CN110811648A - 一种基于残差卷积神经网络的抑郁倾向评估系统 - Google Patents

一种基于残差卷积神经网络的抑郁倾向评估系统 Download PDF

Info

Publication number
CN110811648A
CN110811648A CN201911138968.XA CN201911138968A CN110811648A CN 110811648 A CN110811648 A CN 110811648A CN 201911138968 A CN201911138968 A CN 201911138968A CN 110811648 A CN110811648 A CN 110811648A
Authority
CN
China
Prior art keywords
neural network
depression
convolutional neural
subject
unit
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
Application number
CN201911138968.XA
Other languages
English (en)
Inventor
李岱
郑芮
柏德祥
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.)
Adam Technology (beijing) Co Ltd
Original Assignee
Adam Technology (beijing) 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 Adam Technology (beijing) Co Ltd filed Critical Adam Technology (beijing) Co Ltd
Priority to CN201911138968.XA priority Critical patent/CN110811648A/zh
Publication of CN110811648A publication Critical patent/CN110811648A/zh
Pending legal-status Critical Current

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
    • A61B5/24—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]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A61B5/378—Visual stimuli
    • 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
    • A61B5/7203—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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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)
  • Signal Processing (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)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开了一种基于残差卷积神经网络的抑郁倾向评估系统，包括采集单元、预处理单元、提取单元和评估单元；抑郁评估实验中，采集单元采集受试者的多导联脑电信号；预处理单元预处理脑电信号；提取单元基于残差卷积神经网络，提取预处理后脑电信号的特征；评估单元将提取的各个导联的脑电信号特征通过回归模型训练和验证，计算出受试者的抑郁评估分数，进而对其抑郁倾向进行评估。本申请通过卷积残差神经网络直接从原始脑电信号中提取特征，增大了卷积网络深度，最大程度的提取了脑电信号的特征。本申请对各个导联的脑电信息进行回归模型训练，使得模型可以充分考虑大脑各个区域的相关性，从而使得模型可以同时处理不同大脑区域的脑电信号。

Description

一种基于残差卷积神经网络的抑郁倾向评估系统
技术领域
本发明属于抑郁评估技术领域，涉及一种基于残差卷积神经网络的抑郁倾向评估系统。
背景技术
重性抑郁障碍(Major Depression)是抑郁障碍中的典型疾病。其特征性地表现为明确的至少2周的发作，涉及情感、认知和植物神经功能的明显变化。研究显示，重性抑郁障碍12个月的患病率约为7％，是最为常见的精神疾病之一。
重性抑郁障碍早已成为精神卫生领域关注的热点问题，大量研究围绕重性抑郁障碍的病因、治疗和愈后而展开。在这些研究中，对抑郁倾向的早期甄别被认为对疾病的防治有着非常重要的作用。但是由于重性抑郁常与其他生理和心理疾病共病，对抑郁的早期甄别往往是很困难的。通常，对重性抑郁障碍的诊断基于精神障碍诊断与统计手册上对该疾病标准的描述。但在诊断过程中，由于人为因素的干扰，很难完全避免主观性的影响。如在收集病史时可能产生遗漏，或对某些症状的严重程度无意地夸大等。
近些年，随着机器学习算法的成熟，越来越多的研究者开始尝试使用生理和行为数据对重性抑郁障碍进行早期甄别，以降低主观性的影响，为精神科医生的诊断提供辅助。机器学习是利用计算机算法自动挖掘复杂数据更深层次的信息的一种方法，已经被广泛应用在图像识别、语音识别和疾病诊断等诸多领域。
脑电数据(EEG)蕴含了大脑丰富的生理信息，但由于信噪比较低，数据量大等原因使得脑电信难以被有效处理和分析。
发明内容
为解决现有技术中的不足，本申请提供一种基于残差卷积神经网络的抑郁倾向评估系统，基于残差卷积神经网络，对脑电信号进行自动特征提取、分析及有效训练，从而挖掘出可以有效反应受试者大脑特征的信息，以此在抑郁评估实验中，对受试者的抑郁程度进行划分。
为了实现上述目标，本申请采用如下技术方案：
一种基于残差卷积神经网络的抑郁倾向评估系统，包括采集单元、预处理单元、提取单元和评估单元；
所述采集单元，用于抑郁评估实验中，采集受试者的多导联脑电信号；
所述预处理单元，用于预处理所述脑电信号；
所述提取单元，用于基于残差卷积神经网络，提取预处理后脑电信号的特征；
所述评估单元，用于将提取单元提取的各个导联的脑电信号特征通过回归模型训练和验证，计算出受试者的抑郁评估分数，进而对其抑郁倾向进行评估。
本发明进一步包括以下方案：
优选地，所述评估系统的运行过程为：
抑郁评估实验中，采集单元采集受试者的多导联脑电信号；
预处理单元预处理所述脑电信号；
提取单元基于残差卷积神经网络，提取预处理后脑电信号的特征；
评估单元将提取的各个导联的脑电信号特征通过回归模型训练和验证，计算出受试者的抑郁评估分数，进而对其抑郁倾向进行评估。
优选地，所述抑郁评估实验中，通过便携式多导联脑电设备采集脑电信号，传感器为接触式湿电极，实验开始前将无害的导电膏打入湿电极中以增强电极与头皮的接触，所采集的脑电信号实时上传至云处理平台。
优选地，所述抑郁评估实验包括情绪刺激和认知实验，均事先经过标准化的评估，以保证受试者所面对的实验刺激唤起度相当，认知难度相当；
所述情绪刺激实验包括静态情绪刺激和动态情绪刺激；
所述静态情绪刺激由图片构成，其中一半为正性图片，一半为负性图片；
所述动态情绪刺激由短片构成，每段短片持续时间为20-100秒；
所述认知实验为：闪烁不同的数字序列，当出现所要求的数字序列时，受试者按下按钮，用于考察受试者的短期记忆能力。
优选地，预处理单元中，通过带通滤波和陷波处理，滤除电压数据1-70Hz以外的脑电信号，同时滤除50Hz的基频干扰；
通过一阶平滑处理，减小信号中噪声的影响。
优选地，提取单元的运行过程为：
通过一维卷积提取每一导联的脑电信号特征；
构建并训练残差卷积神经网络并对提取的脑电信号特征进行深层提取。
优选地，所述构建并训练残差卷积神经网络，具体为：
将每一层的神经网络输出向后输入到神经网络的更深层；
堆积若干残差块，使用残差块训练更深层的网络，从而形成残差卷积神经网络。
优选地，所述残差块包括两层卷积层，所述残差块的连接通过如下公式实现：
式中，x为上一层输出到该神经元的值；W为x传到该神经元经过的权重；y为x在某神经元内由激活函数求得的输出值。
优选地，所述两层卷积层，每个卷积层后都有一个激活函数。
优选地，评估单元的运行过程为：
提取每一导联的脑电信号特征在残差卷积神经网络的倒数第二层神经元权重；
将提取的神经元权重输入回归模型中，通过训练和验证回归模型得出各个导联的脑电信号特征所具有的抑郁评估权重；
将所述抑郁评估权重与各个导联的脑电信号特征数值的乘积线性相加得到受试者的抑郁评估分数；
返回回归模型参数并生成受试者的抑郁倾向报告。
本申请所达到的有益效果：
(1)本申请通过卷积残差神经网络直接从原始脑电信号中提取特征，增大了卷积网络深度，最大程度的提取了脑电信号的特征。
(2)本申请对各个导联的脑电信息进行回归训练，使得模型可以充分考虑大脑各个区域的相关性，从而使得模型可以同时处理不同大脑区域的脑电信号。
附图说明
图1是本申请一种基于残差卷积神经网络的抑郁倾向评估系统的结构框图；
图2是本申请一种基于残差卷积神经网络的抑郁倾向评估系统的运行流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本申请的一种基于残差卷积神经网络的抑郁倾向评估系统，所述评估系统包括采集单元、预处理单元、提取单元和评估单元；
所述采集单元，用于抑郁评估实验中，采集受试者的多导联脑电信号；
所述预处理单元，用于预处理所述脑电信号；
所述提取单元，用于基于残差卷积神经网络，提取预处理后脑电信号的特征；
所述评估单元，用于将提取单元提取的各个导联的脑电信号特征通过逻辑回归训练和验证，计算出受试者的抑郁评估分数，进而对其抑郁倾向进行评估。
如图2所示，所述评估系统的运行过程为：
抑郁评估实验中，采集单元采集受试者的多导联(多通道)脑电信号；
实施例中，所述抑郁评估实验中，通过便携式多导联脑电设备采集脑电信号，传感器为接触式湿电极，实验开始前将无害的导电膏打入湿电极中以增强电极与头皮的接触，所采集的脑电信号实时上传至云处理平台。
所述抑郁评估实验包括情绪刺激和认知测试实验，均事先经过标准化的评估，以保证受试者所面对的实验刺激唤起度相当，认知难度相当。
所述情绪刺激实验包括静态情绪刺激和动态情绪刺激；
所述静态情绪刺激由图片构成，其中一半为正性图片，一半为负性图片；
所述动态情绪刺激由短片构成，每段短片持续时间为20-100秒；
所述认知实验为：闪烁不同的数字序列，当出现所要求的数字序列时，受试者按下按钮，用于考察受试者的短期记忆能力。
预处理单元预处理所述脑电信号，包括带通滤波和陷波处理以及一阶平滑处理；
所述带通滤波和陷波处理，用于滤除电压数据1-70Hz以外的脑电信号，同时滤除50Hz的基频干扰；
所述一阶平滑处理，用于减小信号中噪声的影响。
提取单元基于残差卷积神经网络，提取预处理后脑电信号的特征；
实施例中，本发明基于深度学习框架keras，并在在GPU上运行，和传统特征提取不同，一维卷积可以有效的对脑电信号中的不同特征同时进行提取，而残差卷积神经网络可以有效解决梯度消失的问题，使模型在训练中收敛；
提取单元运行过程如下：
通过一维卷积提取每一导联的脑电信号特征；
构建并训练残差卷积神经网络并对提取的脑电信号特征进行深层提取。
特征的深度提取就是进行更多的卷积处理，使低层特征一直在卷积块中传递，提高特征利用率，通过上采样将大小相同的低层特征进行合并，提升模型泛化能力。
实施例中，所述构建并训练残差卷积神经网络，具体为：
将每一层的神经网络输出向后输入到神经网络的更深层；
堆积若干残差块，使用残差块训练更深层的网络，从而形成残差卷积神经网络。
所述残差块包括两层卷积层，其卷积核大小分别为20×1和50×1，所述残差块的连接通过如下公式实现：
式中，x为上一层输出到该神经元的值；W为x传到该神经元经过的权重；y为x在某神经元内由激活函数求得的输出值。
所述两层卷积层，每个卷积层后都有一个激活函数ReLU，用于克服梯度消失，加快训练速度。其函数式为：
f(x)＝max(0,x)
当卷积层的输出值x小于0时，激活函数ReLu将使得网络的激活输出值x为0，当卷积层的输出值x大于0时，激活函数的输出为卷积层原输出值。
评估单元将提取的各个导联的脑电信号特征通过逻辑回归训练和验证，计算出受试者的抑郁评估分数，进而对其抑郁倾向进行评估，运行过程如下：
提取每一导联的脑电信号特征在残差卷积神经网络的倒数第二层神经元权重；
将提取的神经元权重输入逻辑回归模型中，通过训练和验证逻辑回归模型得出各个导联的脑电信号特征所具有的抑郁评估权重V1，V2，V3，…，Vi；
将所述抑郁评估权重Vi与各个导联的脑电信号特征数值Fi的乘积线性相加得到受试者的抑郁评估分数D，公式如下：
Figure BDA0002280357930000052
返回逻辑回归模型参数并生成受试者的抑郁倾向报告。
具体实施例如下：
在数据采集之前，被测评的抑郁受试对象需要佩戴多导联脑电设备，佩戴好后，主试将受试者独自留在实验室内完成接下来的测试，过程中主试不再干预。
受试者按照要求连续完成3个实验任务，在第一个测试任务开始之前，有基线测量，要求受试者平静坐好，注视计算机显示器。基线测量结束后，进入第一个实验任务。
第一个为静态情绪刺激实验任务，显示器上会随机同时呈现4张图片，受试者可以自由地注视屏幕上出现的图片，图片包含正性和负性两类。
第二个为动态情绪刺激实验任务，显示器上会随机呈现短片，每个短片持续20-100秒，同样要求受试者自由观看短片，并按照要求在每段短片结束后，用自己的话简要概括短片的主要内容。
第三个为认知测试实验任务，显示器会出现不断闪烁的数字，当出现屏幕提示的数字时，受试者需要按下按钮。
记录受试者在完成所有任务过程中多导联脑电信息，并将其实时上传至望里科技人工智能数据处理云平台。
在平台中，通过对原始的脑电信号进行去噪等预处理；再通过残差卷积神经网络对各个导联的脑电信号进行进一步的处理并提取残差卷积神经网络倒数第二层的参数权重作为新的特征(抑郁评估权重)，并将此特征输入到逻辑回归模型中；通过已训练好的逻辑回归模型生成受试者的抑郁评估分数；将此抑郁评估分数返回系统中，并同时返回主要的模型参数并生成受试者的抑郁倾向报告。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.一种基于残差卷积神经网络的抑郁倾向评估系统，其特征在于：
所述评估系统包括采集单元、预处理单元、提取单元和评估单元；
所述采集单元，用于抑郁评估实验中，采集受试者的多导联脑电信号；
所述预处理单元，用于预处理所述脑电信号；
所述提取单元，用于基于残差卷积神经网络，提取预处理后脑电信号的特征；
所述评估单元，用于将提取单元提取的各个导联的脑电信号特征通过回归模型训练和验证，计算出受试者的抑郁评估分数，进而对其抑郁倾向进行评估。
2.根据权利要求1所述的一种基于残差卷积神经网络的抑郁倾向评估系统，其特征在于：
所述评估系统的运行过程为：
抑郁评估实验中，采集单元采集受试者的多导联脑电信号；
预处理单元预处理所述脑电信号；
提取单元基于残差卷积神经网络，提取预处理后脑电信号的特征；
评估单元将提取的各个导联的脑电信号特征通过回归模型训练和验证，计算出受试者的抑郁评估分数，进而对其抑郁倾向进行评估。
3.根据权利要求1或2所述的一种基于残差卷积神经网络的抑郁倾向评估系统，其特征在于：
所述抑郁评估实验中，通过便携式多导联脑电设备采集脑电信号，传感器为接触式湿电极，实验开始前将无害的导电膏打入湿电极中以增强电极与头皮的接触，所采集的脑电信号实时上传至云处理平台。
4.根据权利要求1或2所述的一种基于残差卷积神经网络的抑郁倾向评估系统，其特征在于：
所述抑郁评估实验包括情绪刺激和认知实验，均事先经过标准化的评估，以保证受试者所面对的实验刺激唤起度相当，认知难度相当；
所述情绪刺激实验包括静态情绪刺激和动态情绪刺激；
所述静态情绪刺激由图片构成，其中一半为正性图片，一半为负性图片；
所述动态情绪刺激由短片构成，每段短片持续时间为20-100秒；
所述认知实验为：闪烁不同的数字序列，当出现所要求的数字序列时，受试者按下按钮，用于考察受试者的短期记忆能力。
5.根据权利要求1或2所述的一种基于残差卷积神经网络的抑郁倾向评估系统，其特征在于：
预处理单元中，通过带通滤波和陷波处理，滤除电压数据1-70Hz以外的脑电信号，同时滤除50Hz的基频干扰；
通过一阶平滑处理，减小信号中噪声的影响。
6.根据权利要求1或2所述的一种基于残差卷积神经网络的抑郁倾向评估系统，其特征在于：
提取单元的运行过程为：
通过一维卷积提取每一导联的脑电信号特征；
构建并训练残差卷积神经网络并对提取的脑电信号特征进行深层提取。
7.根据权利要求6所述的一种基于残差卷积神经网络的抑郁倾向评估系统，其特征在于：
所述构建并训练残差卷积神经网络，具体为：
将每一层的神经网络输出向后输入到神经网络的更深层；
堆积若干残差块，使用残差块训练更深层的网络，从而形成残差卷积神经网络。
8.根据权利要求7所述的一种基于残差卷积神经网络的抑郁倾向评估系统，其特征在于：
所述残差块包括两层卷积层，所述残差块的连接通过如下公式实现：
Figure FDA0002280357920000021
式中，x为上一层输出到该神经元的值；W为x传到该神经元经过的权重；y为x在某神经元内由激活函数求得的输出值。
9.根据权利要求8所述的一种基于残差卷积神经网络的抑郁倾向评估系统，其特征在于：
所述两层卷积层，每个卷积层后都有一个激活函数。
10.根据权利要求1或2所述的一种基于残差卷积神经网络的抑郁倾向评估系统，其特征在于：
评估单元的运行过程为：
提取每一导联的脑电信号特征在残差卷积神经网络的倒数第二层神经元权重；
将提取的神经元权重输入回归模型中，通过训练和验证回归模型得出各个导联的脑电信号特征所具有的抑郁评估权重；
将所述抑郁评估权重与各个导联的脑电信号特征数值的乘积线性相加得到受试者的抑郁评估分数；
返回回归模型参数并生成受试者的抑郁倾向报告。
CN201911138968.XA 2019-11-20 2019-11-20 一种基于残差卷积神经网络的抑郁倾向评估系统 Pending CN110811648A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911138968.XA CN110811648A (zh) 2019-11-20 2019-11-20 一种基于残差卷积神经网络的抑郁倾向评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911138968.XA CN110811648A (zh) 2019-11-20 2019-11-20 一种基于残差卷积神经网络的抑郁倾向评估系统

Publications (1)

Publication Number Publication Date
CN110811648A true CN110811648A (zh) 2020-02-21

Family

ID=69557178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911138968.XA Pending CN110811648A (zh) 2019-11-20 2019-11-20 一种基于残差卷积神经网络的抑郁倾向评估系统

Country Status (1)

Country Link
CN (1) CN110811648A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111568446A (zh) * 2020-05-28 2020-08-25 兰州大学 结合人口学注意力机制的便携式脑电抑郁检测系统
CN112259237A (zh) * 2020-10-13 2021-01-22 阿呆科技（北京）有限公司 基于多情感刺激和多级分类模型的抑郁评估系统
CN112263253A (zh) * 2020-11-18 2021-01-26 山东大学 基于深度学习与心电信号的抑郁症识别系统、介质及设备
CN112971781A (zh) * 2020-12-30 2021-06-18 杭州电子科技大学 一种基于脑功能网络抑郁对比方法
CN115670463A (zh) * 2022-10-26 2023-02-03 华南理工大学 一种基于脑电情绪神经反馈信号的抑郁检测系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102715903A (zh) * 2012-07-09 2012-10-10 天津市人民医院 基于定量脑电图的脑电特征提取方法
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
CN109350051A (zh) * 2018-11-28 2019-02-19 华南理工大学 用于精神状态评估与调节的头部可穿戴设备及其工作方法
CN109585021A (zh) * 2018-11-28 2019-04-05 华南理工大学 基于全息投影技术的精神状态评估系统及其工作方法
CN109784023A (zh) * 2018-11-28 2019-05-21 西安电子科技大学 基于深度学习的稳态视觉诱发脑电身份识别方法及系统
CN109784242A (zh) * 2018-12-31 2019-05-21 陕西师范大学 基于一维残差卷积神经网络的脑电信号去噪方法
CN109846477A (zh) * 2019-01-29 2019-06-07 北京工业大学 一种基于频带注意力残差网络的脑电分类方法
CN109924990A (zh) * 2019-03-27 2019-06-25 兰州大学 一种基于emd算法的脑电信号抑郁症识别系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102715903A (zh) * 2012-07-09 2012-10-10 天津市人民医院 基于定量脑电图的脑电特征提取方法
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
CN109350051A (zh) * 2018-11-28 2019-02-19 华南理工大学 用于精神状态评估与调节的头部可穿戴设备及其工作方法
CN109585021A (zh) * 2018-11-28 2019-04-05 华南理工大学 基于全息投影技术的精神状态评估系统及其工作方法
CN109784023A (zh) * 2018-11-28 2019-05-21 西安电子科技大学 基于深度学习的稳态视觉诱发脑电身份识别方法及系统
CN109784242A (zh) * 2018-12-31 2019-05-21 陕西师范大学 基于一维残差卷积神经网络的脑电信号去噪方法
CN109846477A (zh) * 2019-01-29 2019-06-07 北京工业大学 一种基于频带注意力残差网络的脑电分类方法
CN109924990A (zh) * 2019-03-27 2019-06-25 兰州大学 一种基于emd算法的脑电信号抑郁症识别系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111568446A (zh) * 2020-05-28 2020-08-25 兰州大学 结合人口学注意力机制的便携式脑电抑郁检测系统
CN111568446B (zh) * 2020-05-28 2023-05-26 兰州大学 结合人口学注意力机制的便携式脑电抑郁检测系统
CN112259237A (zh) * 2020-10-13 2021-01-22 阿呆科技（北京）有限公司 基于多情感刺激和多级分类模型的抑郁评估系统
CN112259237B (zh) * 2020-10-13 2024-03-26 阿呆科技（北京）有限公司 基于多情感刺激和多级分类模型的抑郁评估系统
CN112263253A (zh) * 2020-11-18 2021-01-26 山东大学 基于深度学习与心电信号的抑郁症识别系统、介质及设备
CN112971781A (zh) * 2020-12-30 2021-06-18 杭州电子科技大学 一种基于脑功能网络抑郁对比方法
CN112971781B (zh) * 2020-12-30 2022-10-28 杭州电子科技大学 一种基于脑功能网络抑郁对比装置
CN115670463A (zh) * 2022-10-26 2023-02-03 华南理工大学 一种基于脑电情绪神经反馈信号的抑郁检测系统

Similar Documents

Publication Publication Date Title
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
CN110811648A (zh) 一种基于残差卷积神经网络的抑郁倾向评估系统
CN110765920B (zh) 基于卷积神经网络的运动想象分类方法
JP3310498B2 (ja) 生体情報解析装置および生体情報解析方法
CH716863A2 (de) Depressionserkennungssystem basierend auf einer unter Verwendung von Trainingssätzen getroffenen Kanalauswahl von Mehrkanal-Elektroenzephalographie.
Jerritta et al. Electrocardiogram-based emotion recognition system using empirical mode decomposition and discrete Fourier transform.
CN110946576A (zh) 一种基于宽度学习的视觉诱发电位识别情绪方法
CN114224342B (zh) 一种基于时空融合特征网络的多通道脑电信号情绪识别方法
CN111544015B (zh) 基于认知力的操控工效分析方法、设备及系统
CN109805944B (zh) 一种儿童共情能力分析系统
CN111598451B (zh) 基于任务执行能力的操控工效分析方法、设备及系统
CN110390272B (zh) 一种基于加权主成分分析的eeg信号特征降维方法
Baghdadi et al. Dasps: a database for anxious states based on a psychological stimulation
Pane et al. Identifying severity level of cybersickness from eeg signals using cn2 rule induction algorithm
CN111000556A (zh) 一种基于深度模糊森林的情绪识别方法
Ma et al. Early prediction of epileptic seizure based on the BNLSTM-CASA model
Zhuang et al. Real-time emotion recognition system with multiple physiological signals
CN111028919A (zh) 基于人工智能算法的恐惧症自我诊疗系统
Cordoș et al. ECG signal classification using convolutional neural networks for biometric identification
Gasparini et al. A deep learning approach to recognize cognitive load using ppg signals
Li et al. Multi-modal emotion recognition based on deep learning of EEG and audio signals
Pratiwi et al. EEG-based happy and sad emotions classification using LSTM and bidirectional LSTM
Islam et al. Virtual image from EEG to recognize appropriate emotion using convolutional neural network
Gu et al. Analysis of physiological responses from multiple subjects for emotion recognition
Jindal MobileSOFT: U: A deep learning framework to monitor heart rate during intensive physical exercise

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