CN110013250A - 一种抑郁症自杀行为的多模式特征信息融合预测方法 - Google Patents

一种抑郁症自杀行为的多模式特征信息融合预测方法 Download PDF

Info

Publication number
CN110013250A
CN110013250A CN201910363635.0A CN201910363635A CN110013250A CN 110013250 A CN110013250 A CN 110013250A CN 201910363635 A CN201910363635 A CN 201910363635A CN 110013250 A CN110013250 A CN 110013250A
Authority
CN
China
Prior art keywords
suicide
risk
plv
value
depression
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.)
Granted
Application number
CN201910363635.0A
Other languages
English (en)
Other versions
CN110013250B (zh
Inventor
王湘
林盘
李欢欢
范乐佳
赵佳慧
王晓晟
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.)
Second Xiangya Hospital of Central South University
Original Assignee
Second Xiangya Hospital of Central South University
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 Second Xiangya Hospital of Central South University filed Critical Second Xiangya Hospital of Central South University
Priority to CN201910363635.0A priority Critical patent/CN110013250B/zh
Publication of CN110013250A publication Critical patent/CN110013250A/zh
Application granted granted Critical
Publication of CN110013250B publication Critical patent/CN110013250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • 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

Landscapes

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

Abstract

本发明公开一种抑郁症自杀行为的多模式特征信息融合预测方法，包括采集脑电信号，数据采集以单侧乳突作参考电极，对侧乳突作记录电极，同时对测试者进行三维心理痛苦量表，仿真气球冒险任务进行神经心理学行为指标的评判；对数据预处理，将预处理后的EEG数据通过计算各个脑电极之间的PLV值检测脑电信号同步性，并且采用PLV值来进行脑网络构建；再通过模式识别方法对高风险自杀行为的抑郁病人样本与低风险自杀行为的抑郁病人样本进行分类；本发明有效提高分类精度，对预测重性抑郁障碍高自杀风险的更加客观，有效减少自杀行为的现象发生。

Description

一种抑郁症自杀行为的多模式特征信息融合预测方法
技术领域
本发明涉及医学领域，特别是涉及一种抑郁症自杀行为的多模式特征信息融合预测方法。
背景技术
预防自杀是全球卫生服务关注的重点，据世界卫生组织2015年统计数据，全球每年有近一百万人自杀；近年来自杀人数不断上升，自杀已经成为15到29岁人群致死的第二大原因，其中重性抑郁障碍(Major Depressive Disorder,MDD)是最常与自杀相关联的精神病，其自杀风险比总人口的自杀风险高约20倍，患者的自杀比率为2.2～6.2％，因此重性抑郁障碍(Major Depressive Disorder,MDD)被大多数自杀研究当做研究的靶向人群。
预测和评估自杀风险是一个重要而艰巨的临床问题，现有技术中提出了多种自杀成因理论并建立预测模型，如无望感理论，冲动性理论，自杀的人际心理理论，以及心理痛苦理论等，其中心理痛苦理论强调自杀的认知与动机因素，近年来获得了许多实证依据的支持。从心理痛苦理论所强调的痛苦逃避角度来说，自杀也可以被看作是在进行风险决策过程后所采取的主动行为，而对风险决策加工机制的研究将促进对自杀行为潜在机制的理解。事实上，已有大量研究表明：抑郁障碍患者存在风险决策能力的损伤，而其在风险决策中的表现还与自杀风险存在关联。然而传统上对自杀行为还主要停留在定性与简单主观评价上，传统的预测技术通常是基于单模式特征样本的预测方法，但是自杀行为患者是一种复杂的精神问题，涉及到行为，认知及神经信息的异常，因此，传统的检测方法无法有效客观的对自杀行为作出精确的预测。
发明内容
本发明的目的是提供一种抑郁症自杀行为的多模式特征信息融合预测方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了如下方案：本发明提供一种抑郁症自杀行为的多模式特征信息融合预测方法，包括如下步骤：
S1：采集脑电信号，数据采集以单侧乳突作参考电极，对侧乳突作记录电极，同时对测试者进行三维心理痛苦量表，仿真气球冒险任务进行神经心理学行为指标的评判；
S2：对S1中的数据预处理，包括：
S21：去眼电：通过EOG相关法消除眼电干扰；
S22：转参考：将双侧乳突作为参考电极；
S23：数字滤波：主要为了提高信噪比，消除50周或高频信号的干扰，采用频带宽为0.5-30Hz进行滤波；
S24：降采样率：将采样率降至250Hz重采样；
S25：去除伪迹：剔除幅值超出±100μV的脑电波；
S3：对步骤S2中的预处理后的EEG数据通过计算各个脑电极之间的PLV值检测脑电信号同步性，并且采用PLV值来进行脑网络构建；
S4：对步骤S3分析得到的PLV脑网络的神经信息与S1中自杀行为与决策认知行为特征融合与机器学习的分类判断；
优选的，步骤S3中：所述脑网络构建包括：
a、选取带通滤波的频率，相位锁定值是表示两组信号在特定频段上的同步程度，在分析前，有必要对信号进行某一频段的带通滤波，以便提取目标频段；
b、计算瞬时相位，采取希尔伯特变换将信号分解为独立的相位和幅度成分，获得该信号在每个采样点上的瞬时相位值，希尔伯特变换公式如下:
其中，pv是指柯西主值；
最后，EEG脑电信号x(t)的瞬时相位θi(t)计算公式为:
其中xi′(t)是信号xi(t)希尔伯特变换的结果；
c、计算PLV值，计算脑电信号x(t)和y(t)的瞬时相位后，两个不同电极之间的脑电信号PLV值的计算公式如下：
其中，θ(t)表示在t时刻两个信号的相位差，θ(t)＝θi(t)-θj(t)，N表示该时间段的样本总数；
d、根据c中的数据，得到某一段时间内，指定频段电极对之间的连接矩阵，判断PLV值的变化范围，若PLV值的变化范围为0-1，PLV值越大则表示两个电极对之间的同步性越强，0代表完全不同步，1代表完全同步。
优选的，构建判别函数将S3中的数据进行分类，设包含l个样本的训练集为输入向量，yk∈{-1,+1}为类别标识，利用非线性函数φ(.)将原始测量空间中的训练集数据Xi映射到一个高维线性特征空间，在这个维数为无穷大的线性空间中构造最优分类超平面，并得到分类器的判别函数，分类超平面用公式表示为：
w·Φ(x)+b＝0………………………………………………………………4
其判别函数为：
y(x)＝sign[(w·Φ(x)+b]……………………………………………………5
设K(xi,xj)＝Φ(xi)·Φ(xj)为其核函数。
优选的，所述核函数为：
线性函数：K(x,xi)＝x·xi；
多项式核函数：K(x,xi)＝[(x·xi)+1]d，d＝1,2,3……；
Sigmoid核函数：K(x,xi)＝tanh[v(x·xi)+c]；
高斯径向基核函数：K(x,xi)＝exp{-q||x-xi||2}。
优选的，通过模式识别方法对高风险自杀行为的抑郁病人样本与低风险自杀行为的抑郁病人样本进行分类，采用在两组间存在差异的静息态各频段脑电信号PLV值，量表评估得分，以及风险决策行为指标分别逐一作为特征建模，并将这些模型分类准确率达到70％以上的认为是重性抑郁障碍自杀风险的潜在预测指标；然后再将潜在预测指标两两组合形成新的模型，再次对重性抑郁障碍自杀风险进行分类检测。
本发明公开了以下技术效果：本发明运用不同频段静息态EEG信号的相位同步性作为特征，通过模式识别方法对高风险自杀行为的抑郁病人样本与低风险自杀行为的抑郁病人样本进行分类，采用在两组间存在差异的静息态各频段脑电信号PLV值，量表评估得分，以及风险决策行为指标分别逐一作为特征建模，并将这些模型分类准确率达到70％以上的认为是重性抑郁障碍自杀风险的潜在预测指标；然后再将潜在预测指标两两组合形成新的模型，再次对重性抑郁障碍自杀风险进行分类检测并与临床症状指标、心理痛苦评定指标、风险决策行为学指标进行多特征融合，有效提高分类精度，能够预测重性抑郁障碍高自杀风险的客观有效的评价指标；为临床重性抑郁障碍患者的高自杀风险筛查标准提供新的实证依据，也为高自杀风险群体的干预和治疗提供可能的客观评估指标。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明的流程示意图；
图2为EEG不同频段脑网络PLV相关矩阵示意图；
图3为构建EEG不同频段脑网络结构示意图；
图4为神经信息与认知行为特征融合示意图；
图5为本申请的特征分类流程图；
图6位多特征模型分类结果示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1-6，本发明提供一种抑郁症自杀行为的多模式特征信息融合预测方法，包括如下步骤：
S1：采集脑电信号，使用64导电极帽的Ag/AgCI电极，以单侧乳突作参考电极，对侧乳突作记录电极，采集完数据后转双侧乳突作参考。左眼上下1cm处安放电极记录垂直眼电，双眼外侧2cm处安放电极记录水平眼电，头皮与记录电极间的阻抗小于5kΩ，AC采集脑电波信号，滤波带通为0.05～100Hz，采样频率1000Hz/导，脑电波信号经放大器放大，记录连续EEG，并且对被试者进行三维心理痛苦量表，仿真气球冒险任务进行神经心理学行做为指标的评判。
S2：对S1中的数据预处理，包括：
S21：去眼电：通过EOG相关法消除眼电干扰；
S22：转参考：将双侧乳突作为参考电极；
S23：数字滤波：主要为了提高信噪比，消除50周或高频信号的干扰，采用频带宽为0.5-30Hz进行滤波；
S24：降采样率：将采样率降至250Hz重采样；
S25：去除伪迹：剔除幅值超出±100μV的脑电波；
S3：对步骤S2中的预处理后的EEG数据通过计算各个脑电极之间的PLV值检测脑电信号同步性，并且采用PLV值来进行脑网络构建，首先选取带通滤波的频率，相位锁定值是表示两组信号在特定频段上的同步程度，在分析前，有必要对信号进行某一频段的带通滤波，以便提取目标频段；
然后计算瞬时相位，采取希尔伯特变换将信号分解为独立的相位和幅度成分，获得该信号在每个采样点上的瞬时相位值，希尔伯特变换公式如下:
其中，pv是指柯西主值；
EEG脑电信号x(t)的瞬时相位θi(t)计算公式为:
其中，xi′(t)是信号xi(t)希尔伯特变换的结果；
再计算PLV值：计算脑电信号x(t)和y(t)的瞬时相位后，两个不同电极之间的脑电信号PLV值的计算公式如下：
其中，θ(t)表示在t时刻两个信号的相位差，θ(t)＝θi(t)-θj(t)，N表示该时间段的样本总数；
其次根据步骤c中的数据，得到某一段时间内，指定频段电极对之间的连接矩阵，判断PLV值的变化范围，若PLV值的变化范围为0-1，PLV值越大则表示两个电极对之间的同步性越强，0代表完全不同步，1代表完全同步；
S4：对步骤S3分析得到的PLV脑网络的神经信息与S1中自杀行为与决策认知行为特征融合与机器学习的分类判断；构建判别函数将S3中的数据进行分类，设包含l个样本的训练集为输入向量，yk∈{-1,+1}为类别标识，利用非线性函数φ(.)将原始测量空间中的训练集数据Xi映射到一个高维线性特征空间，在这个维数为无穷大的线性空间中构造最优分类超平面，并得到分类器的判别函数，分类超平面用公式表示为：
w·Φ(x)+b＝0………………………………………………………………4
其判别函数为：
y(x)＝sign[(w·Φ(x)+b]………………………………………………………5
设K(xi,xj)＝Φ(xi)·Φ(xj)为其核函数。所述核函数为：
线性函数：K(x,xi)＝x·xi；
多项式核函数：K(x,xi)＝[(x·xi)+1]d，d＝1,2,3……；
Sigmoid核函数：K(x,xi)＝tanh[v(x·xi)+c]；
高斯径向基核函数：K(x,xi)＝exp{-q||x-xi||2}。
最后通过模式识别方法对高风险自杀行为的抑郁病人样本与低风险自杀行为的抑郁病人样本进行分类，采用在两组间存在差异的静息态各频段脑电信号PLV值，量表评估得分，以及风险决策行为指标分别逐一作为特征建模，选取神经信息特征为δ(0.5～3HZ)、θ(4～7HZ)、α(8～12HZ)与β(13～30HZ)四个频段的的60个电极对之间的脑网络功能连接的PLV相关指标；行为特征指标主要采用临床评价包含：简式韦氏评测指标，克抑郁量表指标，贝克自杀意念量表指标，Barratt冲动性量表指标，三维心理痛苦量表指标，状态特质焦虑量表指标，并且结合与仿真气球冒险任务风险决策认知能力指标综合构成行为学特征。通过选择的特征模型对在高/低风险的重性抑郁障碍两类人群进行分类时采用10次10折交叉验证法，将数据集分为10份，轮流将其中的1份做为测试集，剩下的9份为训练集，将训练集送入分类器进行训练，得到最优的分类参数，形成分类器的最佳分类面，然后对测试集进行分类，得出相应的分类准确率，最后求10次分类准确率的平均值，轮流在高/低风险的重性抑郁障碍两类原始样本中随机选出20％的高风险自杀行为的抑郁病人样本与低风险自杀行为的抑郁病人作为测试集，剩下的作为训练集，得出10份相应的分类准确率并求平均值(10折交叉验证)，总共重复10次10折交叉验证的过程，对其正确率结果求平均，以判定该分类模型的有效性；并将这些模型分类准确率达到70％以上的认为是重性抑郁障碍自杀风险的潜在预测指标；然后再将潜在预测指标两两组合形成新的模型，再次对重性抑郁障碍自杀风险进行分类检测。
所述10次10折交叉验证法公式如下：
通过选择的特征模型对高/低风险的重性抑郁障碍两类人群进行分类时采用10次10折交叉验证法，轮流在高/低风险的重性抑郁障碍两类人的原始样本中随机选出20％的高风险自杀行为的抑郁病人样本与低风险自杀行为的抑郁病人作为测试集，剩下的作为训练集，得出10份相应的分类准确率并求平均值(10折交叉验证)。总共重复10次10折交叉验证的过程，对其正确率结果求平均，以判定该分类模型的有效性。
分类结果如下：当采用α频段的PLV与TDPPS总分，或TDPPS痛苦逃避分量表分，或BART风险决策行为学特征总和相结合，其分类模型的分类准确率均可达90％，敏感性与特异性均大于等于85％。BART风险决策的行为学特征总和与TDPPS痛苦逃避分量表分组合的模型分类准确率，敏感性与特异性均为80％。而由θ频段PLV参与两两组合的分类模型，以及TDPPS总分与BART行为学特征总和融合的分类模型，其分类准确率均小于80％。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种抑郁症自杀行为的多模式特征信息融合预测方法，其特征在于：包括如下步骤：
S1：采集脑电信号，数据采集以单侧乳突作参考电极，对侧乳突作记录电极，同时对测试者进行三维心理痛苦量表，仿真气球冒险任务进行神经心理学行为指标的评判；
S2：对S1中的数据预处理，包括：
S21：去眼电：通过EOG相关法消除眼电干扰；
S22：转参考：将双侧乳突作为参考电极；
S23：数字滤波：主要为了提高信噪比，消除50周或高频信号的干扰，采用频带宽为0.5-30Hz进行滤波；
S24：降采样率：将采样率降至250Hz重采样；
S25：去除伪迹：剔除幅值超出±100μV的脑电波；
S3：对步骤S2中的预处理后的EEG数据通过计算各个脑电极之间的PLV值检测脑电信号同步性，并且采用PLV值来进行脑网络构建；
S4：对步骤S3分析得到的PLV脑网络的神经信息与S1中自杀行为与决策认知行为特征融合与机器学习的分类判断。
2.根据权利要求1所述的抑郁症自杀行为的多模式特征信息融合预测方法，其特征在于：步骤S3中：所述脑网络构建包括：
a、选取带通滤波的频率，相位锁定值是表示两组信号在特定频段上的同步程度，在分析前，有必要对信号进行某一频段的带通滤波，以便提取目标频段；
b、计算瞬时相位，采取希尔伯特变换将信号分解为独立的相位和幅度成分，获得该信号在每个采样点上的瞬时相位值，希尔伯特变换公式如下:
其中，pv是指柯西主值；
最后，EEG脑电信号x(t)的瞬时相位θi(t)计算公式为:
其中xi′(t)是信号xi(t)希尔伯特变换的结果；
c、计算PLV值，计算脑电信号x(t)和y(t)的瞬时相位后，两个不同电极之间的脑电信号PLV值的计算公式如下：
其中，θ(t)表示在t时刻两个信号的相位差，θ(t)＝θi(t)-θj(t)，N表示该时间段的样本总数；
d、根据c中的数据，得到某一段时间内，指定频段电极对之间的连接矩阵，判断PLV值的变化范围，若PLV值的变化范围为0-1，PLV值越大则表示两个电极对之间的同步性越强，0代表完全不同步，1代表完全同步。
3.根据权利要求1所述的抑郁症自杀行为的多模式特征信息融合预测方法，其特征在于：构建判别函数将S3中的数据进行分类，设包含l个样本的训练集 为输入向量，yk∈{-1,+1}为类别标识，利用非线性函数φ(.)将原始测量空间中的训练集数据Xi映射到一个高维线性特征空间，在这个维数为无穷大的线性空间中构造最优分类超平面，并得到分类器的判别函数，分类超平面用公式表示为：
w·Φ(x)+b＝0………………………………………………………………4
其判别函数为：
y(x)＝sign[(w·Φ(x)+b]……………………………………………………5
设K(xi,xj)＝Φ(xi)·Φ(xj)为其核函数。
4.根据权利要求3所述的基于多模式特征信息融合的自杀行为预测方法，其特征在于：所述核函数为：
线性函数：K(x,xi)＝x·xi；
多项式核函数：K(x,xi)＝[(x·xi)+1]d，d＝1,2,3……；
Sigmoid核函数：K(x,xi)＝tanh[v(x·xi)+c]；
高斯径向基核函数：K(x,xi)＝exp{-q||x-xi||2}。
5.根据权利要求3所述的抑郁症自杀行为的多模式特征信息融合预测方法，其特征在于：通过模式识别方法对高风险自杀行为的抑郁病人样本与低风险自杀行为的抑郁病人样本进行分类，采用在两组间存在差异的静息态各频段脑电信号PLV值，量表评估得分，以及风险决策行为指标分别逐一作为特征建模，并将这些模型分类准确率达到70％以上的认为是重性抑郁障碍自杀风险的潜在预测指标；然后再将潜在预测指标两两组合形成新的特征模型，再次对重性抑郁障碍自杀风险进行分类检测。
6.根据权利要求5所述的抑郁症自杀行为的多模式特征信息融合预测方法，其特征在于：通过特征模型对两类人群进行分类时采用10次10折交叉验证法，轮流在高/低风险的重性抑郁障碍的两类人的原始样本中随机选出20％的高风险自杀行为的抑郁病人样本与低风险自杀行为的抑郁病人作为测试集，剩下的作为训练集，得出10份相应的分类准确率并求平均值，总共重复10次10折交叉验证的过程，对其正确率结果求平均值，以判定该分类模型的有效性。
CN201910363635.0A 2019-04-30 2019-04-30 一种抑郁症自杀行为的多模式特征信息融合预测方法 Active CN110013250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910363635.0A CN110013250B (zh) 2019-04-30 2019-04-30 一种抑郁症自杀行为的多模式特征信息融合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910363635.0A CN110013250B (zh) 2019-04-30 2019-04-30 一种抑郁症自杀行为的多模式特征信息融合预测方法

Publications (2)

Publication Number Publication Date
CN110013250A true CN110013250A (zh) 2019-07-16
CN110013250B CN110013250B (zh) 2021-08-17

Family

ID=67192970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910363635.0A Active CN110013250B (zh) 2019-04-30 2019-04-30 一种抑郁症自杀行为的多模式特征信息融合预测方法

Country Status (1)

Country Link
CN (1) CN110013250B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110522463A (zh) * 2019-08-28 2019-12-03 常州大学 一种基于脑功能连接分析的抑郁症辅助诊断系统
CN111127441A (zh) * 2019-12-25 2020-05-08 兰州大学 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统
CN111248907A (zh) * 2020-01-17 2020-06-09 上海市精神卫生中心（上海市心理咨询培训中心） 基于精神病临床高危人群脑电信号特征的风险预测方法
CN112568912A (zh) * 2019-09-12 2021-03-30 陈盛博 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法
CN113017627A (zh) * 2020-12-31 2021-06-25 北京工业大学 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法
CN113505721A (zh) * 2021-07-22 2021-10-15 北京脑陆科技有限公司 基于两级分类器的抑郁识别方法、装置、终端及介质
CN113974650A (zh) * 2021-06-29 2022-01-28 华南师范大学 一种脑电网络功能分析方法、装置，电子设备及存储介质
CN114052733A (zh) * 2021-11-15 2022-02-18 中国人民大学 一种基于三维心理痛苦理论的自杀分类评估方法
CN115500790A (zh) * 2022-09-23 2022-12-23 燕山大学 基于bi-lstm网络的癫痫发作预测分析的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105147248A (zh) * 2015-07-30 2015-12-16 华南理工大学 基于生理信息的抑郁症评估系统及其评估方法
CN105512454A (zh) * 2015-07-28 2016-04-20 东南大学 基于功能核磁共振的抑郁症患者自杀风险客观评估模型
CN105816170A (zh) * 2016-05-10 2016-08-03 广东省医疗器械研究所 基于可穿戴式nirs-eeg的精神分裂症早期检测评估系统
CN106236027A (zh) * 2016-08-23 2016-12-21 兰州大学 一种脑电与温度相结合的抑郁人群判定方法
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
CN108427929A (zh) * 2018-03-19 2018-08-21 兰州大学 一种基于静息态脑网络的抑郁识别分析系统
CN109157231A (zh) * 2018-10-24 2019-01-08 阿呆科技（北京）有限公司 基于情绪刺激任务的便携式多通道抑郁倾向评估系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512454A (zh) * 2015-07-28 2016-04-20 东南大学 基于功能核磁共振的抑郁症患者自杀风险客观评估模型
CN105147248A (zh) * 2015-07-30 2015-12-16 华南理工大学 基于生理信息的抑郁症评估系统及其评估方法
US20170238858A1 (en) * 2015-07-30 2017-08-24 South China University Of Technology Depression assessment system and depression assessment method based on physiological information
CN105816170A (zh) * 2016-05-10 2016-08-03 广东省医疗器械研究所 基于可穿戴式nirs-eeg的精神分裂症早期检测评估系统
CN106236027A (zh) * 2016-08-23 2016-12-21 兰州大学 一种脑电与温度相结合的抑郁人群判定方法
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
CN108427929A (zh) * 2018-03-19 2018-08-21 兰州大学 一种基于静息态脑网络的抑郁识别分析系统
CN109157231A (zh) * 2018-10-24 2019-01-08 阿呆科技（北京）有限公司 基于情绪刺激任务的便携式多通道抑郁倾向评估系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
COURTNEY L.BAGGE ET AL: "Relations Among Behavioral and Questionnaire Measures of Impulsivity in a Sample of Suicide Attempters", 《SUICIDE LIFE THREAT BEHAV》 *
宋巍 等: "金钱激励延迟任务下抑郁症自杀者的神经电生理特征及其与心理痛苦的关系", 《中国临床心理学杂志》 *
张梅军 等: "《EEMD方法及其在机械故障诊断中的应用》", 31 October 2015, 国防工业出版社 *
王永宗: "面向情绪识别的脑电特征组合及通道优化选择研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
胡剑峰: "《脑机接口研究进展》", 31 October 2009, 武汉大学出版社 *
谢斌: "《医师考核培训规范教程 精神科分册》", 31 March 2016, 上海科学技术出版社 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110522463A (zh) * 2019-08-28 2019-12-03 常州大学 一种基于脑功能连接分析的抑郁症辅助诊断系统
CN112568912A (zh) * 2019-09-12 2021-03-30 陈盛博 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法
CN112568912B (zh) * 2019-09-12 2024-05-14 江西盛梦科技有限公司 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法
CN111127441B (zh) * 2019-12-25 2022-08-12 兰州大学 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统
CN111127441A (zh) * 2019-12-25 2020-05-08 兰州大学 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统
CN111248907A (zh) * 2020-01-17 2020-06-09 上海市精神卫生中心（上海市心理咨询培训中心） 基于精神病临床高危人群脑电信号特征的风险预测方法
CN113017627A (zh) * 2020-12-31 2021-06-25 北京工业大学 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法
CN113017627B (zh) * 2020-12-31 2023-03-31 北京工业大学 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法
CN113974650A (zh) * 2021-06-29 2022-01-28 华南师范大学 一种脑电网络功能分析方法、装置，电子设备及存储介质
CN113974650B (zh) * 2021-06-29 2024-06-14 华南师范大学 一种脑电网络功能分析方法、装置，电子设备及存储介质
CN113505721A (zh) * 2021-07-22 2021-10-15 北京脑陆科技有限公司 基于两级分类器的抑郁识别方法、装置、终端及介质
CN114052733A (zh) * 2021-11-15 2022-02-18 中国人民大学 一种基于三维心理痛苦理论的自杀分类评估方法
CN115500790A (zh) * 2022-09-23 2022-12-23 燕山大学 基于bi-lstm网络的癫痫发作预测分析的方法

Also Published As

Publication number Publication date
CN110013250B (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN110013250A (zh) 一种抑郁症自杀行为的多模式特征信息融合预测方法
Abdulhay et al. Gait and tremor investigation using machine learning techniques for the diagnosis of Parkinson disease
Zhang et al. A sensor-based wrist pulse signal processing and lung cancer recognition
Zhu et al. Detecting emotional reactions to videos of depression
Ahlrichs et al. Parkinson's disease motor symptoms in machine learning: A review
CN106886792A (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
CN109009017B (zh) 一种智能健康监测系统及其数据处理方法
KR100750662B1 (ko) 심전도를 이용한 생체인식 시스템 및 방법
CN105595990A (zh) 一种用于心电信号质量评估判别的智能终端设备
CN105868532B (zh) 一种智能评估心脏衰老程度的方法及系统
Haider et al. Computerized lung sound based classification of asthma and chronic obstructive pulmonary disease (COPD)
Choi et al. User Authentication System Based on Baseline-corrected ECG for Biometrics.
Nath et al. Machine learning-based anxiety detection in older adults using wristband sensors and context feature
Safarbali et al. Nonlinear dynamic approaches to identify atrial fibrillation progression based on topological methods
CN108305680A (zh) 基于多元生物学特征的智能帕金森症辅助诊断方法和装置
CN109222906A (zh) 一种基于脑部电信号构建疼痛状态预测模型的方法
Jurczak et al. Implementation of a convolutional neural network for eye blink artifacts removal from the electroencephalography signal
CN114358194A (zh) 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法
Mouleeshuwarapprabu et al. Nonlinear vector decomposed neural network based EEG signal feature extraction and detection of seizure
CN110299207A (zh) 用于慢性病检测中的基于计算机预测模型数据处理方法
Kalantary et al. Development of a decision support system tool to predict the pulmonary function using artificial neural network approach
CN113284621A (zh) 一种用于心血管疾病风险评估的分层管理系统及方法
Wei et al. MS-Net: Sleep apnea detection in PPG using multi-scale block and shadow module one-dimensional convolutional neural network
Philibert et al. Interactions between neighborhood characteristics and individual functional status in relation to disability among Québec urbanites
Abhishek et al. Diagnosis of Parkinson’s disorder through speech data using machine learning algorithms

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