CN110522463A - 一种基于脑功能连接分析的抑郁症辅助诊断系统 - Google Patents
一种基于脑功能连接分析的抑郁症辅助诊断系统 Download PDFInfo
- Publication number
- CN110522463A CN110522463A CN201910799325.3A CN201910799325A CN110522463A CN 110522463 A CN110522463 A CN 110522463A CN 201910799325 A CN201910799325 A CN 201910799325A CN 110522463 A CN110522463 A CN 110522463A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- network
- depression
- diagnosis
- 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
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]
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Psychology (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及医疗诊断技术领域,具体地说,是一种基于脑功能连接分析的抑郁症辅助诊断系统,包括实验范式设计模块、数据导入模块、功能连接检测模块、数据分析模块,检测判断模块以及结果显示模块。实验范式设计模块用于范式的设计以及运用,数据导入模块用于数据的格式转化以及保存,功能连接检测模块用于网络的搭建,数据分析模块用于网络参数的提取以及表征,检测模块用于KS检验和参数模型的训练,结果显示模块用于提供检测的结果形成报告便于医护人员参考。本发明在脑功能连接领域具有一定的实际意义,对抑郁患者的准确诊断具有积极作用。
Description
技术领域
本发明涉及医疗诊断技术领域,具体地说,是一种基于脑功能连接分析的抑郁症辅助诊断系统。
背景技术
脑电波主要反映了人脑部的活动情况,脑电信号包含了大量生物学信息,对于人类生理和精神的健康研究来说极具参考价值。目前其已被应用到自动控制,生物医学等多个领域。脑电信号(Electroencephalogram,EEG)是由离散的电压值的点构成的时间序列,为了发现大脑之间的协同作用,需要构建一个网路来协调工作。
近年以来,脑功能网络解决了独立研究单个脑区带来的缺陷,但是目前的脑网络研究大多集中在对无向网络功能连接的研究上。无相的连接,但是忽略了大脑神经系统中非常重要的权重信息,因此,为了更加深入的脑网络的特性,权值网络的研究已经被提上了日程。
在大脑网络研究中,权值网络的连接叫做功能连接,连接性体现了大脑网络强度的变化,而作为网络,通过改变阈值的变化来对网络进行构建,通过对不同阈值和网络参数的关系得到对应的曲下面积,并作为训练模型的特征。最终通过此系统能够对患者作出评估,判断潜在的抑郁可能性,对临床医生抑郁症患者的诊断起到辅助作用。
发明内容
根据现有的技术以及实际应用的的需求,本发明主要解决的问题是:提供一种可靠的网络特征提取方式,作为训练出诊断的模型,能够避免在特定稀疏度下网络的局限性。
为了达到上述目的,本发明采取以下技术方案:
一种基于脑功能连接分析的抑郁症诊断系统,包括实验范式设计模块、数据导入模块、功能连接检测模块、数据分析模块,检测判断模块和结果显示模块。其中,数据导入模块连接数据存储单元、格式转化单元、数据预处理单元;数据分析模块包括需要检测的时间序列单元,相位锁值分析单元和连接指标分析单元;实验范式设计模块对实验对象参与的实验内容和流程进行具体的分析和处理,便于后续临床分析和诊断;数据导入模块通过将采集到的脑电数据进行读取和格式转化,再执行滤波,伪迹检测,坏导替换,平均参考,基线矫正、独立成分分析去噪、分段的预处理操作;功能连接检测模块通过对预处理后的数据进行标记分析,分为静息态和任务态,通过相位锁值的算法构建相应脑网络,并计算连接性强度,结果显示模块显示模型训练完后,最新数据的测试结果,能够告知临床医生潜在的患者抑郁症的倾向度,方便医生结合临床治疗进行诊断;数据分析模块,通过比例阈值改变稀疏度,不同稀疏度的下的特性进行表征,在相位锁值分析单元对建立的邻接矩阵进行网络参数的计算,在连接指标分析单元计算网络参数,根据不同稀疏度下网络参数的变化构建稀疏度和网络参数的关系图,通过计算稀疏度和面积的关系,用表征的曲下面积值作为网络参数的替代特征;检功能连接检测模块对提取的曲下面积进行KS检验,并在显著性高的情况下使用极限学习机算法对其进行分类模型的构建并保存于本地。
本发明的进一步改进,格式转化单元将信号格式从16进制转化为10进制的电压格式。
本发明的进一步改进,数据存储单元对数据进行汇总编号储存。
本发明的进一步改进,数据预处理单元对数据执行滤波,伪迹检测,坏导替换,平均参考,基线矫正、独立成分分析去噪、分段的预处理操作。
本发明的进一步改进,脑网功能网络连接模块,通过PLV算法构建功能网络,通过改变阈值的变化来对网络进行构建,通过对不同比例阈值和网络参数的关系得到对应的曲下面积,并作为训练模型的特征。比例阈值为通过对所有拓扑矩阵内的元素进行排序,矩阵的总元素数目为,每次取对应的比例实现对稀疏度的控制。其中,N代表了节点的个数,则为比例阈值。下曲线面积计算方式可表示为:
其中,的值为计算的网络参数表征特征, 为两个连续的阈值之间的差值,可根据实际情况可供调整。
本发明的有益效果:
(1)通过权值网络的构建,能够有效的发现网络之间强度的变化,完善脑区相互作用形成的拓扑结构。
(2)通过分析,权值网络的网络参数,进一步体现网络之间的协同控制,并对抑郁症的精神机理从网络连接的角度更好的诠释。
(3)通过对不用阈值和对应网络参数的关系,建立整体网络具有代表性的属性值作为特征,以此能够建立全局的分类模型,最优化结果。
(4)在抑郁症诊断系统领域,通过此系统能够对患者作出评估,判断潜在的抑郁可能性,对临床医生抑郁症患者的诊断单起到辅助作用。
附图说明
图1是本发明的结构示意图。
图2是本发明数据导入模块结构示意图。
图3是本发明中数据分析模块示意图。
图4是本发明的操作流程图。
具体实施方式
为了加深对本发明的理解,下面将结合附图和实施例对本发明做进一步详细描述,该实施例仅用于解释本发明,并不对本发明的保护范围构成限定。
实施例:如图1所示,一种基于脑功能连接分析的抑郁症辅助诊断系统包括实验范式设计模块、数据导入模块、功能连接检测模块、数据分析模块,检测判断模块以及结果显示模块。本实施例中,系统平台采用Windows操作系统在Visaul Studio2017C#的开发环境下实现,数据存储与处理载体为64位计算机,人机交互界面载体为液晶触摸屏。
操作人员通过实验范式设计模块对实验对象参与的实验内容和实验流程进行设计。本实施例中,系统采取随机的方式设定对照和重复的组块实验方案。
操作人员通过实验范式设计模块对实验对象参与的实验内容和实验流程进行设计。本实施例中,系统采取随机的方式设定对照和重复的组块实验方案。
如图2所示,数据导入模块包括数据存储单元、格式转化单元、数据预处理单元。操作人选首先对采集的数据导入进行数据的存储,然后对数据的格式尽心转化,最后在预处理单元进行再执行滤波,伪迹检测,坏导替换,平均参考,基线矫正、独立成分分析去噪、分段的操作,并将预处理完数据保存于计算机本地。
如图3所示,数据分析模块包括需要检测的时间序列单元,相位锁值分析单元和连接指标分析单元。相位锁值分析单元用于基本的脑网络构建,连接指标分析单元用于网络参数的计算以及特征的提取。
如图4所示,本实施例的具体操作流程:
(1) 操作人员通过实验范式设计模块设计实验范式以及实验流程的安排。
(2) 操作人员通过导入先前检测的脑电信号,进行格式转化,后续由本地程序自动化处理,分别进行:数据预处理,脑网络构建,网络参数构建,重构特征提取,模型训练,将最终形成的模型用于检测诊断。
(3) 临床医生进行临床诊断后,对患者进行某一范式下脑电数据采集,经操作人员导入训练好的模型中,得到一份脑电评估报告。
(4) 临床医生根据报告和临床检测的结果,评估抑郁的风险,并进行后续治疗。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于脑功能连接分析的抑郁症诊断系统,其特征在于,包括实验范式设计模块、数据导入模块、功能连接检测模块、数据分析模块,检测判断模块和结果显示模块,所述数据导入模块连接数据存储单元、格式转化单元、数据预处理单元,所述数据分析模块包括需要检测的时间序列单元,相位锁值分析单元和连接指标分析单元,所述实验范式设计模块对实验对象参与的实验内容和流程进行具体的分析和处理,便于后续临床分析和诊断,所述数据导入模块通过将采集到的脑电数据进行读取和格式转化,再执行滤波,伪迹检测,坏导替换,平均参考,基线矫正、独立成分分析去噪、分段的预处理操作,所述功能连接检测模块通过对预处理后的数据进行标记分析,分为静息态和任务态,通过相位锁值的算法构建相应脑网络,并计算连接性强度,所述结果显示模块显示模型训练完后,最新数据的测试结果,能够告知临床医生潜在的患者抑郁症的倾向度,方便医生结合临床治疗进行诊断。
2.根据权利要求1所述的一种基于脑功能连接分析的抑郁症诊断系统,其特征在于,所述数据分析模块,通过比例阈值改变稀疏度,不同稀疏度的下的特性进行表征,在相位锁值分析单元对建立的邻接矩阵进行网络参数的计算,在连接指标分析单元计算网络参数,根据不同稀疏度下网络参数的变化构建稀疏度和网络参数的关系图,通过计算稀疏度和面积的关系,用表征的曲下面积值作为网络参数的替代特征。
3.根据权利要求2所述的一种基于脑功能连接分析的抑郁症诊断系统,其特征在于:所述检功能连接检测模块对提取的曲下面积进行KS检验,并在显著性高的情况下使用极限学习机算法对其进行分类模型的构建并保存于本地。
4.根据权利要3所述的一种基于脑功能连接分析的抑郁症诊断系统,其特征在于:所述,比例阈值是通过对所有拓扑矩阵内的元素进行排序,矩阵的总元素数目为,每次取对应的比例实现对稀疏度的控制,其中,N代表了节点的个数,则为比例阈值。
5.根据权利要4所述的一种基于脑功能连接分析的抑郁症诊断系统,其特征在于:所述的曲下面积的参数计算方法为:
其中,的值为计算的网络参数表征特征, 为两个连续的阈值之间的差值,可根据实际情况可供调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910799325.3A CN110522463B (zh) | 2019-08-28 | 2019-08-28 | 一种基于脑功能连接分析的抑郁症辅助诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910799325.3A CN110522463B (zh) | 2019-08-28 | 2019-08-28 | 一种基于脑功能连接分析的抑郁症辅助诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110522463A true CN110522463A (zh) | 2019-12-03 |
CN110522463B CN110522463B (zh) | 2022-07-01 |
Family
ID=68664762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910799325.3A Active CN110522463B (zh) | 2019-08-28 | 2019-08-28 | 一种基于脑功能连接分析的抑郁症辅助诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110522463B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111096743A (zh) * | 2020-01-09 | 2020-05-05 | 浙江传媒学院 | 一种基于代数拓扑的任务态脑电信号分析方法 |
CN112259241A (zh) * | 2020-10-23 | 2021-01-22 | 广州中医药大学第一附属医院 | 基于动态因果模型抑郁症脑功能连接改变检测系统及方法 |
CN112690777A (zh) * | 2021-01-13 | 2021-04-23 | 常州大学 | 一种基于状态转换动态脑网络算法的神经障碍诊断系统 |
CN114343639A (zh) * | 2022-01-05 | 2022-04-15 | 北京理工大学 | 一种基于聚类-融合的脑电信号特征识别分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103800011A (zh) * | 2014-02-18 | 2014-05-21 | 常州大学 | 一种基于功能磁共振成像的脑区效应连接分析系统 |
CN106650768A (zh) * | 2016-09-27 | 2017-05-10 | 北京航空航天大学 | 基于高斯图模型的脑网络建模与模式分类方法 |
CN107909117A (zh) * | 2017-09-26 | 2018-04-13 | 电子科技大学 | 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置 |
CN108257657A (zh) * | 2016-12-28 | 2018-07-06 | 复旦大学附属华山医院 | 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法 |
CN108354605A (zh) * | 2017-12-20 | 2018-08-03 | 佛山科学技术学院 | 基于静息态eeg信号的数学超常青少年脑功能连接网络分析方法 |
CN110013250A (zh) * | 2019-04-30 | 2019-07-16 | 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 |
-
2019
- 2019-08-28 CN CN201910799325.3A patent/CN110522463B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103800011A (zh) * | 2014-02-18 | 2014-05-21 | 常州大学 | 一种基于功能磁共振成像的脑区效应连接分析系统 |
CN106650768A (zh) * | 2016-09-27 | 2017-05-10 | 北京航空航天大学 | 基于高斯图模型的脑网络建模与模式分类方法 |
CN108257657A (zh) * | 2016-12-28 | 2018-07-06 | 复旦大学附属华山医院 | 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法 |
CN107909117A (zh) * | 2017-09-26 | 2018-04-13 | 电子科技大学 | 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置 |
CN108354605A (zh) * | 2017-12-20 | 2018-08-03 | 佛山科学技术学院 | 基于静息态eeg信号的数学超常青少年脑功能连接网络分析方法 |
CN110013250A (zh) * | 2019-04-30 | 2019-07-16 | 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 |
Non-Patent Citations (3)
Title |
---|
ROBERT OOSTENVELD ET AL: "《 FieldTrip: Open Source Software for Advanced Analysis of MEG, EEG, and Invasive Electrophysiological Data》", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》 * |
邹凌 等: "《基于同步EEG-fMRI采集的情绪认知重评数据特征》", 《自动化学报》 * |
龙雨涵 等: "《非线性脑区相关性分析及动态脑网络构建方法》", 《信号处理》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111096743A (zh) * | 2020-01-09 | 2020-05-05 | 浙江传媒学院 | 一种基于代数拓扑的任务态脑电信号分析方法 |
CN112259241A (zh) * | 2020-10-23 | 2021-01-22 | 广州中医药大学第一附属医院 | 基于动态因果模型抑郁症脑功能连接改变检测系统及方法 |
CN112259241B (zh) * | 2020-10-23 | 2024-02-13 | 广州中医药大学第一附属医院 | 基于动态因果模型抑郁症脑功能连接改变检测系统及方法 |
CN112690777A (zh) * | 2021-01-13 | 2021-04-23 | 常州大学 | 一种基于状态转换动态脑网络算法的神经障碍诊断系统 |
CN112690777B (zh) * | 2021-01-13 | 2023-03-21 | 常州大学 | 一种基于状态转换动态脑网络算法的神经障碍诊断系统 |
CN114343639A (zh) * | 2022-01-05 | 2022-04-15 | 北京理工大学 | 一种基于聚类-融合的脑电信号特征识别分析方法 |
CN114343639B (zh) * | 2022-01-05 | 2024-04-12 | 北京理工大学 | 一种基于聚类-融合的脑电信号特征识别分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110522463B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110522463A (zh) | 一种基于脑功能连接分析的抑郁症辅助诊断系统 | |
US11529103B2 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
CN103800011B (zh) | 一种基于功能磁共振成像的脑区效应连接分析系统 | |
US11324455B2 (en) | Artificial intelligence-based interference recognition method for electrocardiogram | |
EP3698709A1 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
EP3698708A1 (en) | Ecg information processing method and ecg workstation | |
CN109893126A (zh) | 基于脑功能网络特征的癫痫发作预测方法 | |
CN109920547A (zh) | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
Luo et al. | Multi-classification of arrhythmias using a HCRNet on imbalanced ECG datasets | |
CN109549644B (zh) | 一种基于脑电采集的人格特征匹配系统 | |
CN109509552A (zh) | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 | |
CN109222963A (zh) | 一种基于卷积神经网络的心电异常识别分类方法 | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
Khare et al. | Adazd-Net: Automated adaptive and explainable Alzheimer’s disease detection system using EEG signals | |
CN107095684A (zh) | 一种基于脑电的儿童自闭症风险评估系统 | |
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 | |
Zhang et al. | A CNN model for cardiac arrhythmias classification based on individual ECG signals | |
Busia et al. | Eegformer: Transformer-based epilepsy detection on raw eeg traces for low-channel-count wearable continuous monitoring devices | |
TWI288875B (en) | Multiple long term auto-processing system and method thereof | |
Cao et al. | Multi-task feature fusion network for Obstructive Sleep Apnea detection using single-lead ECG signal | |
CN111816270B (zh) | 大规模肝脏电子病历病变分类的属性并行约简Spark方法 | |
He et al. | Localization of myocardial infarction using a multi-branch weight sharing network based on 2-D vectorcardiogram | |
CN109044339A (zh) | 一种极限卷积神经网络的ecg信号诊断方法 | |
CN107837083A (zh) | 基于最小二乘支持向量机的j波自动检测方法 |
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 |