两者领先声道重合时,则是知觉空间重合(Perceived Spatial Co-location,PSC)。
(2)测试范式
整个测试包含4个区组(Block),每个区组包含27个试次(Trial)。每个区组内背景噪声左声道领先或右声道领先保持不变,区组间声道领先左右交替进行。每组刺激序列如下:先给予2个仅有强刺激的试次,让被试适应测试环境,此试次值不纳入最后统计;然后给出强刺激和弱+强刺激组合(弱-强刺激间时间间隔为120ms或60ms,弱刺激左声道领先或右声道领先)各5个试次,每个试次的时间间隔为10~20s不等(平均15s),试次(伪)随机呈现,使用眼动仪记录瞳孔大小。
实施例4本发明的精神分裂症诊断系统的效果检测
1、研究对象
所有被试都经过DSM-IV(The Diagnostic and Statistical Manual of MentalDisorders)临床定式访谈(Structured Clinical Interview for DSM-IV,SCID)筛查。患者被试为2015年12月至2017年1月符合入组标准的在首都医科大学附属北京安定医院住院的首发未用药精神分裂症患者(FE)及慢性精神分裂症患者(CS)各35名;正常被试为与患者被试在性别、受教育年限、智商等匹配,符合入组标准的健康人群(NC)共35名。除去不配合被试(首发未用药患者组3名、慢性患者组1名)外,共收集被试101名。
通过实施例3的工作流程测定研究对象的以下指标:
PSC120(%):知觉空间重合范式下弱刺激和强刺激间时间间隔为120ms时获得的PPI。
PSS120(%):知觉空间分离范式下弱刺激和强刺激间时间间隔为120ms时获得的PPI。
PSC60(%):知觉空间重合范式下弱刺激和强刺激间时间间隔为60ms时获得的PPI。
PSS60(%):知觉空间分离范式下弱刺激和强刺激间时间间隔为60ms时获得的PPI。
利用Logistics回归和随机森林(RF)算法建模,并采用10折交叉验证(10-foldCross Validation,10-fold CV)绘制ROC曲线。结果显示,PPI变量组模型准确率最高达86.9%,AUC最高达94.5%。
表1基于PPI的疾病分类模型
注:FE vs.CS:Differentiating CS from FE,FE与CS的分类效果;FE vs.HC:Differentiating FE from HC,FE与HC的分类效果;CS vs.HC:Differentiating CS fromHC,CS与HC的分类效果;Acc:Accuracy,准确率;Sens:Sensitivity,敏感度;Spec:Specificity,特异度;AUC:Area Under the ROC curve,ROC曲线下面积;Logistics:Logistics Regression Model,Logistics回归模型;RF:Random Forest Model,随机森林模型.
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种精神分裂症诊断系统,其特征在于,所述系统包括瞳孔大小测定装置(1)、医生终端设备(2)、用于分析数据的中央处理器(3);所述瞳孔大小测定装置(1)、医生终端设备(2)、用于分析数据的中央处理器(3)依次连接。
2.根据权利要求1所述的系统,其特征在于,所述医生终端设备(2)包括登录模块(21)、信息采集模块(22)、信息显示模块(23)。
3.根据权利要求1或2所述的系统,其特征在于,所述中央处理器(3)包括PPI计算模块(31)、机器学习模块(32)、自动评估模块(33)。
4.根据权利要求3所述的系统,其特征在于,所述瞳孔大小测定装置(1)与所述信息采集模块(22)连接,所述PPI计算模块(31)与所述信息采集模块(22)连接,所述PPI计算模块(31)分别与所述机器学习模块(32)和所述自动评估模块(33)连接,所述机器学习模块(32)与所述自动评估模块(33)连接,所述自动评估模块(33)与所述信息显示模块(23)连接。
5.根据权利要求1-4中任一项所述的系统,其特征在于,所述瞳孔大小测定装置(1)采用测定瞳孔大小的眼动仪。
6.根据权利要求3或4所述的系统,其特征在于,所述PPI计算模块(31)计算PPI使用的公式如下:
刺激前200ms瞳孔大小记为基线S0;
强刺激瞳孔大小记为S1,弱+强刺激瞳孔大小记为S2;
计算瞳孔大小变化百分比PPI=(S1-S2)/(S1-S0)×100%。
7.根据权利要求3所述的系统,其特征在于,所述机器学习模块(32)采用的算法是Logistics回归。
8.根据权利要求3所述的系统,其特征在于,所述机器学习模块(32)采用的算法是随机森林算法。
9.根据权利要求1-8中任一项所述的系统,其特征在于,所述系统的工作步骤如下:
(1)收集一定数量的健康人和精神分裂症患者作为受试者;
(2)利用瞳孔大小测定装置(1)测定知觉空间分离范式或知觉空间重合范式下受试者的瞳孔大小;
(3)医生终端设备(2)收集测定的瞳孔大小值;
(4)医生终端设备(2)将收集到的瞳孔大小值传给中央处理器(3);
(5)中央处理器(3)中的PPI计算模块使用以下公式计算PPI:
刺激前200ms瞳孔大小记为基线S0;
强刺激瞳孔大小记为S1,弱+强刺激瞳孔大小记为S2;
计算瞳孔大小变化百分比PPI=(S1-S2)/(S1-S0)×100%;
(6)将知觉空间分离范式下弱-强刺激间时间间隔为120ms或60ms的受试者的PPI值与知觉空间重合范式下弱-强刺激间时间间隔为120ms或60ms的受试者的PPI值传入所述机器学习模块(32)进行机器学习,分析数据特征,构建精神分裂症诊断模型;
(7)将步骤(6)构建的诊断模型传入所述自动评估模块(33),用于待检测者是否患有精神分裂症的评估。
10.根据权利要求9所述的系统,其特征在于,所述一定数量的健康人和精神分裂症患者是指至少35例健康人和35例精神分裂症患者。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261569.8A CN109223006A (zh) | 2018-10-26 | 2018-10-26 | 一种精神分裂症诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261569.8A CN109223006A (zh) | 2018-10-26 | 2018-10-26 | 一种精神分裂症诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109223006A true CN109223006A (zh) | 2019-01-18 |
Family
ID=65078722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811261569.8A Pending CN109223006A (zh) | 2018-10-26 | 2018-10-26 | 一种精神分裂症诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109223006A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112869744A (zh) * | 2021-01-20 | 2021-06-01 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种精神分裂症辅助诊断方法、系统和存储介质 |
WO2021107886A1 (en) * | 2019-11-25 | 2021-06-03 | Cakmak Yusuf Ozgur | A system for monitoring auditory startle response |
CN114250288A (zh) * | 2021-11-01 | 2022-03-29 | 苏州市广济医院 | Dna甲基化特征和前脉冲抑制特征在精神分裂症诊断中的应用 |
CN112869744B (zh) * | 2021-01-20 | 2024-05-31 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种精神分裂症辅助诊断方法、系统和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1871994A (zh) * | 2006-06-29 | 2006-12-06 | 昆明钏泽智能系统有限公司 | 双眼瞳孔动态变化数字检测系统 |
JP2008206830A (ja) * | 2007-02-27 | 2008-09-11 | Tokyo Univ Of Science | 統合失調症診断装置及びプログラム |
CN104000602A (zh) * | 2014-04-14 | 2014-08-27 | 北京工业大学 | 情感带宽测定及其情感损伤判别方法 |
CN104545939A (zh) * | 2013-10-23 | 2015-04-29 | 上海市精神卫生中心 | 一种头戴式精神分裂症辅助诊断装置 |
CN105543369A (zh) * | 2016-01-13 | 2016-05-04 | 金锋 | 精神障碍的生物标志物及其应用 |
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 |
CN107007919A (zh) * | 2017-04-11 | 2017-08-04 | 北京大学 | 一种听觉注意ppi调节系统 |
CN107610099A (zh) * | 2017-08-18 | 2018-01-19 | 中山大学 | 一种基于瞳孔信息的情感精神状态检测系统及方法 |
CN107746874A (zh) * | 2017-11-06 | 2018-03-02 | 张猛 | 精神分裂症标志物 |
CN108320782A (zh) * | 2018-02-01 | 2018-07-24 | 北京大学 | 一种辅助判断甲基苯丙胺使用者发生精神症状风险程度的试剂盒 |
-
2018
- 2018-10-26 CN CN201811261569.8A patent/CN109223006A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1871994A (zh) * | 2006-06-29 | 2006-12-06 | 昆明钏泽智能系统有限公司 | 双眼瞳孔动态变化数字检测系统 |
JP2008206830A (ja) * | 2007-02-27 | 2008-09-11 | Tokyo Univ Of Science | 統合失調症診断装置及びプログラム |
CN104545939A (zh) * | 2013-10-23 | 2015-04-29 | 上海市精神卫生中心 | 一种头戴式精神分裂症辅助诊断装置 |
CN104000602A (zh) * | 2014-04-14 | 2014-08-27 | 北京工业大学 | 情感带宽测定及其情感损伤判别方法 |
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 |
CN105543369A (zh) * | 2016-01-13 | 2016-05-04 | 金锋 | 精神障碍的生物标志物及其应用 |
CN107007919A (zh) * | 2017-04-11 | 2017-08-04 | 北京大学 | 一种听觉注意ppi调节系统 |
CN107610099A (zh) * | 2017-08-18 | 2018-01-19 | 中山大学 | 一种基于瞳孔信息的情感精神状态检测系统及方法 |
CN107746874A (zh) * | 2017-11-06 | 2018-03-02 | 张猛 | 精神分裂症标志物 |
CN108320782A (zh) * | 2018-02-01 | 2018-07-24 | 北京大学 | 一种辅助判断甲基苯丙胺使用者发生精神症状风险程度的试剂盒 |
Non-Patent Citations (1)
Title |
---|
MICHELLE I.C. DE HAAN 等: "The influence of acoustic startle probes on fear learning in humans" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021107886A1 (en) * | 2019-11-25 | 2021-06-03 | Cakmak Yusuf Ozgur | A system for monitoring auditory startle response |
CN112869744A (zh) * | 2021-01-20 | 2021-06-01 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种精神分裂症辅助诊断方法、系统和存储介质 |
CN112869744B (zh) * | 2021-01-20 | 2024-05-31 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种精神分裂症辅助诊断方法、系统和存储介质 |
CN114250288A (zh) * | 2021-11-01 | 2022-03-29 | 苏州市广济医院 | Dna甲基化特征和前脉冲抑制特征在精神分裂症诊断中的应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7221693B2 (ja) | ヒトの脳の皮質機能の目録を作るための方法および磁気画像化デバイス | |
US20080045805A1 (en) | Method and System of Indicating a Condition of an Individual | |
CN108922629A (zh) | 脑功能相关行为范式指标的筛选及其应用 | |
CN106419938B (zh) | 一种基于运动能量释放估算的注意缺陷多动障碍(adhd)检测系统 | |
CN110123342A (zh) | 一种基于脑电波的网瘾检测方法及系统 | |
CN109223006A (zh) | 一种精神分裂症诊断系统 | |
CN107811609B (zh) | 一种脑老化评估系统 | |
Zou et al. | Integrating biometric sensors, VR, and machine learning to classify EEG signals in alternative architecture designs | |
Baumgartl et al. | Measuring Social Desirability Using a Novel Machine Learning Approach Based on EEG Data. | |
CN115691794A (zh) | 一种神经诊断的辅助分析方法及系统 | |
CN111413492A (zh) | 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 | |
CN108962397B (zh) | 一种基于笔和语音的协同任务神经系统疾病辅助诊断系统 | |
CN112383829A (zh) | 一种体验质量测评方法及装置 | |
CN108634931B (zh) | 适用于癫痫患者认知功能损害测试的眼动分析仪 | |
CN116453656A (zh) | 一种心理健康评估预警系统及方法 | |
Antunes et al. | A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography | |
US20230248295A1 (en) | Method for selecting features from electroencephalogram signals | |
CN109199413A (zh) | 一种利用瞳孔测量ppi的系统 | |
JP5936606B2 (ja) | 視野計 | |
Buettner et al. | Machine Learning Based Diagnostics of Developmental Coordination Disorder using Electroencephalographic Data | |
CN115497619A (zh) | 基于多时间节点步态损失的认知功能评估模型、方法及装置 | |
CN111345814B (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
Zanin et al. | Uncertainty in functional network representations of brain activity of alcoholic patients | |
Charleston-Villalobos et al. | Adventitious lung sounds imaging by ICA-TVAR scheme | |
RU2663642C1 (ru) | Способ дифференциальной диагностики поведенческих реакций |
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 |