CN110680282A - 一种大脑暂时性异常态的检测方法、装置和系统 - Google Patents

一种大脑暂时性异常态的检测方法、装置和系统 Download PDF

Info

Publication number
CN110680282A
CN110680282A CN201910955286.1A CN201910955286A CN110680282A CN 110680282 A CN110680282 A CN 110680282A CN 201910955286 A CN201910955286 A CN 201910955286A CN 110680282 A CN110680282 A CN 110680282A
Authority
CN
China
Prior art keywords
brain
detecting
abnormal
dynamic system
signal
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
CN201910955286.1A
Other languages
English (en)
Other versions
CN110680282B (zh
Inventor
兰新家
张婉
张雪林
贾玉喜
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.)
Heilongjiang Luowei Intelligent Technology Co Ltd
Original Assignee
Heilongjiang Luowei Intelligent Technology 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 Heilongjiang Luowei Intelligent Technology Co Ltd filed Critical Heilongjiang Luowei Intelligent Technology Co Ltd
Priority to CN202010973122.4A priority Critical patent/CN112244765B/zh
Priority to CN201910955286.1A priority patent/CN110680282B/zh
Publication of CN110680282A publication Critical patent/CN110680282A/zh
Application granted granted Critical
Publication of CN110680282B publication Critical patent/CN110680282B/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
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • 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
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Neurology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种大脑暂时性异常态的检测方法、装置和系统。通过采用短时高维信号组成大脑动态系统的观测空间，可以避免要求观测信号时间足够长的需求，即缩短信号采集时间，提高检测效率，便于实战使用。此外，本发明的方法、装置和系统通过从大脑动态系统的演化轨迹识别关键全局特征。由于全局特征不同于局部特征，全局特征不易受外界输入或噪声的影响，从而可以实现从复杂的非平稳动态产生的噪声响应中推断出大脑暂时性异常态的关键特征信息。从而可实现便捷快速准确的异常人员排查作业。

Description

一种大脑暂时性异常态的检测方法、装置和系统
技术领域
本发明涉及一种脑检测的系统和方法，具体涉及一种大脑暂时性异常态的检测方法、装置和系统。
背景技术
目前，吸毒管控和毒驾检查等禁毒工作的主要问题在于发现的滞后性。年轻人通常在多次吸毒成瘾后才会被家人发觉，极容易错过成瘾前的最佳干预期。毒驾基本都是在造成恶性交通事故后，在事故起因调查过程中才查出是由于司机吸毒所致，无法事前避免悲剧的发生。因此，应对化解毒品问题带来的风险危害和保障人民群众健康福祉，最为有效的举措是实现吸毒诱发案件的前置性预防或者吸毒行为的及时发现介入。然而，现有的吸毒检测手段还无法满足前置性预防或者及时发现介入的需求。
现有技术中，发检和血检是最精准的技术手段，但是需要精密的检测设备，设备价格昂贵且需要一定的操作专业知识，使其在国内一线的公安基层难以得到广泛的采用，通常是设置在各地司法鉴定中心，由专业人员完成检测。“尿检板”和“唾液板”是通过检测体液(尿液和唾液)中的毒品或其代谢物来实现吸毒检测，操作上对比发检和血检来说相对简便。但由于尿检需要私密性，并且需要女性工作人员检查女性，但是基层单位不能保证女性工作人员总是在岗，使其在路边抽检或者公共场所抽检的可操作性不强。同时，采集体液(尿液和唾液)很容易造成疾病的传播，吸毒人群多数患有各种传染疾病(如肝病、艾滋病、梅毒等)，而一线民警或交警在现场执勤时很难有良好的安全防护措施，因此，严重威胁执勤警察的健康安全。此外，“尿检板”和“唾液板”的使用会产生大量的一次性消耗，并且检测时间也要长达五分钟左右。
功能近红外光谱成像技术(Functional near-infrared spectroscopy，fNIRS)作为一种无创光学脑成像技术，其具有无创、便携、低成本、可长时程连续监测、对适用人群无限制等特点，可以友好的在自然环境下进行脑功能活动的实时监测。fNIRS技术主要利用生物组织在近红外波长为650nm～950nm的“光学窗”内不同的光学特性，通过测量入射光强及出射光强实现脑活动的检测。光源发出的光经过头皮、颅骨、脑脊液以及大脑皮层的吸收、散射后，可通过与光源一定距离的探测器检测到，近红外光在组织中传播的轨迹呈“香蕉形”。
传统的近红外光技术假设大脑皮层的血氧状态与局部的神经元活动之间存在联系,因此可以通过测量脑组织血红蛋白浓度变化，来观察大脑局部区域血流量的动态变化，间接获取到大脑的神经活动。近红外光在组织的散射传播过程中，光子被吸收导致光衰减，fNIRS利用这一特性计算出血氧变化情况。
然而，传统的fNIRS技术需要基于大脑皮层的血氧状态或者浓度的变化以得出大脑各部分之间的神经元活动联系(功能连接量)的检测方法需要相对较长的观测信号时间，同时由于需要长时间精细化采集大脑各局部特征，易受外界输入或噪声的影响，效率低且检测成本高。不利于在公路、站卡等场景的快速准确排查。
发明内容
为解决上述至少一个问题，本发明提供的一种大脑暂时性异常态的检测方法、装置和系统。
本发明提供一种大脑暂时性异常态的检测方法，该方法包括以下步骤：
S100：基于出射光强信号获取受试者大脑动态系统的观测空间I；
S200：基于所述观测空间I重构所述大脑动态系统的相空间，得到本征分量构造；
S300：基于所述本征分量构造识别所述大脑动态系统的演化轨迹；
S400：判定所述大脑动态系统的活动态模式；
S500：基于所述判定结果确定所述受试者是否异常并输出结果。
进一步的，其中，所述步骤S100包括，
S110：采集短时高维信号；
S120：对所述短时高维信号预处理；
S130：利用预处理后的所述短时高维信号组成大脑动态系统的所述观测空间I；
其中，所述短时高维信号构成为多路检测通道同时采集的短时出射光强信号。
进一步的，所述重构实施为对所述大脑动态系统的观测空间I做奇异值分解，即：
I＝UΣV*
其中，所述大脑动态系统的动力学相空间Mv(t)可以通过右奇异矩阵V的前r个本征分量构造。
进一步的，所述演化轨迹基于线性解析分析得出，即
其中A和B分别是基本分量v(t)和残余力r(t)的线性动力学的回归系数。
进一步的，其中，所述步骤S400包括，
步骤S410：基于所述基本分量v(t)和残余力r(t)获得特征量；
步骤S420：根据所述特征量和分类模型确定大脑动态系统的活动态模式。
进一步的，其中，所述特征量包括，
第一个特征量，为基本分量v(t)；
第二个特征量，为残余力r(t)；
第三个特征量，为基本分量v(t)与残余力r(t)之和的希尔伯特变换。
进一步的，所述分类模型基于如下步骤预先构建：
步骤a)：获取大脑正常活动态演化轨迹的正常样本；
步骤b)：获取大脑暂时性异常态演化轨迹的异常样本；
步骤c)：建立大脑动态系统的活动态模式的分类模型，将所述正常样本与异常样本的数据点分成具有最大间距的不同类别。
进一步的，其中，
所述正常样本基于采集未摄入药品人员的出射光强信号，按照所述步骤S100至S300，对每个所述未摄入药品人员分别获得其大脑动态系统的演化轨迹，作为所述正常样本；
所述异常样本基于采集摄入药品人员的出射光强信号，按照所述步骤S100至S300，对每个所述摄入药品人员分别获得其大脑动态系统的演化轨迹，作为所述异常样本。
进一步的，所述预处理包括对所述出射光强信号归一化处理和滤波，其中，
所述归一化处理通过减均值除方差实现，所述滤波采用滤波器滤除低频和高频噪声。
进一步的，所述预处理实施为通过将对应于相同光源的参考信号来拟合每个探测信号，然后用每个探测信号减去相应的参考信号得到的拟合信号。
进一步的，所述观测空间I表示为：
Figure BDA0002227068260000041
其中，Ij表示所述短时高维信号中的第j路出射光强信号，1≤j≤k，所述短时高维信号总共包括k路出射光强信号，m表示所述出射光强信号的总采样点数为m。
其中，所述步骤S400包括，
步骤S410：基于共模空间模式提取大脑相空间的特征获得特征量；
步骤S420：根据所述特征量和分类模型确定大脑动态系统的活动态模式。
本方案通过采用短时高维信号组成大脑动态系统的观测空间，可以避免要求观测信号时间足够长的需求，即缩短信号采集时间，提高检测效率，便于实战使用。此外，本发明的方法通过从大脑动态系统的演化轨迹识别关键全局特征。由于全局特征不同于局部特征，全局特征不易受外界输入或噪声的影响，从而可以实现从复杂的非平稳动态产生的噪声响应中推断出大脑暂时性异常态的关键特征信息。
本发明还提供一种大脑暂时性异常态的检测方法，该方法包括以下步骤：
步骤A100：基于出射光强信号构建受试者大脑第一类相空间；
步骤A200：提取所述受试者大脑第一类相空间特征；
步骤B100：基于所述受试者大脑高维HbO2信号构建所述大脑动态系统的第二相空间；
步骤B200：基于共模空间模式提取所述第二相空间的特征获得第二特征量集；
步骤C：将所述第一特征量和第二特征量进行整合，形成更高维的特征集；
步骤D：至少部分地基于所述特征集判定所述大脑动态系统的活动态模式；
步骤E：基于所述判定结果确定所述受试者是否异常。
其中，所述步骤A100包括：
步骤A110：基于出射光强信号获取受试者大脑动态系统的第一观测空间；
步骤A120：基于所述第一观测空间重构所述大脑动态系统的第一相空间，得到第一本征分量构造。
其中，所述步骤A200包括：
步骤A210：基于所述第一本征分量构造识别所述大脑动态系统的第一演化轨迹，获得第一基本分量v1(t)和第一残余力r1(t)；
步骤A220：基于所述第一基本分量v1(t)和第一残余力r1(t)获得第一特征量。
其中，所述第二相空间构建方法包括：
步骤B110，采集探头中的每个光源辐射的两种波长的光波，通过修正的Lambert-Beer定律，计算获得HbO2信号；
步骤B120，利用低通滤波器对获得的HbO2信号进行滤波去除噪声；
步骤B130，用滤波处理后的HbO2信号生成大脑相空间矩阵。
本方案同时分别用出射光强信号和HbO2信号构建两个状态空间，通过融合两类特征，可以形成高维的特征集，有助于提高判定的准确性。
本发明还提供一种大脑暂时性异常态检测装置，包括主机和探头，
所述主机包括处理器、存储器、以及通信接口；
所述存储器用于存储至少包括代码、数据和结果；
所述通信接口用于跟所述探头进行通信；
所述探头采集受试者大脑相应区域的出射光强信号并传输给主机；
其中，所述处理器用于执行如前述大脑暂时性异常态的检测方法以鉴定大脑是否处于药品影响下的大脑暂时性异常态，并反馈结果。
进一步的，所述主机还包括显示屏用于显示检测结果。
进一步的，所述探头包括多个光源和多个探测器，其中，所述多个光源可以辐射至少一个以上的光波长，所述探测器的探测光谱范围涵盖所述光源的辐射波长。
进一步的，所述多个探测器可以接收同一个光源发出的光线经大脑的出射光强信号，以形成多个探测信号通道。
进一步的，所述探头还包括陀螺仪和/或加速度器传感器，用于检测探头的姿态变化或者抖动，用于去除所述探测器输出的出射光强信号中的运动伪迹。
本发明还提供一种大脑暂时性异常态检测系统，包括远程数据管理平台和多个如前述大脑暂时性异常态检测装置，所述检测装置包括，
通信电路，用于与数据管理平台无线通信。
进一步的，所述检测装置通过所述通信电路将检测结果实时传输给数据管理平台，或者，
所述检测装置对所述检测结果进行本地存储，定时或在网络通畅时将所述检测结果传输给数据管理平台，
所述数据管理平台包含数据库，将收到的检测结果存储在所述数据库中。
进一步的，所述检测装置还包括身份识别单元，所述身份识别单元至少部分包括：
身份证读取单元，用于支持身份证信息读取并进行与数据管理平台联网查询比对功能，和/或
指纹采集单元格，用于支持指纹采集录入并进行与数据管理平台联网查询比对功能，和/或
摄像头单元，用于支持现场拍照实时人脸识别比对，或者是与数据管理平台联网比对功能。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为多巴胺传输路径示意图；
图2为一种大脑暂时性异常态检测方法的示意图；
图3为获取大脑动态系统的观测空间的示意图；
图4为大脑相空间矩阵示意图；
图5为大脑正常活动态演化轨迹示意图；
图6为大脑暂时性异常态演化轨迹示意图；
图7为判定大脑动态系统的活动态模式示意图；
图8为构建分类模型的方法示意图；
图9为构建的分类模型示意图；
图10为一种大脑暂时性异常态的检测方法示意图；
图11为应用如图10所示方法的结果示例图；
图12为大脑暂时性异常态检测装置的使用方式示意图；
图13为大脑暂时性异常态的检测装置示意图；
图14为探头中光源和光电探测器的一种排布示意图；
图15为探头中光源和光电探测器的另一种排布示意图；
图16为大脑暂时性异常态的检测系统示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
大脑动态系统具有混沌、分岔和奇异吸引子等动力学行为，可以用高度非线性的动力学系统来描述。即大脑系统在不接受外界输入情况下靠自身动力学就能维持的非静息的稳定状态(active stationary state)，为此，需要两个基本条件：
1)神经元之间有兴奋性的互馈连接，没有外界输入的情况下，靠神经元之间的正反馈，网络就能维持住稳定活动。
2)系统同时还有抑制性的连接，避免系统活动因反复的正反馈而“爆炸”。大脑动态系统在正常活动态下，兴奋和抑制作用的比例总体上是平衡的，无外界输入情况下，大脑靠自身动力学维持获得非静息的稳定状态。
在某些对大脑产生影响的药品作用下，上述稳定状态被打破，大脑处于异常兴奋状态并且持续约为十几个小时后，大脑再恢复到正常活动态。大脑在药物影响下的异常兴奋状态被称为“大脑暂时性异常态”。此类兴奋类药物包括，但不限于，苯丙胺类、麦司卡林、可卡因、甲基苯丙胺、苯丙胺类兴奋剂等。如图1所示，人体在摄入兴奋类药物后，在中脑腹侧被盖区(ventral tagmental area，VTA)产生超大量的多巴胺(Dopamine)兴奋性神经递质。多巴胺两条主要传输路径分别是中脑边缘系统通道，即从VTA通往伏隔核(nucleusaccumbens)，以及中脑皮层通道，从VTA通往前额叶。多巴胺促使前额叶以及伏隔核的神经元兴奋性连接激增，破坏兴奋和抑制比例的平衡，使得大脑的动力学系统脱离非静息稳定态，形成异常的高兴奋活动状态，其效应的平均半衰期约为十几个小时。
基于此，如图2所示，本发明的一种大脑暂时性异常态的检测方法具体如下：
步骤S100：获取大脑动态系统的观测空间
大脑可以被认为是一个动态系统，每一段时刻或者每一个空间位置所探测到的出射光强信号都反映了脑动态系统中的一个特定状态，是脑动态系统的相空间的一个点。通过获取不同空间位置的出射光强信号，可以构建出脑动态系统的观测空间。
如图3所示，获取大脑动态系统的观测空间包括以下步骤：
步骤S110采集短时高维信号
通过包含多个近红外光源110和光电探测器120的探头100，形成多路检测通道。近红外光源110的发射光经过头皮、颅骨、脑脊液以及大脑皮层的吸收和散射后，出射光可通过与光源110一定距离的光电探测器120检测到。出射光的光强变化反映了对应空间部位的大脑活动状态。
在较短的采集时长内(例如10秒内)，多路检测通道同时采集出射光强信号，即获得多路的短时出射光强信号。多路的短时出射光强信号被称为短时高维信号。
步骤S120短时高维信号预处理
预处理可以包括对短时高维信号的归一化和滤波。将出射光强信号Ik归一化可通过减均值mean(Ik)除方差σ(Ik)实现。滤波可采用滤波器滤除低频和高频噪声。例如，采用三阶Butterworth滤波器，低通和高通的滤波截止频率分别设定为0.01Hz和0.8Hz。
近红外光在组织中传播的轨迹呈“香蕉形”，穿透深度相当于光电探测器120与光源110的距离的1/4。因此，通过光电探测器120与光源110的不同距离，可以获得不同深度反射的出射光强信号。当光电探测器120与光源110距离较近时，只能获得脑组织比较浅层的出射光强信号，只有光电探测器120与光源110距离较远时，才能获得脑组织比较深层的出射光强信号。但由于光子一定是先穿过浅层再抵达深层，因此，深层信号中会叠加浅层信号，并且呼吸、心脏活动和低频振荡等全身生理活动对浅层和深层信号都有影响。因此，将浅层信号作为参考信号，将深层信号作为探测信号。例如，对于相同的光源110，离此光源110距离最近的光电探测器120检测的出射光信号作为参考信号，其余接收此光源110出射光的光电探测器120检测的出射光信号作为探测信号。
因此，一些实施例中，通过拟合降噪进行预处理。拟合降噪是通过将对应于相同光源110的参考信号(浅层信号)来拟合每个探测信号(深层信号)，然后用每个探测信号减去对应于相同光源110的参考信号得到的拟合信号。由此，可以消除浅层干扰以及系统级干扰(例如，呼吸，心脏活动和低频振荡等全身生理活动)。
例如，用Is表示探测信号，Ir表示参考信号，If表示拟合信号。则拟合降噪步骤如下：
步骤S121：通过线性拟合获得If，If(t)＝a×Ir(t)+b.其中t表示离散时间指数。可以通过在整个时间间隔内最小化每个时间点的拟合信号If和探测信号Is之间的绝对差之和来确定参数a和b，即
Figure BDA0002227068260000111
步骤S122：拟合降噪后的出射光强信号为探测信号Is减去对应于相同光源110的参考信号得到的拟合信号If，即
I(t)＝Is(t)-If(t)
在一些实施例中，可以将短时高维信号中的每一路出射光强信号进行低通滤波，以去除生理噪声。例如：呼吸(0.2-0.3Hz)，心跳信号(0.8-1.2Hz)和血压震荡的Mayer波(约0.1Hz)所产生的生理噪声。
在一些实施例中，采用三阶切比雪夫(Chebyshev)II型滤波器，截止频率0.1Hz，阻带频率0.5Hz，通带损耗不超过6dB且阻带衰减至少为50dB。
在一些实施例中，采用小波滤波器，例如Daubechies-12小波进行十级分解。
在另一些实施例中，采用三阶巴特沃斯(Butterworth)滤波器，截止频率取为0.8Hz和0.01Hz。
步骤S130利用预处理后的短时高维信号组成大脑动态系统的观测空间
如图4所示，由预处理后的短时高维信号组成的观测空间I可表示为：
Figure BDA0002227068260000121
其中，Ij代表短时高维信号中的第j路出射光强信号，1≤j≤k，短时高维信号总共包括k路出射光强信号。m代表出射光强信号的总采样点数为m。由此，可以分别生成大脑正常活动态下的，即未受毒品影响的状态，正常相空间矩阵IN，和大脑暂时性异常态下，即受毒品影响的暂时性异常态，异常相空间矩阵IA。
步骤S200：重构大脑动态系统的相空间
假设大脑动力学相空间是由具有动力状态的隐藏非线性系统所产生的。存在从观测空间I构建的大脑动态系统的动力学相空间Mv(t)能够逼近原始非线性动力状态。
对大脑动态系统的观测空间I做奇异值分解(singular value decomposition,SVD)，即下式：
I＝UΣV*
大脑动态系统的动力学相空间
Figure BDA0002227068260000122
可以通过右奇异矩阵V的前r个本征分量构造。例如：r取为3，则动力学相空间
步骤S300：识别大脑动态系统的演化轨迹
为了识别大脑动态系统的整体演变的模式，将线性化应用于非线性动力学。采用线性解析分析(linearresolvent analysis，LRA)，即
Figure BDA0002227068260000124
其中A和B分别是基本分量v(t)和残余力r(t)的线性动力学的回归系数。
图5和图6分别显示了没有毒品作用下的大脑正常活动态演化轨迹示例和毒品作用下的大脑异常态演化轨迹示例。可以看出两者存在明显差异，得到的演化轨迹可以分为两个区域，即裙环区域31和中央磁盘区域32。正常活动态的轨迹主要集中在裙环区域31，而暂时性异常态的轨迹主要集中在中央磁盘区域32。
步骤S400：判定大脑动态系统的活动态模式
活动态模式分为正常活动态和暂时性异常态。如图7所示，判定大脑动态系统的活动态模式包含如下步骤：
步骤S410：获得特征量
利用基本分量v(t)和残余力r(t)可以得到，例如三个特征量：第一个特征量为v(t)本身；第二个特征量为r(t)本身；第三个特征量为r(t)与v(t)之和的希尔伯特变换，即H[v(t)+r(t)]。
在一些实施例中，可以采用共模空间模式(Common spatial patternfiltering,CSP)提取大脑相空间的特征。CPS的目标是最大化区分大脑正常活动态(对应正常相空间矩阵IN)和暂时性异常态(对应异常相空间矩阵IA)。
假定CoνN和CoνA分别是正常相空间矩阵IN和异常相空间矩阵IA的平均协方差矩阵。CSP滤波器可以通过Rayleigh商来获得，即
Figure BDA0002227068260000131
其中w表示空间滤波器，T代表转置。
Figure BDA0002227068260000132
Figure BDA0002227068260000133
其中NN代表正常类的数据总数，NA代表异常类的数据总数。
一系列的空间滤波器W＝[w1,w2,…,wn]，可以通过解决本征值问题获得
CoνNw＝λCoνAw
λ代表本征值并按照降序排列。可以选择前三个和后三个特征值，并且相应的特征向量表示两个类的空间滤波器。
估计的源信号可表示为：
Y＝WTI
计算在检测时间窗内信号的均值，斜率和方差，并将其作为特征。
在另一些实施例中，也可以采用主成分分析(Principle component analysis,PCA)，独立成分分析(Independent component analysis,ICA)，或者共平均参考(Commonaverage referencing,CAR)等方法来提取大脑相空间的特征。
步骤S420：根据特征量和分类模型确定大脑动态系统的活动态模式。
分类模型是预先通过大量数据训练的出的，也可以不断将新建测得数据增加到样本库中，更新训练集，优化分类模型。构建分类模型的方法如图8所示：
步骤a)：获取大脑正常活动态演化轨迹的样本。通过采集未摄入毒品人员的出射光强信号，按照上述步骤S100至S300，对每个人员分别获得其大脑动态系统的演化轨迹，作为大脑正常活动态演化轨迹的样本。
步骤b)：获取大脑暂时性异常态演化轨迹的样本。通过采集摄入毒品人员的出射光强信号，按照上述步骤S100至S300，对每个涉毒人员分别获得其大脑动态系统的演化轨迹，作为大脑暂时性异常态演化轨迹的样本。
步骤c)：建立大脑动态系统的活动态模式的分类模型。
通过线性判定分析(Linear discriminant analysis,LDA)，确定决策超平面，将数据点分成具有最大间距的不同类别。其中，线性判定分析(LDA)是对费舍尔的线性鉴别方法的归纳，使用统计学，模式识别和机器学习方法，试图找到两类物体或事件的特征的一个线性组合，以能够特征化或区分它们。所得的组合可用来作为一个线性分类器，或者，为后续的分类做降维处理。在对自变量每一次观察测量值都是连续量的时候，LDA能有效的起作用。下面对LDA具体计算方法进行描述：
考虑在已知类y中每一个对象或事件的一组观察量
Figure BDA0002227068260000151
(也称为特征、属性、变量或测量)。这一组样品是被称为训练集合。分类的问题，就是在仅给出一个观察量
Figure BDA0002227068260000152
为y类找到一个良好的预测器，把任意具有相同分布的样品(不必须来自训练集合)都判断正确。
LDA的方法是，通过假设条件概率密度函数
Figure BDA0002227068260000153
和
Figure BDA0002227068260000154
都是正态分布，分别具有均值和协方差
Figure BDA0002227068260000155
和
Figure BDA0002227068260000156
根据这一假设，贝叶斯最佳解决方案是如果预测点按以下公式计算可能性比率的对数低于某一阈值T，它就看作属于第二类：
Figure BDA0002227068260000157
LDA做出额外简化的方差齐性假设(即，不同类之间协方差是相同的，所以∑0＝∑1＝∑，并且协方差是满秩的。在这种情况下，可以消掉一些项：
Figure BDA0002227068260000158
Figure BDA0002227068260000159
因为∑i是埃尔米特矩阵
如此，上面的判断准则就变成判断一个点积的阈值
Figure BDA00022270682600001510
对于某些阈值常数c，当
Figure BDA00022270682600001512
这意味着，一个输入
Figure BDA00022270682600001513
属于类y的标准就纯粹成为一个已知观察值的线性组合的函数。
从几何学的角度来看：判断一个输入
Figure BDA00022270682600001514
是否为类y标准就是一个将多维空间上的点
Figure BDA00022270682600001515
投影到矢量
Figure BDA00022270682600001516
(我们仅仅考虑其方向)的函数。换句话说，如果相对应的位于一个垂直于
Figure BDA00022270682600001518
的超平面的某一侧，那么观察值就属于y类。平面的位置由阈值c来决定。由此，可以得出如图9所示的分类模型图。
在另一些实施例中，也可以用支持向量机(Support vector machine,SVM)，深度学习(ANN)等。
图9为从18人获得异常类实测数据和14人获得正常类实测数据，按照上述方法获得的分类模型。其中粗虚线代表分界面。
其中正常类数据全部落入正常态分类中。15个异常类实测数据落入异常态分类中，有3个异常类实测数据落在两类之外，成为不能正确归类的不确定点。
再次参见图7，根据特征量和分类模型确定大脑动态系统的活动态模式，即为将获得的特征量输入分类模型中，即可根据所在投影空间位置确定当前测试是正常活动态还是暂时性异常态。
S500：基于所述判定结果确定所述受试者是否异常并输出结果。
当判定受试者处于正常活动态时，输出其目前正常的指示；当判定受试者处于暂时性异常态时，输出其目前异常的指示；当判定受试者处于不确定状态时，输出风险提示，从而可对其进行进一步检测，以排除其滥用药物导致精神状态异常的可能。
本发明的方法通过采用短时高维信号组成大脑动态系统的观测空间，可以避免要求观测信号时间足够长的需求，即缩短信号采集时间，提高检测效率，便于实战使用。此外，本发明的方法通过从大脑动态系统的演化轨迹识别关键全局特征。由于全局特征不同于局部特征，全局特征不易受外界输入或噪声的影响，从而可以实现从复杂的非平稳动态产生的噪声响应中推断出大脑暂时性异常态的关键特征信息。
图10为大脑暂时性异常态的检测方法的另一个示例。
如图10所示，其中检测方法如下：
步骤A100：基于出射光强信号构建受试者大脑第一类相空间。具体包括：
步骤A110：基于出射光强信号获取受试者大脑动态系统的第一观测空间；
步骤A120：基于所述第一观测空间重构所述大脑动态系统的第一相空间，得到第一本征分量构造；
步骤A200：提取受试者大脑第一类相空间特征。具体包括：
步骤A210：基于所述第一本征分量构造识别所述大脑动态系统的第一演化轨迹，获得第一基本分量v1(t)和第一残余力r1(t)；
步骤A220：基于所述第一基本分量v1(t)和第一残余力r1(t)获得第一特征量；
步骤B100：基于所述受试者大脑高维HbO2信号构建所述大脑动态系统的第二相空间。其中，Hb是指血红蛋白，HbO2是指携带了氧的血红蛋白即氧合血红蛋白。
第二相空间构建方法包括：
步骤B110，采集探头100中的每个光源110辐射的两种波长的光波，通过修正的Lambert-Beer定律，计算获得HbO2信号。
步骤B120，利用低通滤波器对获得的HbO2信号进行滤波去除噪声；例如：可以采用20阶FIR汉明窗滤波器，截止频率为0.1Hz。
步骤B130，用滤波处理后的HbO2信号生成大脑相空间矩阵。
Figure BDA0002227068260000171
步骤B200：基于共模空间模式提取所述第二相空间的特征获得第二特征量集。此步骤类似于步骤S410，此处不再累述。
步骤C：将所述第一特征量和第二特征量进行整合，形成更高维的特征集。
步骤D：至少部分地基于所述特征集判定所述大脑动态系统的活动态模式；分类大脑暂时性异常态和正常态。与步骤S420类似，此处不再累述。
步骤E：基于所述判定结果确定所述受试者是否异常并输出结果。
当判定受试者处于正常活动态时，输出其目前正常的指示；当判定受试者处于暂时性异常态时，输出其目前异常的指示；当判定受试者处于不确定状态时，输出风险提示，从而可对其进行进一步检测，以排除其滥用药物导致精神状态异常的可能。
图11为从40人获得异常类实测数据和50人获得正常类实测数据，按照上述方法，从第一类相空间获取包含三个特征的第一特征量集，从第二类相空间获取包含三个特征的第二特征量级，整合为六维特征集，获得的分类模型。为了显示分类结果，图11选取其中三位特征进行显示，灰色阴影代表代表分界面。其中正常类数据全部落入正常态分类中。39个异常类实测数据落入异常态分类中，有1个异常类实测数据落正常类数据中。
由此可知，图10所示方法与图2所示方法不同之处在于，同时分别用出射光强信号和HbO2信号构建两个状态空间，通过融合两类特征，可以形成高维的特征集，有助于提高判定的准确性。
本发明还提供一种可实施上述暂时性异常态检测方法的大脑暂时性异常态检测装置，其使用方式如图12所示。检测装置可以分为主机200和探头100两部分，测试过程中，可将探头100贴合在被测人的额头或者太阳穴等位置。由图1中的多巴胺传输路径可知，额头对应的前额叶脑区或者太阳穴对应伏隔核脑区均在多巴胺传输路径内。
图13为大脑暂时性异常态的检测装置。主机200包括处理器210、存储器220、以及通信接口230。处理器210用于执行大脑暂时性异常态的检测方法。处理器210可以是单片机、CPU等。存储器220用于存储代码、数据、结果等。通信接口230用于跟探头100的通信接口130进行通信。存储器220可以是闪存、云盘、硬盘等。主机200和探头100之间可以有线连接(如USB、串口等)或者无线连接(如蓝牙、WIFI等)。主机200和探头100的通信包括主机200向探头100传输的控制指令(如检测指令)以及探头100向主机200传输数据(如采集到的出射光强信号)等。探头100采集出射光强信号并传输给主机200，主机200执行大脑暂时性异常态的检测方法，鉴定大脑是否处于毒品影响下的大脑暂时性异常态。进一步主机200还可以包括显示装置用于显示检测结果，显示装置可以是触摸感应显示屏、手持智能终端、道路站卡警示屏、可交互头戴设备等。
探头100包括多个光源110和多个光电探测器120。多个光源110可以辐射至少一个以上的光波长，辐射的光波长在700-900nm之间。在一些实施例中，每个光源110可以辐射单个波长的光波，例如840nm。在一些实施例中，每个光源110可以辐射两种波长的光波，可以是一个波长在氧合血红蛋白和脱氧血红蛋白的等吸收点之上(即大于等吸收点的波长)，另一个波长在等吸收点之下(即小于等吸收点的波长)，例如770nm和840nm。光电探测器120的探测光谱范围涵盖光源110的辐射波长。
可以采用光源110复用的方式(即多个光电探测器120可以接收同一个光源110发出的光线经大脑的出射光强信号，以形成多个探测信号通道)，由此，在获取高维信号的同时减小探头100尺寸，有助于提高设备的便携性。
图14为探头100中多个光源110和多个光电探测器120的一种示例性排布。探头100中包括四个光源110(图中由字母S表示)和四个光电探测器120(图中由字母D表示)。光源110与光电探测器120的间距范围可为5mm-30mm之间，光源110间距可以在5-10mm之间。光源110和光电探测器120间的每一条连线代表一个探测信号通道，每一条虚线连线代表一个参考信号通道。一个光源110与周围多个光电探测器120形成多个探测信号通道，与一个距离最近的光电探测器120形成一个对应的参考信号通道。例如，光源S2分别与D1、D2、D4、D5和D6形成S2-D1、S2-D2、S2-D4、S2-D5和S2-D6五个探测信号通道，以及与D3形成一个对应的参考信号通道S2-D3。一个光源与周围多个光电探测器120形成多个探测信号通道，由此，利用四个光源和四个光电探测器120可以形成16个空间维度检测通道。
需要注意的是，图14仅为示例性的，探头100中光源110和光电探测器120的数量以及排布方式不限于此，只要能形成高维探测信号通道即可。例如，可以采用三个光源110和六个光电探测器120，即去掉图14中的任意一列光源110和光电探测器120。再如，也可以采用四个光源110和四个光电探测器120，即去掉图14中第一排光电探测器120。
在一些实施例中，探头100中多个光源110和多个探测器120的排布可以如图15所示，探头100中包括四个光源110(图中由字母S表示)和四个探测器120(图中由字母D表示)。光源110与探测器120的间距范围可为5mm-30mm之间，光源110间距可以在5-10mm之间。光源110和探测器120间的每一条连线代表一个探测信号通道。一个光源110与周围多个探测器120形成多个探测信号通道，由此，利用四个光源110和四个探测器120可以形成10个空间维度检测通道。
在一些实施例中，探头100还可以包括陀螺仪或者加速度器等传感器，用于检测探头100的姿态变化或者抖动，用于去除近红外光电探测器120输出的信号中的运动伪迹。
本发明还公开了一种大脑暂时性异常态检测系统。如图16所示，检测系统包括远程数据管理平台和多个所述大脑暂时性异常态的检测装置。检测装置进一步包含通信电路用于与数据管理平台无线通信。检测装置通过通信电路可以将检测结果实时传输给数据管理平台。也可以是本地存储数据，定时或者检测有网络时将检测结果传输给数据管理平台。数据管理平台包含数据库，将收到的检测结果存储在数据库中。此外，检测装置还可以进一步包括身份证读取单元，用于支持身份证信息读取并进行与数据管理平台联网查询比对功能。检测装置还可以进一步包括指纹采集单元，用于支持指纹采集录入并进行与数据管理平台联网查询比对功能。检测装置还可以进一步包括摄像头单元，用于支持现场拍照实时人脸识别比对，或者是与数据管理平台联网比对功能。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (24)

1.一种大脑暂时性异常态的检测方法，其特征在于，该方法包括以下步骤：
S100：基于出射光强信号获取受试者大脑动态系统的观测空间I；
S200：基于所述观测空间I重构所述大脑动态系统的相空间，得到本征分量构造；
S300：基于所述本征分量构造识别所述大脑动态系统的演化轨迹；
S400：判定所述大脑动态系统的活动态模式；
S500：基于所述判定结果确定所述受试者是否异常。
2.根据权利要求1所述的大脑暂时性异常态的检测方法，其特征在于，
其中，所述步骤S100包括，
S110：采集短时高维信号；
S120：对所述短时高维信号预处理；
S130：利用预处理后的所述短时高维信号组成大脑动态系统的所述观测空间I；
其中，所述短时高维信号构成为多路检测通道同时采集的短时出射光强信号。
3.根据权利要求1所述的大脑暂时性异常态的检测方法，其特征在于，所述重构实施为对所述大脑动态系统的观测空间I做奇异值分解，即：
I＝U∑V*
其中，所述大脑动态系统的动力学相空间
Figure FDA0002227068250000012
可以通过右奇异矩阵V的前r个本征分量构造。
4.根据权利要求1所述的大脑暂时性异常态的检测方法，其特征在于，所述演化轨迹基于线性解析分析得出，即
Figure FDA0002227068250000011
其中A和B分别是基本分量v(t)和残余力r(t)的线性动力学的回归系数。
5.根据权利要求4所述的大脑暂时性异常态的检测方法，其特征在于，
其中，所述步骤S400包括，
步骤S410：基于所述基本分量v(t)和残余力r(t)获得特征量；
步骤S420：根据所述特征量和分类模型确定大脑动态系统的活动态模式。
6.根据权利要求5所述的大脑暂时性异常态的检测方法，其特征在于，
其中，所述特征量包括，
第一个特征量，为基本分量v(t)；
第二个特征量，为残余力r(t)；
第三个特征量，为基本分量v(t)与残余力r(t)之和的希尔伯特变换。
7.根据权利要求6所述的大脑暂时性异常态的检测方法，其特征在于，
所述分类模型基于如下步骤预先构建：
步骤a)：获取大脑正常活动态演化轨迹的正常样本；
步骤b)：获取大脑暂时性异常态演化轨迹的异常样本；
步骤c)：建立大脑动态系统的活动态模式的分类模型，将所述正常样本与异常样本的数据点分成具有最大间距的不同类别。
8.根据权利要求7所述的大脑暂时性异常态的检测方法，其特征在于，其中，
所述正常样本基于采集未摄入药品人员的出射光强信号，按照所述步骤S100至S300，对每个所述未摄入药品人员分别获得其大脑动态系统的演化轨迹，作为所述正常样本；
所述异常样本基于采集摄入药品人员的出射光强信号，按照所述步骤S100至S300，对每个所述摄入药品人员分别获得其大脑动态系统的演化轨迹，作为所述异常样本。
9.根据权利要求2所述的大脑暂时性异常态的检测方法，其特征在于，
所述预处理包括对所述出射光强信号归一化处理和滤波，其中，
所述归一化处理通过减均值除方差实现，所述滤波采用滤波器滤除低频和高频噪声。
10.根据权利要求2所述的大脑暂时性异常态的检测方法，其特征在于，
所述预处理实施为通过将对应于相同光源的参考信号来拟合每个探测信号，然后用每个探测信号减去相应的参考信号得到的拟合信号。
11.根据权利要求2所述的大脑暂时性异常态的检测方法，其特征在于，
所述观测空间I表示为：
其中，Ij表示所述短时高维信号中的第j路出射光强信号，1≤j≤k，所述短时高维信号总共包括k路出射光强信号，m表示所述出射光强信号的总采样点数为m。
12.根据权利要求1所述的大脑暂时性异常态的检测方法，其特征在于，
其中，所述步骤S400包括，
步骤S410：基于共模空间模式提取大脑相空间的特征获得特征量；
步骤S420：根据所述特征量和分类模型确定大脑动态系统的活动态模式。
13.一种大脑暂时性异常态的检测方法，其特征在于，该方法包括以下步骤：
步骤A100：基于出射光强信号构建受试者大脑第一类相空间；
步骤A200：提取所述受试者大脑第一类相空间特征；
步骤B100：基于所述受试者大脑高维HbO2信号构建所述大脑动态系统的第二相空间；
步骤B200：基于共模空间模式提取所述第二相空间的特征获得第二特征量集；
步骤C：将所述第一特征量和第二特征量进行整合，形成更高维的特征集；
步骤D：至少部分地基于所述特征集判定所述大脑动态系统的活动态模式；
步骤E：基于所述判定结果确定所述受试者是否异常。
14.根据权利要求13所述的大脑暂时性异常态的检测方法，其特征在于，
所述步骤A100包括：
步骤A110：基于出射光强信号获取受试者大脑动态系统的第一观测空间；
步骤A120：基于所述第一观测空间重构所述大脑动态系统的第一相空间，得到第一本征分量构造。
15.根据权利要求14所述的大脑暂时性异常态的检测方法，其特征在于，
所述步骤A200包括：
步骤A210：基于所述第一本征分量构造识别所述大脑动态系统的第一演化轨迹，获得第一基本分量v1(t)和第一残余力r1(t)；
步骤A220：基于所述第一基本分量v1(t)和第一残余力r1(t)获得第一特征量。
16.根据权利要求13所述的大脑暂时性异常态的检测方法，其特征在于，
所述第二相空间构建方法包括：
步骤B110，采集探头中的每个光源辐射的两种波长的光波，通过修正的Lambert-Beer定律，计算获得HbO2信号；
步骤B120，利用低通滤波器对获得的HbO2信号进行滤波去除噪声；
步骤B130，用滤波处理后的HbO2信号生成大脑相空间矩阵。
17.一种大脑暂时性异常态检测装置，其特征在于，包括主机和探头，
所述主机包括处理器、存储器、以及通信接口；
所述存储器用于存储至少包括代码、数据和结果；
所述通信接口用于跟所述探头进行通信；
所述探头采集受试者大脑相应区域的出射光强信号并传输给主机；
其中，所述处理器用于执行如权利要求1-16任一项所述的大脑暂时性异常态的检测方法以鉴定大脑是否处于药品影响下的大脑暂时性异常态，并反馈结果。
18.根据权利要求17所述的大脑暂时性异常态检测装置，其特征在于，
所述主机还包括显示屏用于显示检测结果。
19.根据权利要求17所述的大脑暂时性异常态检测装置，其特征在于，
所述探头包括多个光源和多个探测器，其中，所述多个光源可以辐射至少一个以上的光波长，所述探测器的探测光谱范围涵盖所述光源的辐射波长。
20.根据权利要求19所述的大脑暂时性异常态检测装置，其特征在于，所述多个探测器可以接收同一个光源发出的光线经大脑的出射光强信号，以形成多个探测信号通道。
21.根据权利要求17所述的大脑暂时性异常态检测装置，其特征在于，
所述探头还包括陀螺仪和/或加速度器传感器，用于检测探头的姿态变化或者抖动，用于去除所述探测器输出的出射光强信号中的运动伪迹。
22.一种大脑暂时性异常态检测系统，其特征在于，包括远程数据管理平台和多个如权利要求17-21种任一项所述的大脑暂时性异常态检测装置，
所述检测装置包括，
通信电路，用于与数据管理平台无线通信。
23.根据权利要求22所述的大脑暂时性异常态检测系统，其特征在于，
所述检测装置通过所述通信电路将检测结果实时传输给数据管理平台，或者，
所述检测装置对所述检测结果进行本地存储，定时或在网络通畅时将所述检测结果传输给数据管理平台，
所述数据管理平台包含数据库，将收到的检测结果存储在所述数据库中。
24.根据权利要求22所述的大脑暂时性异常态检测系统，其特征在于，
所述检测装置还包括身份识别单元，所述身份识别单元至少部分包括：
身份证读取单元，用于支持身份证信息读取并进行与数据管理平台联网查询比对功能，和/或
指纹采集单元格，用于支持指纹采集录入并进行与数据管理平台联网查询比对功能，和/或
摄像头单元，用于支持现场拍照实时人脸识别比对，或者是与数据管理平台联网比对功能。
CN201910955286.1A 2019-10-09 2019-10-09 一种大脑暂时性异常态的检测方法、装置和系统 Active CN110680282B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010973122.4A CN112244765B (zh) 2019-10-09 2019-10-09 一种大脑暂时性异常态的检测方法、装置和系统
CN201910955286.1A CN110680282B (zh) 2019-10-09 2019-10-09 一种大脑暂时性异常态的检测方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910955286.1A CN110680282B (zh) 2019-10-09 2019-10-09 一种大脑暂时性异常态的检测方法、装置和系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202010973122.4A Division CN112244765B (zh) 2019-10-09 2019-10-09 一种大脑暂时性异常态的检测方法、装置和系统

Publications (2)

Publication Number Publication Date
CN110680282A true CN110680282A (zh) 2020-01-14
CN110680282B CN110680282B (zh) 2020-10-27

Family

ID=69111774

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010973122.4A Active CN112244765B (zh) 2019-10-09 2019-10-09 一种大脑暂时性异常态的检测方法、装置和系统
CN201910955286.1A Active CN110680282B (zh) 2019-10-09 2019-10-09 一种大脑暂时性异常态的检测方法、装置和系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202010973122.4A Active CN112244765B (zh) 2019-10-09 2019-10-09 一种大脑暂时性异常态的检测方法、装置和系统

Country Status (1)

Country Link
CN (2) CN112244765B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112545503A (zh) * 2020-12-09 2021-03-26 中南民族大学 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
CN112560931A (zh) * 2020-12-09 2021-03-26 中南民族大学 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
CN112617824A (zh) * 2020-12-09 2021-04-09 中南民族大学 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
CN114176598A (zh) * 2021-12-22 2022-03-15 昆明市儿童医院 基于多模态的癫痫发病预警方法及智能手环装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030199781A1 (en) * 2002-04-22 2003-10-23 Fuji Xerox Co., Ltd. Automatic electroencephalogram analysis apparatus and method
CN101488162A (zh) * 2008-01-17 2009-07-22 复旦大学 一种用于脑电信号自动评估的脑电信号特征提取方法
CN104375635A (zh) * 2014-08-14 2015-02-25 华中科技大学 一种快速近红外脑机接口方法
KR20160121348A (ko) * 2015-04-09 2016-10-19 대한민국(국립재활원장) 기능적 근적외선 분광법의 뇌활성도 측정에 따른 유효 채널 추출 방법 및 장치
CN106618483A (zh) * 2015-10-30 2017-05-10 西双版纳生物医学研究院 基于生理状态应激变异的检测方法及系统和应用
US9848812B1 (en) * 2013-07-19 2017-12-26 The United States Of America As Represented By The Administrator Of National Aeronautics And Space Administration Detection of mental state and reduction of artifacts using functional near infrared spectroscopy (FNIRS)
CN109330609A (zh) * 2018-09-21 2019-02-15 国家康复辅具研究中心 一种基于近红外光谱技术的自适应脑神经反馈方法及系统
CN109858356A (zh) * 2018-12-27 2019-06-07 北京邮电大学 一种未知复杂系统输入信号的检测方法及装置
CN109924975A (zh) * 2019-04-04 2019-06-25 燕山大学 基于复杂脑网络分析的注意力水平检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156541B (zh) * 2010-05-13 2012-05-23 天津大学 前额脑电与血氧信息融合的人机交互方法
JP5959016B2 (ja) * 2011-05-31 2016-08-02 国立大学法人 名古屋工業大学 認知機能障害判別装置、認知機能障害判別システム、およびプログラム
CN104182042B (zh) * 2014-08-14 2017-07-11 华中科技大学 一种多模态信号的脑机接口方法
US10928472B2 (en) * 2016-01-14 2021-02-23 Technion Research & Development Foundation Limited System and method for brain state classification

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030199781A1 (en) * 2002-04-22 2003-10-23 Fuji Xerox Co., Ltd. Automatic electroencephalogram analysis apparatus and method
CN101488162A (zh) * 2008-01-17 2009-07-22 复旦大学 一种用于脑电信号自动评估的脑电信号特征提取方法
US9848812B1 (en) * 2013-07-19 2017-12-26 The United States Of America As Represented By The Administrator Of National Aeronautics And Space Administration Detection of mental state and reduction of artifacts using functional near infrared spectroscopy (FNIRS)
CN104375635A (zh) * 2014-08-14 2015-02-25 华中科技大学 一种快速近红外脑机接口方法
KR20160121348A (ko) * 2015-04-09 2016-10-19 대한민국(국립재활원장) 기능적 근적외선 분광법의 뇌활성도 측정에 따른 유효 채널 추출 방법 및 장치
CN106618483A (zh) * 2015-10-30 2017-05-10 西双版纳生物医学研究院 基于生理状态应激变异的检测方法及系统和应用
CN109330609A (zh) * 2018-09-21 2019-02-15 国家康复辅具研究中心 一种基于近红外光谱技术的自适应脑神经反馈方法及系统
CN109858356A (zh) * 2018-12-27 2019-06-07 北京邮电大学 一种未知复杂系统输入信号的检测方法及装置
CN109924975A (zh) * 2019-04-04 2019-06-25 燕山大学 基于复杂脑网络分析的注意力水平检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHEN ZHANG, YANCHUN ZHENG, DAIFA WANG 等: "Application of a common spatial pattern-based algorithm for an fNIRS-based motor imagery brain-computer interface", 《NEUROSCIENCE LETTERS》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112545503A (zh) * 2020-12-09 2021-03-26 中南民族大学 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
CN112560931A (zh) * 2020-12-09 2021-03-26 中南民族大学 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
CN112617824A (zh) * 2020-12-09 2021-04-09 中南民族大学 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
CN112545503B (zh) * 2020-12-09 2021-09-07 中南民族大学 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
CN112617824B (zh) * 2020-12-09 2021-10-01 南京睿蜂健康医疗科技有限公司 一种基于多通道fNIRS信号的冰毒成瘾者检测系统
CN112560931B (zh) * 2020-12-09 2021-11-05 中南民族大学 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
CN114176598A (zh) * 2021-12-22 2022-03-15 昆明市儿童医院 基于多模态的癫痫发病预警方法及智能手环装置
CN114176598B (zh) * 2021-12-22 2023-09-29 昆明市儿童医院 基于多模态的癫痫发病预警方法及智能手环装置

Also Published As

Publication number Publication date
CN112244765B (zh) 2023-07-07
CN110680282B (zh) 2020-10-27
CN112244765A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN110680282B (zh) 一种大脑暂时性异常态的检测方法、装置和系统
US10022082B2 (en) Apparatus and method for detecting a state of a driver based on biometric signals of the driver
US10806390B1 (en) System and method for detecting physiological state
WO2021174618A1 (zh) 一种脑电图模式分类模型的训练方法、分类方法及系统
Alqudah et al. ECG heartbeat arrhythmias classification: A comparison study between different types of spectrum representation and convolutional neural networks architectures
CN101784227B (zh) 激光散斑成像系统和方法
Elgendi et al. Machine learning ranks ECG as an optimal wearable biosignal for assessing driving stress
Kong et al. A system of driving fatigue detection based on machine vision and its application on smart device
US20090082642A1 (en) System and method for measurement of biological parameters of a subject
Beyrami et al. A robust, cost-effective and non-invasive computer-aided method for diagnosis three types of neurodegenerative diseases with gait signal analysis
EP3030151A1 (en) System and method for detecting invisible human emotion
US11864860B2 (en) Biometric imaging and biotelemetry system
CN114423341A (zh) 用于血液生物标志物的基于相机的量化的系统和方法
Liu et al. Unsupervised fNIRS feature extraction with CAE and ESN autoencoder for driver cognitive load classification
Zorko et al. Heart rhythm analyzed via shapelets distinguishes sleep from awake
Son et al. Human performance assessment using fNIR
Wu et al. Unobtrusive monitoring of sedentary behaviors with fusion of bluetooth and ballistocardiogram signals
CN113951886A (zh) 一种脑磁纹生成系统及测谎决策系统
WO2022076381A4 (en) Health analysis using a spectral sensor system
Chen et al. Deep learning approach for detection of unfavorable driving state based on multiple phase synchronization between multi-channel EEG signals
Mazing et al. Medical diagnostic intelligent system for recognizing of the functional state of a person
Causa et al. Analysis of behavioural curves to classify iris images under the influence of alcohol, drugs, and sleepiness conditions
Deshmukh Study of Online Driver Distraction Analysis using ECG-Dynamics
Li et al. Non-contact real-time monitoring of driver’s physiological parameters under ambient light condition
KR102654796B1 (ko) 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 시스템 및 그 방법

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