CN110123342A - 一种基于脑电波的网瘾检测方法及系统 - Google Patents
一种基于脑电波的网瘾检测方法及系统 Download PDFInfo
- Publication number
- CN110123342A CN110123342A CN201910307964.3A CN201910307964A CN110123342A CN 110123342 A CN110123342 A CN 110123342A CN 201910307964 A CN201910307964 A CN 201910307964A CN 110123342 A CN110123342 A CN 110123342A
- Authority
- CN
- China
- Prior art keywords
- brain wave
- addiction
- energy
- network
- module
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 124
- 206010012335 Dependence Diseases 0.000 title claims abstract description 115
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 238000013145 classification model Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 38
- 210000002569 neuron Anatomy 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012880 independent component analysis Methods 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Educational Technology (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (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
本发明公开了一种基于脑电波的网瘾检测方法和系统，首先采集不同测试者的脑电波信号，计算滤波处理后的脑电波信号能量特征矩阵；然后对能量特征矩阵进行训练，获得训练好的分类模型；最后将被测试者的脑电波信号输入分类模型中，输出被测试者的网瘾程度。本发明将脑电波与网瘾检测相结合，通过采集不同网瘾程度的青少年上网后的脑电波信息，使用基于深度学习映射核函数的ELM训练分类模型，使用该模型对青少年的网瘾程度进行判断，该分类模型在保证学习精度的前提下，比传统训练模型具有更快的学习速度和更强的泛化能力。有助于改善过去网瘾判断的主观性，为医师判断青少年网络成瘾提供一种客观的真实的辅助诊断方案。
Description
技术领域
本发明属于脑机接口辅助诊断技术领域，涉及一种基于脑电波的网瘾检测方法及系统。
背景技术
脑电波(Electroencephalogram,EEG)是一种使用电生理指标记录大脑活动的方法，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。脑电波或脑电图是一种比较敏感的客观指标，不仅可以用于脑科学的基础理论研究，而且更重要的意义在于它的临床实践的应用，与人类的生命健康息息相关。但其分析困难，不容易直接发现大脑波动与实际模式的对应，利用机器学习原理，能够准确地忽略共性干扰，发现脑电波与实际情况结合的特殊模式。
网络和计算机在给人类的生产和生活方式带来极大方便的同时，也对人的心理和心理学的发展产生了重要的影响。随着信息技术的发展，产生了一种新的行为成瘾---网络成瘾。青少年已经成为网民的重要组成部分，网络在促进青少年快速成长发展的同时，也给他们带来了诸多不良影响，青少年过分沉迷网络形成网瘾，不仅严重影响了自身正常的学习、生活、人际交往和身心健康，也给社会带来巨大危害。但对于网络成瘾的判断还于上依赖于网时间、行为观察或调查问卷等方面，带有强烈的主观性。
发明内容
为解决现有技术中存在的不足，本发明提供了一种基于脑电波的网瘾检测方法及系统，该系统主要利用机器学习原理，检测青少年上网后的脑电波的波动情况，为监护人和医师提供青少年网络成瘾状态的真实客观反馈，解决现有的监测方法主观性较强的问题。
为了解决上述技术问题，本发明采用如下技术方案予以实现：
本发明公开的一种基于脑电波的网瘾检测方法，包括：
步骤1，采集不同测试者的脑电波信号，所述的脑电波信号标注以无网瘾、轻度网络成瘾、中度网络成瘾和重度网络成瘾，形成脑电波数据训练集；
步骤2，对步骤1采集的脑电波信号以滑动时间窗进行截取，对截取的脑电波信号进行滤波处理；
步骤3，计算滤波处理后的脑电波信号能量特征矩阵；
步骤4，对能量特征矩阵进行训练，获得训练好的分类模型；
步骤5，采集被测试者的脑电波信号，经过步骤2至步骤3的处理后，获得能量特征矩阵，将能量特征矩阵输入步骤4训练好的分类模型，输出被测试者的网瘾程度。
具体的，所述的步骤2包括：
步骤2.1，对采集的多通道脑电波信号通过滑动时间窗口进行划分，得到多个样本段信号；
步骤2.2，对多个样本段信号分别通过50Hz陷波滤波器和0.1～50Hz带通滤波器去除噪音，再利用独立成分分析算法去除眼电影响；
步骤2.3，对经过步骤2.2预处理后的脑电波信号采用db4小波基进行分解，得到多个子频带；
所述的步骤3包括：
步骤3.1，利用式(1)计算每一子频带计算的能量特征，
其中，表示分解的第m层小波包上第n个子频带的能量，表示每个子频带的能量特征，m表示小波包分解层数；
步骤3.2，利用式(2)对所有子频带进行归一化处理，得到能量特征矩阵，
式中，表示各子频带能量占信号总能量的比例。
具体的，所述的步骤3获得能量特征矩阵后，还包括采用局部保持投影方法对特征矩阵进行降维处理。
具体的，所述的步骤4通过基于深度学习核映射的ELM对能量特征矩阵进行训练，其中深度学习核映射的ELM损失函数为：
式中，Φ(xj；w)为深度学习映射核函数，xj为输入的第j个样本，Wi为第i个隐层神经元输入权重，βi为第i个隐层神经元输出权重，bi为第i个隐层神经元的偏置，tj为第j个样本类别；g(.)表示激活函数，N表示样本个数，L表示单层神经网络隐层神经元个数。
本发明还公开了一种基于脑电波的网瘾检测系统，包括：
脑电波采集模块，用于采集测试者的脑电波信号；
数据预处理模块，用于对脑电波采集模块采集的无网瘾、轻度网络成瘾、中度网络成瘾、重度网络成瘾的测试者对应的脑电波信号进行划分和滤波处理；
脑电波特征提取模块，用于计算数据预处理模块处理后的脑电波信号的能量特征矩阵；
网瘾检测模型训练模块，用于对脑电波特征提取模块获得的能量特征矩阵进行训练，获得训练好的分类模型；
检测模块，用于将脑电波采集模块采集的测试者的脑电波信号，依次经过数据预处理模块和脑电波特征提取模块获得能量特征矩阵，再利用网瘾检测模型训练模块训练好的分类模型进行检测，输出分类结果；
网瘾监测模块，用于判断测试者处于无网瘾、轻度网络成瘾、中度网络成瘾还是重度网络成瘾，如果判断为网络成瘾，发出预警。
具体的，所述的脑电波采集模块包括若干电极、数模转换器和控制芯片，电极连接在数模转换器的输入端，数模转换器的输出端与控制芯片连接。
具体的，所述的数据预处理模块包括：
对采集的多通道脑电波信号通过滑动时间窗口进行划分，得到多个样本段信号；
对各个通道的样本段信号分别通过50Hz陷波滤波器和0.1～50Hz带通滤波器去除噪音，再利用独立成分分析算法去除眼电影响；
对每一通道预处理后的脑电波信号采用db4小波基进行分解，得到多个子频带；
所述的脑电波特征提取模块包括：
利用式(1)计算划分后每一子频带计算的能量特征，
其中，表示分解的第m层小波包上第n个子频带的能量，表示每个子频带的能量特征，m表示小波包分解层数；
利用式(2)对所有子频带进行归一化处理，
式中，表示各子频带能量占信号总能量的比例；
最终得到所有子频带的脑电波信号的能量特征矩阵。
进一步的，该检测系统还包括脑电波特征降维模块，用于采用局部保持投影方法对脑电波特征提取模块获得的脑电波信号能量特征矩阵进行降维处理。
具体的，所述的网瘾检测模型训练模块中，通过基于深度学习映射核函数的ELM损失函数对能量特征矩阵进行训练，其中ELM损失函数为：
式中，Φ(xj；w)为深度学习映射核函数，xj为输入的第j个样本，Wi为第i个隐层神经元输入权重，βi为第i个隐层神经元输出权重，bi为第i个隐层神经元的偏置，tj为第j个样本类别；g(.)表示激活函数，N表示样本个数，L表示单层神经网络隐层神经元个数。
与现有技术相比，本发明的有益效果是：
本发明将脑电波与网瘾检测相结合，通过采集不同网瘾程度的青少年上网后的脑电波信息，对这些脑电波信息进行特征提取后，使用基于深度学习映射核函数的ELM对能量特征矩阵进行训练，得到分类模型，使用该模型对青少年的网瘾程度进行判断，该分类模型在保证学习精度的前提下，比传统训练模型具有更快的学习速度和更强的泛化能力。有助于改善过去网瘾判断的主观性，为医师判断青少年网络成瘾提供一种客观的真实的辅助诊断方案。
附图说明
图1是本发明的检测流程图。
图2是本发明检测系统的结构示意图。
图3是db4小波基示意图。
图4是测试者脑电波信号示意图。
图5是脑电波小波包分解示意图。
具体实施方式
本发明所述的网瘾程度包括无网瘾、轻度网络成瘾、中度网络成瘾和重度网络成瘾，其中网瘾程度的判断基于大数据统计的青少年网瘾调查问卷，该问卷涵盖了上网时间、上网目的和上网影响等多维度问题。
本发明主要利用机器学习原理，将脑电波与网瘾检测结合，公开了一种基于脑电波的网瘾检测方法及检测系统。其中，参考图1，本发明公开的检测方法包括：
步骤1，采集不同测试者的脑电波信号，所述的脑电波信号标注以无网瘾、轻度网络成瘾、中度网络成瘾和重度网络成瘾，形成脑电波数据集；
步骤2，对步骤1采集的脑电波信号以滑动时间窗进行截取，对截取的脑电波信号进行滤波处理，具体包括：
步骤2.1，对采集的多通道脑电波信号通过滑动时间窗口进行划分，得到多个样本段信号，将多个样本段信号下采样至200Hz；
步骤2.2，对多个样本段信号分别通过50Hz陷波滤波器和0.1～50Hz带通滤波器去除噪音，再利用独立成分分析算法去除眼电影响；
步骤2.3，对经过步骤2.2预处理后的脑电波信号采用db4小波基进行分解，得到多个子频带；
步骤3，计算滤波处理后的脑电波信号能量特征矩阵，具体包括：
步骤3.1，利用式(1)计算每一子频带计算的能量特征，
其中，表示分解的第m层小波包上第n个子频带的能量，表示每个子频带的能量特征，m表示小波包分解层数；
步骤3.2，利用式(2)对所有子频带进行归一化处理，得到能量特征矩阵，
式中，表示各子频带能量占信号总能量的比例，即[0,1]区间内的值；
进一步的，在本发明的一个优选实施例中，在经过步骤3获得能量特征矩阵后，还采用局部保持投影方法对特征矩阵进行降维处理。
步骤4，对能量特征矩阵进行训练，获得训练好的分类模型。在本发明的一个优选实施例中，采用基于深度学习映射核函数的ELM损失函数对能量特征矩阵进行训练，其中深度学习核映射的ELM损失函数为：
式中，Φ(xj；w)为深度学习映射核函数，xj为输入的第j个样本，Φ(xj；w)表示将样本xj通过深度神经网络参数w映射到高纬可分空间，Wi为第i个隐层神经元输入权重，βi为第i个隐层神经元输出权重，bi为第i个隐层神经元的偏置，tj为第j个样本类别；g(.)表示激活函数，N表示样本个数，L表示单层神经网络隐层神经元个数。
步骤5，采集被测试者的脑电波信号，经过步骤2进行预处理，如图4所示为本发明的一个实施例中采集的脑电波信号示意图，图3为db4小波基示意图，图5为本实施例采集的脑电波经过小波包分解后的示意图，可以看出，该实施例采用db4小波基进行3层小波包分解，得到8个子频带；
然后再通过步骤3获得能量特征矩阵，将能量特征矩阵输入步骤4训练好的分类模型，即可输出被测试者的网瘾程度。
本发明还公开了一种基于脑电波的网瘾检测系统，参照图2所示，该检测系统包括：
1、脑电波采集模块，用于采集测试者的脑电波信号；
脑电波采集模块包括若干电极、数模转换器和控制芯片，电极连接在数模转换器的输入端，数模转换器的输出端与控制芯片连接。电极是按照国际10-20导联系统布置Fp1、Fp2、F3、F4、F7、F8处的干电极以及2个置于左右乳突处的参考电极。
2、数据预处理模块，用于对脑电波采集模块采集的无网瘾、轻度网络成瘾、中度网络成瘾、重度网络成瘾的测试者对应的脑电波信号进行划分和滤波处理；具体过程如下：
对采集的多通道脑电波信号通过滑动时间窗口进行划分，得到多个样本段信号；
对各个通道的样本段信号分别通过50Hz陷波滤波器和0.1～50Hz带通滤波器去除噪音，再利用独立成分分析算法去除眼电影响；
对每一通道预处理后的脑电波信号采用db4小波基进行分解，得到多个子频带；在本发明的一个实施例中，如图5所示，采用db4小波基进行3层小波包分解，得到8个子频带。
3、脑电波特征提取模块，用于计算数据预处理模块处理后的脑电波信号的能量特征矩阵；具体包括：
利用式(1)计算划分后每一子频带计算的能量特征，
其中，表示分解的第m层小波包上第n个子频带的能量，表示每个子频带的能量特征，m表示小波包分解层数；
利用式(2)对所有子频带进行归一化处理，
式中，表示各子频带能量占信号总能量的比例；
经过脑电波特征提取模块后，可得到所有子频带的脑电波信号的能量特征矩阵。
作为本方案的一个优选实施例，该检测系统还包括脑电波特征降维模块，优选的，本发明用于采用局部保持投影方法对脑电波特征提取模块获得的脑电波信号能量特征矩阵进行降维处理。降维后的脑电波能量特征分类效果提高。
4、网瘾检测模型训练模块，用于对脑电波特征提取模块获得的能量特征矩阵进行训练，获得训练好的分类模型。
在本发明的一个优选实施例中，通过基于深度学习核映射的ELM对能量特征矩阵进行训练，在训练模型在保证学习精度的前提下，比传统训练模型具有更快的学习速度和更强的泛化能力，其中ELM损失函数为：
式中，Φ(xj；w)为深度学习映射核函数，xj为输入的第j个样本，Wi为第i个隐层神经元输入权重，βi为第i个隐层神经元输出权重，bi为第i个隐层神经元的偏置，tj为第j个样本类别；g(.)表示激活函数，N表示样本个数，L表示单层神经网络隐层神经元个数。
5、检测模块，用于将脑电波采集模块采集的测试者的脑电波信号，依次经过数据预处理模块和脑电波特征提取模块获得能量特征矩阵，再利用网瘾检测模型训练模块训练好的分类模型进行检测，输出分类结果。
由于检测模块每隔一时间段会输出一个分类结果，网瘾监测模块将统计该段时间内网瘾程度的分布，将比例最大的网瘾程度fimax作为该被试者网瘾程度的输出，
i＝{无网瘾，轻度网瘾，中度网瘾，重度网瘾}。
6、网瘾监测模块，用于判断测试者处于无网瘾、轻度网络成瘾、中度网络成瘾还是重度网络成瘾，如果判断为网络成瘾，发出预警。
将检测模块输出的结果依次发送至监护人APP和医师客户端。如果判断为网络成瘾，则同时发出预警提示，如果医师判断为网瘾程度需入院就诊，可以通过客户端向监护人APP发送提示。
本发明的数据预处理模块，脑电波特征提取模块，网瘾检测模型训练模块，检测模块，网瘾监测模块均集成在计算机的控制芯片内。
以下给出本发明的一个具体实施例，以验证本发明系统和方法的有效性。
本发明的一个具体实施例中，采用Young在1996年编制的《网络成瘾测验》对训练集被测试者打上标签。该量表一共由20道题目组成，每道题有5个选择项目，属于五级量表，1＝几乎没有，2＝偶尔，3＝有时，4＝经常，5＝总是，该量表要求被试根据自己的情况完成问卷。最后是根据被测试者在该量表上所得的总分来判定被测试者是否网络成瘾以及他网络成瘾的程度。40分以下无网瘾，40－60轻度网络成瘾，60－80中度网络成瘾，80－100重度网络成瘾。
根据Young《网络成瘾测验》对10名被试进行网瘾程度检测，5人正常，3人轻度，1人中度，1人重度，用于标注随后的脑电样本。然后利用开源脑电采集设备收集被试者上网后的脑电波信号，如图4所示，对该脑电波数据进行预处理，被试得到600段脑电片段样本，经过小波包分解得到8个子频带，提取特征和局部保持投影特征降维后，送入训练的分类模型中进行分类。然后采用10折交叉验证评价方法，平均准确率达到85％。
需要说明的是，本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。
Claims (9)
1.一种基于脑电波的网瘾检测方法，其特征在于，包括：
步骤1，采集不同测试者的脑电波信号，所述的脑电波信号标注以无网瘾、轻度网络成瘾、中度网络成瘾和重度网络成瘾，形成脑电波数据训练集；
步骤2，对步骤1采集的脑电波信号以滑动时间窗进行截取，对截取的脑电波信号进行滤波处理；
步骤3，计算滤波处理后的脑电波信号能量特征矩阵；
步骤4，对能量特征矩阵进行训练，获得训练好的分类模型；
步骤5，采集被测试者的脑电波信号，经过步骤2至步骤3的处理后，获得能量特征矩阵，将能量特征矩阵输入步骤4训练好的分类模型，输出被测试者的网瘾程度。
2.如权利要求1所述的基于脑电波的网瘾检测方法，其特征在于，所述的步骤2包括：
步骤2.1，对采集的多通道脑电波信号通过滑动时间窗口进行划分，得到多个样本段信号；
步骤2.2，对多个样本段信号分别通过50Hz陷波滤波器和0.1～50Hz带通滤波器去除噪音，再利用独立成分分析算法去除眼电影响；
步骤2.3，对经过步骤2.2预处理后的脑电波信号采用db4小波基进行分解，得到多个子频带；
所述的步骤3包括：
步骤3.1，利用式(1)计算每一子频带计算的能量特征，
其中，表示分解的第m层小波包上第n个子频带的能量，表示每个子频带的能量特征，m表示小波包分解层数；
步骤3.2，利用式(2)对所有子频带进行归一化处理，得到能量特征矩阵，
式中，表示各子频带能量占信号总能量的比例。
3.如权利要求1所述的基于脑电波的网瘾检测方法，其特征在于，所述的步骤3获得能量特征矩阵后，还包括采用局部保持投影方法对特征矩阵进行降维处理。
4.如权利要求1所述的基于脑电波的网瘾检测方法，其特征在于，所述的步骤4通过基于深度学习核映射的ELM对能量特征矩阵进行训练，其中深度学习核映射的ELM损失函数为：
式中，Φ(xj；w)为深度学习映射核函数，xj为输入的第j个样本，Wi为第i个隐层神经元输入权重，βi为第i个隐层神经元输出权重，bi为第i个隐层神经元的偏置，tj为第j个样本类别；g(.)表示激活函数，N表示样本个数，L表示单层神经网络隐层神经元个数。
5.一种基于脑电波的网瘾检测系统，其特征在于，包括：
脑电波采集模块，用于采集测试者的脑电波信号；
数据预处理模块，用于对脑电波采集模块采集的无网瘾、轻度网络成瘾、中度网络成瘾、重度网络成瘾的测试者对应的脑电波信号进行划分和滤波处理；
脑电波特征提取模块，用于计算数据预处理模块处理后的脑电波信号的能量特征矩阵；
网瘾检测模型训练模块，用于对脑电波特征提取模块获得的能量特征矩阵进行训练，获得训练好的分类模型；
检测模块，用于将脑电波采集模块采集的测试者的脑电波信号，依次经过数据预处理模块和脑电波特征提取模块获得能量特征矩阵，再利用网瘾检测模型训练模块训练好的分类模型进行检测，输出分类结果；
网瘾监测模块，用于判断测试者处于无网瘾、轻度网络成瘾、中度网络成瘾还是重度网络成瘾，如果判断为网络成瘾，发出预警。
6.如权利要求5所述的一种基于脑电波的网瘾检测系统，其特征在于，所述的脑电波采集模块包括若干电极、数模转换器和控制芯片，电极连接在数模转换器的输入端，数模转换器的输出端与控制芯片连接。
7.如权利要求5所述的一种基于脑电波的网瘾检测系统，其特征在于，所述的数据预处理模块包括：
对采集的多通道脑电波信号通过滑动时间窗口进行划分，得到多个样本段信号；
对各个通道的样本段信号分别通过50Hz陷波滤波器和0.1～50Hz带通滤波器去除噪音，再利用独立成分分析算法去除眼电影响；
对每一通道预处理后的脑电波信号采用db4小波基进行分解，得到多个子频带；
所述的脑电波特征提取模块包括：
利用式(1)计算划分后每一子频带计算的能量特征，
其中，表示分解的第m层小波包上第n个子频带的能量，表示每个子频带的能量特征，m表示小波包分解层数；
利用式(2)对所有子频带进行归一化处理，
式中，表示各子频带能量占信号总能量的比例；
最终得到所有子频带的脑电波信号的能量特征矩阵。
8.如权利要求5所述的一种基于脑电波的网瘾检测系统，其特征在于，该检测系统还包括脑电波特征降维模块，用于采用局部保持投影方法对脑电波特征提取模块获得的脑电波信号能量特征矩阵进行降维处理。
9.如权利要求5所述的一种基于脑电波的网瘾检测系统，其特征在于，所述的网瘾检测模型训练模块中，通过基于深度学习映射核函数的ELM损失函数对能量特征矩阵进行训练，其中ELM损失函数为：
式中，Φ(xj；w)为深度学习映射核函数，xj为输入的第j个样本，Wi为第i个隐层神经元输入权重，βi为第i个隐层神经元输出权重，bi为第i个隐层神经元的偏置，tj为第j个样本类别；g(.)表示激活函数，N表示样本个数，L表示单层神经网络隐层神经元个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910307964.3A CN110123342B (zh) | 2019-04-17 | 2019-04-17 | 一种基于脑电波的网瘾检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910307964.3A CN110123342B (zh) | 2019-04-17 | 2019-04-17 | 一种基于脑电波的网瘾检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110123342A true CN110123342A (zh) | 2019-08-16 |
| CN110123342B CN110123342B (zh) | 2021-06-08 |
Family
ID=67570274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910307964.3A Active CN110123342B (zh) | 2019-04-17 | 2019-04-17 | 一种基于脑电波的网瘾检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110123342B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111513732A (zh) * | 2020-04-29 | 2020-08-11 | 山东大学 | 面向疫病状况下多类人群的心理压力智能评估预警系统 |
| CN112754440A (zh) * | 2021-01-07 | 2021-05-07 | 广州番禺职业技术学院 | 一种针对用户网络成瘾的预防系统及方法 |
| CN113598794A (zh) * | 2021-08-12 | 2021-11-05 | 中南民族大学 | 一种冰毒成瘾者检测模型的训练方法和系统 |
| CN117056831A (zh) * | 2023-10-13 | 2023-11-14 | 南京龙垣信息科技有限公司 | 基于卷积神经网络的内心独白识别方法 |
Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008083442A1 (en) * | 2007-01-10 | 2008-07-17 | Brc Operations Pty Limited | Method for formulating combination medications for adhd |
| US20100063563A1 (en) * | 2006-03-29 | 2010-03-11 | Catholic Healthcare West (d/b/a St.Joseph's Hospital and Medical Center) | Microburst electrical stimulation of cranial nerves for the treatment of medical conditions |
| CN201453836U (zh) * | 2009-06-24 | 2010-05-12 | 王志忠 | 一种脑电波反馈网瘾戒除仪 |
| CN201676403U (zh) * | 2010-05-25 | 2010-12-22 | 顾磊 | 一种脑电波调节仪 |
| CN101927052A (zh) * | 2009-06-26 | 2010-12-29 | 王志忠 | 一种脑电波生物反馈戒毒仪 |
| EP2651496A2 (en) * | 2010-12-14 | 2013-10-23 | The Regents Of The University Of California | Devices, systems and methods for the treatment of medical disorders |
| US20140235968A1 (en) * | 2006-12-19 | 2014-08-21 | Valencell, Inc. | Systems and methods for presenting personal health information |
| WO2016069058A1 (en) * | 2014-04-25 | 2016-05-06 | The General Hospital Corporation | Method for cross-diagnostic identification and treatment of neurologic features underpinning mental and emotional disorders |
| US20160191484A1 (en) * | 2014-07-09 | 2016-06-30 | Intelmate Llc | Secure Inmate Digital Storage |
| CN105792752A (zh) * | 2013-10-31 | 2016-07-20 | P-S·哈鲁塔 | 用于诊断和治疗语言相关障碍的计算技术 |
| CN106102762A (zh) * | 2013-12-13 | 2016-11-09 | 西北大学 | 治疗脑部病症或鉴定与其相关的生物标记的方法 |
| US20170095157A1 (en) * | 2015-10-03 | 2017-04-06 | Facense Ltd. | Systems for collecting thermal measurements of the face |
| CN106999111A (zh) * | 2014-10-01 | 2017-08-01 | 纽洛斯公司 | 用于检测不可见人类情感的系统和方法 |
| CN107007290A (zh) * | 2017-03-27 | 2017-08-04 | 广州视源电子科技股份有限公司 | 基于时域及相空间的脑电放松度识别方法及装置 |
| CN107260187A (zh) * | 2017-07-24 | 2017-10-20 | 中国科学院心理研究所 | 一种在虚拟现实环境中诱发成瘾药物渴求的方法及其系统 |
| US20170311901A1 (en) * | 2016-04-18 | 2017-11-02 | Massachusetts Institute Of Technology | Extraction of features from physiological signals |
| CN107714057A (zh) * | 2017-10-01 | 2018-02-23 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于卷积神经网络的三分类情绪识别模型方法 |
| CN107979565A (zh) * | 2016-10-21 | 2018-05-01 | 中国移动通信有限公司研究院 | 一种网络访问的控制方法及装置 |
| US10045737B2 (en) * | 2015-06-14 | 2018-08-14 | Facense Ltd. | Clip-on device with inward-facing cameras |
| CN108478216A (zh) * | 2018-02-06 | 2018-09-04 | 杭州电子科技大学 | 一种基于卷积神经网络的癫痫病发作前期智能预测方法 |
| CN109144241A (zh) * | 2018-06-20 | 2019-01-04 | 安徽师范大学 | 网购成瘾控制系统 |
| CN109300529A (zh) * | 2018-09-12 | 2019-02-01 | 阿呆科技（北京）有限公司 | 基于人工智能和虚拟现实/增强现实的毒瘾渴求靶向干预矫治系统 |
| CN109376556A (zh) * | 2018-12-17 | 2019-02-22 | 华中科技大学 | 一种针对以卷积神经网络为基础的eeg脑机接口的攻击方法 |
| CN109497997A (zh) * | 2018-12-10 | 2019-03-22 | 杭州妞诺科技有限公司 | 基于多数据采集的癫痫发作检测设备及预警系统 |
-
2019
- 2019-04-17 CN CN201910307964.3A patent/CN110123342B/zh active Active
Patent Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100063563A1 (en) * | 2006-03-29 | 2010-03-11 | Catholic Healthcare West (d/b/a St.Joseph's Hospital and Medical Center) | Microburst electrical stimulation of cranial nerves for the treatment of medical conditions |
| US20140235968A1 (en) * | 2006-12-19 | 2014-08-21 | Valencell, Inc. | Systems and methods for presenting personal health information |
| WO2008083442A1 (en) * | 2007-01-10 | 2008-07-17 | Brc Operations Pty Limited | Method for formulating combination medications for adhd |
| CN201453836U (zh) * | 2009-06-24 | 2010-05-12 | 王志忠 | 一种脑电波反馈网瘾戒除仪 |
| CN101927052A (zh) * | 2009-06-26 | 2010-12-29 | 王志忠 | 一种脑电波生物反馈戒毒仪 |
| CN201676403U (zh) * | 2010-05-25 | 2010-12-22 | 顾磊 | 一种脑电波调节仪 |
| US20140135886A1 (en) * | 2010-12-14 | 2014-05-15 | United States Government Department Of Veterans Affairs | Devices, systems and methods for the treatment of medical disorders |
| EP2651496A2 (en) * | 2010-12-14 | 2013-10-23 | The Regents Of The University Of California | Devices, systems and methods for the treatment of medical disorders |
| CN105792752A (zh) * | 2013-10-31 | 2016-07-20 | P-S·哈鲁塔 | 用于诊断和治疗语言相关障碍的计算技术 |
| CN106102762A (zh) * | 2013-12-13 | 2016-11-09 | 西北大学 | 治疗脑部病症或鉴定与其相关的生物标记的方法 |
| WO2016069058A1 (en) * | 2014-04-25 | 2016-05-06 | The General Hospital Corporation | Method for cross-diagnostic identification and treatment of neurologic features underpinning mental and emotional disorders |
| US20160191484A1 (en) * | 2014-07-09 | 2016-06-30 | Intelmate Llc | Secure Inmate Digital Storage |
| CN106999111A (zh) * | 2014-10-01 | 2017-08-01 | 纽洛斯公司 | 用于检测不可见人类情感的系统和方法 |
| US10045737B2 (en) * | 2015-06-14 | 2018-08-14 | Facense Ltd. | Clip-on device with inward-facing cameras |
| US20170095157A1 (en) * | 2015-10-03 | 2017-04-06 | Facense Ltd. | Systems for collecting thermal measurements of the face |
| US20170311901A1 (en) * | 2016-04-18 | 2017-11-02 | Massachusetts Institute Of Technology | Extraction of features from physiological signals |
| CN107979565A (zh) * | 2016-10-21 | 2018-05-01 | 中国移动通信有限公司研究院 | 一种网络访问的控制方法及装置 |
| CN107007290A (zh) * | 2017-03-27 | 2017-08-04 | 广州视源电子科技股份有限公司 | 基于时域及相空间的脑电放松度识别方法及装置 |
| CN107260187A (zh) * | 2017-07-24 | 2017-10-20 | 中国科学院心理研究所 | 一种在虚拟现实环境中诱发成瘾药物渴求的方法及其系统 |
| CN107714057A (zh) * | 2017-10-01 | 2018-02-23 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于卷积神经网络的三分类情绪识别模型方法 |
| CN108478216A (zh) * | 2018-02-06 | 2018-09-04 | 杭州电子科技大学 | 一种基于卷积神经网络的癫痫病发作前期智能预测方法 |
| CN109144241A (zh) * | 2018-06-20 | 2019-01-04 | 安徽师范大学 | 网购成瘾控制系统 |
| CN109300529A (zh) * | 2018-09-12 | 2019-02-01 | 阿呆科技（北京）有限公司 | 基于人工智能和虚拟现实/增强现实的毒瘾渴求靶向干预矫治系统 |
| CN109497997A (zh) * | 2018-12-10 | 2019-03-22 | 杭州妞诺科技有限公司 | 基于多数据采集的癫痫发作检测设备及预警系统 |
| CN109376556A (zh) * | 2018-12-17 | 2019-02-22 | 华中科技大学 | 一种针对以卷积神经网络为基础的eeg脑机接口的攻击方法 |
Non-Patent Citations (4)
| Title |
|---|
| DOBORJEH: "A Spiking Neural Network Methodology and System for Learning and Comparative Analysis of EEG Data From Healthy Versus Addiction Treated Versus Addiction Not Treated Subjects", 《BIOTECH WEEK》 * |
| PARK SUNYOUNG: "Longitudinal Changes in Neural Connectivity in Patients With Internet Gaming Disorder: A Resting-State EEG Coherence Study", 《FRONTIERS IN PSYCHIATRY》 * |
| 何国松: "网络游戏脑疲劳检测的微电子系统设计", 《中国优秀硕士论文电子期刊网》 * |
| 郁洪强: "过度使用互联网的脑电特征分析", 《中国博士学位论文全文数据库》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111513732A (zh) * | 2020-04-29 | 2020-08-11 | 山东大学 | 面向疫病状况下多类人群的心理压力智能评估预警系统 |
| CN112754440A (zh) * | 2021-01-07 | 2021-05-07 | 广州番禺职业技术学院 | 一种针对用户网络成瘾的预防系统及方法 |
| CN113598794A (zh) * | 2021-08-12 | 2021-11-05 | 中南民族大学 | 一种冰毒成瘾者检测模型的训练方法和系统 |
| CN117056831A (zh) * | 2023-10-13 | 2023-11-14 | 南京龙垣信息科技有限公司 | 基于卷积神经网络的内心独白识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110123342B (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110123342B (zh) | 一种基于脑电波的网瘾检测方法及系统 | |
| 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 | |
| CN111466876B (zh) | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 | |
| Kalayci et al. | Wavelet preprocessing for automated neural network detection of EEG spikes | |
| CN101690659B (zh) | 脑电波分析方法 | |
| Gevins et al. | Automated analysis of the electrical activity of the human brain (EEG): A progress report | |
| Buettner et al. | High-performance diagnosis of sleep disorders: a novel, accurate and fast machine learning approach using electroencephalographic data | |
| Islam et al. | EEG mobility artifact removal for ambulatory epileptic seizure prediction applications | |
| CN109770924A (zh) | 一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法 | |
| CN112353391A (zh) | 一种基于脑电信号的汽车车内声音品质识别方法及装置 | |
| CN111150410B (zh) | 基于心电信号与肌电信号融合的心理压力评测方法 | |
| CN103584872A (zh) | 一种基于多生理参数融合的心理压力评估方法 | |
| CN107440716A (zh) | 基于单通道肌电信号的人体下肢运动动作分类辨识方法 | |
| CN106943150A (zh) | 精神疲劳检测系统及其采用的方法 | |
| CN105147282A (zh) | 认知功能障碍脑电识别系统 | |
| Bablani et al. | Deceit identification test on EEG data using deep belief network | |
| Jose et al. | Robust classification of intramuscular EMG signals to aid the diagnosis of neuromuscular disorders | |
| CN112057087A (zh) | 精神分裂症高风险人群自主神经功能的评估方法及装置 | |
| CN113397482B (zh) | 一种人类行为分析方法及系统 | |
| Vialatte et al. | Audio representations of multi-channel EEG: a new tool for diagnosis of brain disorders | |
| Kardam et al. | Motor imagery tasks based electroencephalogram signals classification using data-driven features | |
| CN112603337A (zh) | 一种脑电信号识别方法 | |
| CN115736920A (zh) | 基于双模态融合的抑郁状态识别方法及系统 | |
| JP3933568B2 (ja) | 脳機能計測装置 | |
| CN110200624A (zh) | 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法 |
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 |