CN110974260A - 基于脑电特征的案例推理抑郁症识别系统 - Google Patents
基于脑电特征的案例推理抑郁症识别系统 Download PDFInfo
- Publication number
- CN110974260A CN110974260A CN201911293765.8A CN201911293765A CN110974260A CN 110974260 A CN110974260 A CN 110974260A CN 201911293765 A CN201911293765 A CN 201911293765A CN 110974260 A CN110974260 A CN 110974260A
- Authority
- CN
- China
- Prior art keywords
- case
- electroencephalogram
- reasoning
- depression
- attribute
- 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
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
- A61B5/16—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (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
本发明提出一种基于脑电特征的案例推理抑郁症识别系统,将脑电特征与案例推理技术相结合,形成基于案例推理的抑郁症识别系统,提高抑郁症识别的效率和准确率。包括脑电数据采集模块、脑电数据处理模块、案例推理模块以及显示模块;脑电数据采集模块用于获取脑电数据;脑电数据处理模块用于对获取的脑电信息进行相关处理并进行抑郁脑电特征提取及属性约简,形成案例属性,将这些属性传入案例推理模块;案例推理模块用于根据目标案例的案例属性,在构建的抑郁症脑电特征系统案例库中进行相应检索,检索与目标案例最相似的源案例,通过案例推理进行抑郁症特征识别,将识别结果送入显示模块;显示模块用于显示识别结果及相关案例信息。
Description
技术领域
本发明涉及基于脑电特征的案例推理抑郁症识别系统,属于医疗辅助系统技术领域。
背景技术
脑电图是脑神经细胞生理活动在大脑皮层或头皮表层的总体反映。脑电信号中包含了大量的生理与疾病信息,在临床医学方面,脑电信号处理不仅可为某些疾病提供诊断依据,而且还为某些疾病提供了有效的治疗手段。当个体处于不同的思维状态、精神状态或者病理状态时,不同脑区的脑电信号存在显著性差异。通常按照一定的位置可以将大脑皮质划分为:额叶,主要处理与认知、情感等密切相关的信息;顶叶,主要与各种感觉、方向等相关;颞叶,主要处理与语言、听觉相关的信息;枕叶,主要处理与视觉相关的信息。大量的研究已经表明,抑郁症患者与正常人之间的脑电信号存在着明显的差异。其中,已有实验证明头部前额区与抑郁障碍具有较强的相关性。
案例推理即在解决现有问题前我们先采集并检索相似的案例,获取到与当前问题情况的诸多参数相匹配的历史案例,根据具体情况修改并整理获取到的案例,最后将之应用到当前问题的解决之中。自上世纪90年代以来,我国对案例推理技术的理论研究及系统的应用开发相继出现了阶段性成果,案例推理技术也在不同的领域得到了广泛的应用和推广,比如在自动化,医疗,农业,教育,金融等领域的具体应用。一些高校和研究所也基于案例推理技术设计出了一些疾病诊断系统,如基于案例推理技术的糖尿病诊断系统。
案例推理本质是一种知识的重用技术,其通常以两个假设为成立的基础:一是相同或相似的问题存在相同或相似的求解方法及过程;二是相同或相似的问题重复发生。常见的案例推理模型包括以下四个方面:案例检索,案例重用,案例修正和案例保存,整个模型运行的一个完整的过程称为典型的4R认知模型。如附图3所示。其中,在案例推理领域,常见的案例检索方法有:最近邻法、归纳推理法及知识引导法。案例重用需考虑旧案例的解是否适用于新案例,当解决分类问题时,案例检索出来的解可以直接应用于新案例的结果中,当解决的是配置、计划、设计等问题时,需要将检索到的旧案例的解进行改变才能重用作为新案例的解。案例修正是案例推理技术中研究的难点之一,其需要依赖领域内的相关知识对检索到的旧案例不符合新问题求解要求的部分做出修订,使修订后的旧案例的解适合于待求解的问题。案例保存用于评判新案例是否具有加入案例库的价值,以便在解决下一个问题使提供更优质的解决方案。
目前,抑郁症的诊断尚处于症状推断阶段,并无客观的理化检查诊断指标。现阶段抑郁症识别方法存在较多缺陷,其主要有:
(1)医生的主观识别法:该方法过度依赖医生的经验和主观,容易偏离客观事实;
(2)识别参考指标单一:目前用于识别抑郁症的方法主要是依据患者体内激素水平和各种生化指标作识别参考指标,缺乏生物电信号的指标参数,使得识别抑郁症的方法具有一定的局限性。
(3)抑郁症案例库建立可靠性低:在对抑郁症属性进行赋权时,多采用单一的赋权方法,使得建立的案例库相对可靠性差,在案例检索时,导致识别准确率低,稳定性差。
发明内容
本发明提出一种基于脑电特征的案例推理抑郁症识别系统,通过对抑郁症脑电数据的分析处理,构建相对精准和完备的抑郁症脑电特征系统案例库,将脑电特征与案例推理技术相结合,形成完整的基于案例推理的抑郁症识别系统,提高抑郁症识别的效率和准确率。
本发明的技术方案是:
1.一种基于脑电特征的案例推理抑郁症识别系统,其特征在于,包括:脑电数据采集模块、脑电数据处理模块、案例推理模块、显示模块以及用户信息管理模块;所述脑电数据采集模块用于获取脑电数据;所述脑电数据处理模块用于对获取的脑电信息进行相关处理并进行抑郁脑电特征提取及属性约简,形成案例属性,将这些属性传入案例推理模块;所述案例推理模块用于根据目标案例的案例属性,在构建的抑郁症脑电特征系统案例库中进行相应检索,检索与目标案例最相似的源案例,通过案例推理进行抑郁症特征识别,将识别结果送入显示模块;所述显示模块用于显示识别结果及相关案例信息;所述用户信息管理模块用于对用户信息进行管理。
2.所述脑电数据采集模块通过普适化三导脑电采集设备,同步采集Fp1、Fp2、Fpz三个电极位的脑电信号,并将模拟信号转换成数字信号,实时送入脑电数据处理模块。
3.所述脑电数据处理模块包括数据预处理单元,采用带通滤波器获取0.5Hz~40Hz的脑电信号,去除工频噪声;通过小波变换结合卡尔曼滤波模型去除眼电噪声。
4.所述脑电数据处理模块包括抑郁脑电特征提取单元,通过机器学习方法,对经过预处理的脑电数据进行抑郁脑电特征提取,分别提取Fp1、Fp2、Fpz三个电极位的α波、β波、θ波、δ波及全波段的特征。
5.所述脑电数据处理模块包括属性简约单元,对提取的抑郁脑电特征进行属性简约;首先对特征属性矩阵采用浮动前向搜索算法SFFS,进行搜索得到属性子集;在每一轮搜索过程中,加入有用特征集的同时删除冗余特征集,保证用最少的属性子集最大限度地表征原始脑电数据信息,采用机器学习算法对属性子集进行评估,即通过计算搜索出来的属性子集的分类准确率,评价属性子集的有效性;使用KNN作为评价函数对属性子集进行评估,判断是否满足停止搜索的准则,如果满足则输出简约结果,否则继续下一轮搜索。
6.所述案例推理模块包括案例库构建管理单元,用于构建、管理、维护抑郁症脑电特征系统案例库;包括案例库构建的步骤:将新案例作为目标案例,使用新案例的属性值来查询案例库,找出最相似的源案例,对比源案例与目标案例属性值的相似度,如果两者的案例属性之间的相似度小于设定的阈值,将目标案例加入到案例库中;抑郁症脑电特征系统案例库采用框架表示法中的二元组表示方法表示案例,即A=(P,R),P表示案例的属性,R表示存储的诊断结果;所有数据由MySQL数据库进行存储,包括三个部分:案例推理相关表、案例库相关表和系统管理相关表。
7.所述案例推理模块包括案例检索单元,采用遗传算法对案例属性权重值进行融合,给每个案例属性赋予相应的权重;将目标案例的属性值输入到案例库中进行检索,基于标准欧式距离计算相似度的方法计算案例之间的相似度,在案例库中寻找与该目标案例最相似的源案例。
8.所述案例推理模块包括案例推理单元,当新案例出现时,首先进行案例表示,表示为目标案例的属性,然后将目标案例的属性值输入到案例库中进行案例检索,自动在案例库中寻找最相似的源案例,从而完成案例检索;如果此时检索到的旧案例不符合新案例的求解要求,则需要进行案例重用,根据已重用的案例进行案例修正,同时将已修正的案例输入案例库中进行案例学习。
9.所述显示模块包括显示用户的相关信息及结果打印,包括患者基本信息、脑电特征信息,以及最相似的源案例和系统诊断结果。
10.所述用户信息管理模块,用于对用户信息进行管理,包括对用户相关信息的创建、查询、修改、删除以及相关病例的存储。
本发明的技术效果:
本发明提出的一种基于脑电特征的案例推理抑郁症识别系统,通过对抑郁症脑电数据的分析处理,构建相对精准和完备的抑郁症脑电特征系统案例库,将脑电特征与案例推理技术相结合,形成完整的基于案例推理的抑郁症识别系统,提高了抑郁症识别的效率和准确率。
1.本发明将脑电特征与案例推理技术相结合,采用抑郁脑电特征这些客观指标作为抑郁症识别的基本指标,降低了由主观因素带来的误判、漏判的影响;采用案例推理技术识别抑郁症,依据历史案例库就可得到新案例的解决方法,很大程度上节约了识别抑郁症的时间成本而且也提高了识别抑郁症的效率。
2.本发明在案例推理过程中,利用遗传算法进行融合赋权,具有以下优点:
1)采用客观设定权重的方法避免了权重值依赖于专家主观推断与专家自身水平的风险,相对主观设定权重,其结果更具有合理性和真实性;
2)利用遗传算法对三种客观赋权的方法进行融合,使得三种方法都能够相互弥补三者之间的不足,充分体现各自的优势,从而提升案例推理过程检索方案的识别准确率和检索机制的稳定性;
3)利用遗传算法对目标权重进行寻优,使案例检索过程中求解两个样本点间相似度更具有客观性,最终达到识别分类准确率的提升,同时也使得案例检索机制具有更好的普适性和推广性。
3.本发明在案例库的构建中,源案例的数据均以最新的“973项目”(项目代码:2014CB744600)实验数据为基础指标参量,其数据丰富、数据独立性好且安全保密性高,采用这些数据构建的案例库真实、可靠、具有针对性并且对于融合赋权方案下的相似度计算也在各类公开数据集上进行了验证,确保了方案的客观真实性和有效性。
附图说明
图1是本发明的基于脑电特征的案例推理抑郁症识别系统总体结构图。
图2是脑电数据处理模块进行属性简约的流程图。
图3是案例推理模块进行案例推理的流程图。
图4是通过案例推理进行抑郁症诊断的流程图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
图1为本发明的基于脑电特征的案例推理抑郁症识别系统总体结构图。
一种基于脑电特征的案例推理抑郁症识别系统,包括:脑电数据采集模块、脑电数据处理模块、案例推理模块、显示模块以及用户信息管理模块;所述脑电数据采集模块用于获取脑电数据;所述脑电数据处理模块用于对获取的脑电信息进行相关处理并进行抑郁脑电特征提取及属性约简,形成案例属性,将这些属性传入案例推理模块;所述案例推理模块用于根据目标案例的案例属性,在构建的抑郁症脑电特征系统案例库中进行相应检索,检索与目标案例最相似的源案例,通过案例推理进行抑郁症特征识别,将识别结果送入显示模块;所述显示模块用于显示识别结果及相关案例信息;所述用户信息管理模块用于对用户信息进行管理。此外还包括案例库,用于存储案例。
其中,脑电数据采集模块通过普适化三导脑电采集设备(关联专利号:CN201520628152.6)采集脑电信号。与传统的脑电采集设备相比,该设备体积小,导联少,功耗低,采集过程简单,并且该设备使用半湿电极,半湿电极比湿电极操作简单、污染小,比干电极采集的数据干扰小、质量高。该设备的参数设置为:采样率为250Hz、A/D转换分辨率为24bit、输入阻抗>500MOhm、功耗0.75mW/导、共模抑制比为-115dB;其内部结构主要包括模拟和数字两大部分,模拟部分由前置放大电路和滤波电路构成,前置放大电路是核心,滤波电路包括陷波和低通两部分,陷波部分主要应对脑电信号采集时的工频干扰。数字电路主要由A/D转换器、DSP、USB芯片构成。针对电极放置位置,本发明按照标准的国际10-20系统划分的位置进行,在采集脑电数据时,将耳垂作为参考电极,同步采集Fp1、Fpz、Fp2三个电极位的脑电信号;脑电信号通过普适化三导脑电采集设备的半湿电极片提取进来后,通过脑电前置放大器对微弱的脑电信号进行放大,经模拟滤波器对原始脑电信号进行工频滤波处理,16位A/D转换器将模拟信号转换成数字信号,实时送入脑电数据处理模块。
脑电数据处理模块包括数据预处理单元,用于对获取的脑电数据进行相关处理。
脑电信号采集过程中会不可避免地引入各种噪声,这些噪声会对脑电信号产生不同程度的影响,噪声通常有外部设备引起的工频噪声、眼动和眨眼造成的眼电噪声。所以需要对实际采集到的脑电信号进行去噪处理。
①去除工频噪声:工频噪声频率通常在50Hz,而本发明研究的脑电信号在40Hz以内,所以本发明采用带通滤波器获取0.5-40Hz的脑电信号。带通滤波器通过设置参数f1和f2(f1<f2),可以筛选出脑电信号中信号频率再f1和f2之间的信号成分,本发明按照频率段的不同,依次滤出theta(4-8Hz)、alpha(8-13Hz)、beta(13-30Hz)、gamma(30-40Hz)四个波段的脑电信号;
②去除眼电噪声:由于本发明主要采集的是抑郁症患者前额脑区的脑电信号,而眼动和眨眼引起的眼电噪声对额区尤其对Fp1、Fpz、Fp2电极位的干扰比较大,所以需要进行去除眼电噪声的处理,本发明采用小波变换结合卡尔曼滤波的方法来去除眼电噪声,首先采用小波变换定位出脑电信号中的眼电,模拟出眼电伪迹,之后采用卡尔曼滤波从原始脑电信号中减去模拟出的眼电伪迹,从而得到相对纯净和脑电数据。
脑电数据处理模块包括抑郁脑电特征提取单元,通过机器学习方法,对经过预处理的脑电数据进行抑郁脑电特征提取,分别提取Fp1、Fp2、Fpz三个电极位的α波、β波、θ波、δ波及全波段的脑电特征。本发明实施例共提取到85个特征。
脑电数据处理模块包括属性简约单元,用于对提取到的抑郁症脑电特征进行属性简约,获得在案例检索过程中识别抑郁症的有效特征属性。
将采集到的抑郁脑电数据进行去噪及特征提取后,抑郁脑电特征的个数仍然很多,而特征过多会导致维数灾难,也会增加了案例检索过程的复杂度,并且在解决特定问题时,某些特征之间会存在冗余以及某些特征对于解决该具体问题的重要性程度也比较低,所以,在实际构建历史案例库的过程中,需要剔除不相关或者冗余的特征属性,从而提高案例检索方案的精度,减少检索过程时间,提高抑郁症识别准确率。属性约简是案例检索前很必要的工作,常见的属性约简方法有:完全搜索约简策略、随机搜索策略、启发式搜索策略,由于完全搜索约简策略时间复杂度非常高,在实际应用中耗时太大,随机搜索策略适用于特征属性维度为千万数量级的数据度,其搜索精度偏低,所以,本发明在考虑了要解决的实际问题、涉及到的脑电特征维数和搜索空间复杂度以及运行时间复杂度之后,选择使用SFFS(浮动前向搜索算法)作为本发明属性约简的方法。
如图2所示,是脑电数据处理模块进行属性简约的流程图。
①首先对特征属性矩阵采用浮动前向搜索算法SFFS,进行搜索得到属性子集;在每一轮搜索过程中,加入有用特征集的同时删除冗余特征集,保证用最少的属性子集最大限度地表征原始脑电数据信息;
②采用机器学习算法对属性子集进行评估,即通过计算搜索出来的属性子集的分类准确率,评价属性子集的有效性;本发明对比了四种机器学习算法(K-近邻方法、决策树方法、朴素贝叶斯方法、支持向量机方法),最终在属性约简过程中使用KNN作为评价函数对属性子集进行评估;
③分析第二步属性子集评价的结果,当得到结果最优的分类准确率时,停止对特征属性矩阵的搜索;判断是否满足停止搜索的准则,如果满足则输出简约后结果,否则继续下一轮搜索。
本发明实施例经过属性约简,最终选择β波绝对功率(Fpz)、β波功率谱熵(Fp1)、θ波绝对功率(Fpz)、β波绝对功率(Fp1)、C0复杂度(Fp1)、θ波绝对功率(Fp2)六个属性作为案例库中的属性信息。
本发明案例推理模块包括案例库构建管理单元,用于构建、管理、维护抑郁症脑电特征系统案例库。主要功能是维护、管理案例库以及返回新案例的检索结果,表现在删除案例库中长期不用的案例和增加新案例,经过对案例库的不断修改和完善,以达到增强该系统的学习能力,提高下一次判断新案例时的准确率。
本发明案例库模块中的抑郁症脑电特征系统案例库使用框架表示法中的二元组表示方法表示案例,即A=(P,R),P表示案例的属性,R表示存储的诊断结果;在本发明实施例中的实际案例库中,将案例表示如下:
A=(年龄,性别,β波绝对功率(Fp1),β波绝对功率(Fpz),C0复杂度(Fp1),θ波绝对功率(Fp2),β波功率谱熵(Fp1),θ波绝对功率(Fpz),诊断结果)。
抑郁症脑电特征系统案例库的建立使一个循序渐进的过程,是不断地对新的案例进行检索、学习和修改的过程。包括对新的案例进行检索、修改和学习的步骤:将新案例作为目标案例,使用新案例的属性值来查询案例库,找出最相似的源案例,对比源案例与目标案例属性值的相似度,如果两者的案例属性之间的相似度小于设定的阈值,将目标案例加入到案例库中。具体的建立过程如下:
(1)在案例库中添加一条记录,即添加新案例A=(年龄,性别,β波绝对功率(Fp1),β波绝对功率(Fpz),C0复杂度(Fp1),θ波绝对功率(Fp2),β波功率谱熵(Fp1),θ波绝对功率(Fpz),诊断结果)的属性值,此时诊断结果由专家确定。这时案例库中只有一个案例。将下一个案例作为目标案例,使用新案例的属性值来查询案例库,找出最相似的源案例。
(2)观察最相似的源案例的结果是否与目标案例的结果相同,即对比源案例与目标案例属性值的相似度,分三种情况:
①源案例A(诊断结果)与目标案例B(诊断结果)不同并且A的属性值(年龄,性别,β波绝对功率(Fp1),β波绝对功率(Fpz),C0复杂度(Fp1),θ波绝对功率(Fp2),β波功率谱熵(Fp1),θ波绝对功率(Fpz))与B的属性值(年龄,性别,β波绝对功率(Fp1),β波绝对功率(Fpz),C0复杂度(Fp1),θ波绝对功率(Fp2),β波功率谱熵(Fp1),θ波绝对功率(Fpz))之间的相似度小于设定的阈值,这时需要将目标案例加入到案例库中,完成案例学习过程。
②源案例A(诊断结果)与目标案例B(诊断结果)相同并且两者的案例属性之间的相似度大于设定的阈值,这时则完成推理过程,即可以认为源案例A与目标案例B相同,目标案例不加入案例库中。
③源案例A(诊断结果)与目标案例B(诊断结果)相同并且两者的案例属性之间的相似度小于设定的阈值,这时需要将目标案例加入到案例库中,完成学习过程。
(3)将下一个案例作为新的目标案例,使用新案例的属性值来查询案例库,找出最相似的源案例,然后进行步骤(2)。
案例库涉及到的所有数据均由MySQL数据库进行存储。主要包括三个部分:案例推理相关表、案例库相关表和系统管理相关表。案例推理相关表包括属性设定,属性权值评估等,该表用于专家评估。案例库相关表用来存储案例,这些案例成为源案例,用于解决新案例。系统管理相关表用来存储系统操作日志,用于系统数据容灾以及追踪审计。
在案例检索过程中,检索机制的性能直接影响案例推理结果的优劣。首先,在本发明中案例检索策略采用目前关注度最高的基于最近邻思想计算相似度的方法,为了避免不相关数据或噪声对计算相似度方法造成的影响,通常会进行属性权重的分配,分配方法多采用主观赋权法或单一的客观赋权法,主观赋权法过于依赖人的主观经验,在决策上会存在一定的风险,单一的客观赋权法,如PAC赋权法、变异系数赋权法、信息熵赋权法均存在自己的劣势,当它们运用在不同的数据集时存在整体识别率低、稳定性差等问题。为了充分利用三种赋权方法的优点,本发明利用遗传算法对三种赋权方法进行了融合,提出了一种新型的案例属性赋权方法,并运用到案例推理检索策略中。
其次,在案例推理过程中,相似性的计算结果直接影响着检索方案的识别准确率。在解决实际问题时,通常将案例的概念抽象为几何空间,通过计算两个样本案例点的距离确定两者之间的相似度。距离的大小直接反映了相似度的大小,两个样本点之间的距离越小则这两个案例之间的相似度越大。在案例相似度距离的计算上,目前常见的相似度计算方法有基于欧式距离的相似度计算方法和基于改进余弦函数的相似度计算方法,但是,由于实际问题中各个属性值的量纲不同,会在一定程度上影响最终的结果,所以,为了消除不同量纲之间的影响,使得数据各属性值都处于同一数量级,本发明基于遗传算法的权重融合方案,分析了不同相似度计算方法下的可靠性和稳定性,采用基于标准欧式距离的相似度计算方法。
本发明案例推理模块包括案例检索单元,采用遗传算法对案例属性权重值进行融合,给每个案例属性赋予相应的权重,基于标准欧式距离计算相似度的方法计算案例之间的相似度,检索案例库,找到案例库中与该目标案例最相似的源案例。案例检索过程如下:
①基于遗传算法进行案例属性权重值的融合:
使用遗传算法对几种客观属性赋权的方法进行融合,即利用遗传算法对PCA、变异系数、信息熵三种独立的客观赋权方法进行融合,使得三种方法都能够充分体现各自的优势,从而提升案例推理过程中检索方案的识别准确率。
其融合公式如下:
Wc=β1W1+β2W2+β3W3
其中,W1、W2、W3分别为PCA、变异系数、信息熵方法计算权重的权重值。β1、β2、β3为三种方法的系数,且有β1+β2+β3=1。
②将目标案例的属性值输入到案例库中,计算案例之间的相似度,在案例库中寻找最相似的源案例:
基于标准欧式距离的相似度计算方法:在实际问题中,当某些属性值过大时,会使得参与计算的其他属性权重过小,造成各属性权重失衡,因此需要对数据进行标准化处理,使得处理后的数据各属性值处于同一数量级以消除特殊属性影响,所以在检索机制中案例之间相似度计算公式上,本发明采用标准化相似度计算公式:
其中si表示各个属性对应的标准差,wi表示属性权重值,D表示两个样本案例点的距离,xi、yi为样本案例点的坐标。
由于计算出来的距离是一个大于0的数,因此为了更好的体现案例之间的相似度,本发明使用以下公式将其规约到(0,1)之间,即进行如下转换:
Sim=1/(1+D)。
图3是本发明案例推理模块进行案例推理的流程图。
本发明案例推理模块包括案例推理单元,当新案例出现时,首先进行案例表示,本发明实施例表示方式为A=(年龄,性别,β波绝对功率(Fp1),β波绝对功率(Fpz),C0复杂度(Fp1),θ波绝对功率(Fp2),β波功率谱熵(Fp1),θ波绝对功率(Fpz),诊断结果),将已诊断过的案例信息以上述元组的形式存储在案例库中,作为目标案例的属性;然后将目标案例的属性值输入到案例库中进行案例检索,系统会自动在案例库中寻找最相似的源案例,从而完成案例检索;如果此时检索到的旧案例不符合新案例的求解要求,则需要进行案例重用,在本发明中案例重用采用CBR检索技术识别抑郁症,根据症状进行疾病诊断分类,通过检索旧案例类别将其重用为新案例的结果,根据已重用的案例进行案例修正,通过将检索和重用的结果交付领域专家,由专家进行验证或对结果进行修正,同时将已修改的案例输入案例库中进行案例学习。
本发明的系统还包括用户信息管理模块,用户信息管理模块用于对用户信息进行管理,包括对用户相关信息的创建、查询、修改、删除以及相关病例的存储;主要涉及的用户是普通用户及系统管理员。系统管理员主要进行对案例库的维护,对案例库有增加、删除、修改的权限以及维护案例的指标设定和确定各个指标对应的具体属性值。普通用户是指需要对是否患有抑郁症做出判断的用户,是案例推理系统的使用者。当用户想知道自身情况时,他们不再是先请教领域专家,而是可以根据自己的脑电特征去案例库中检索相似案例,通过系统做出判断。如果对诊断结果不满意可以再去请教领域专家。如图4所示,是通过案例推理进行抑郁症诊断的流程图。
另外显示模块包括显示用户的相关信息及结果打印,包括患者基本信息、脑电特征信息,以及最相似的源案例和系统诊断结果。
本发明系统的操作系统平台以微软Microsoft公司的Windows XP,Windows2007,Windows2008,Windows2010为首选,随着微软操作系统的更新换代,亦可考虑其他操作系统。
开发平台和开发工具采用MyEclipse作为开发工具,结合Tomcat服务器和SQLServer数据库以及Java中提供的相关数据处理的类库进行开发。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不以任何方式限制本发明创造。一切不脱离本发明创造的精神和范围的技术方案及其改进,其均涵盖在本发明创造的保护范围当中。
Claims (10)
1.一种基于脑电特征的案例推理抑郁症识别系统,其特征在于,包括:脑电数据采集模块、脑电数据处理模块、案例推理模块以及显示模块;所述脑电数据采集模块用于获取脑电数据;所述脑电数据处理模块用于对获取的脑电信息进行相关处理并进行抑郁脑电特征提取及属性约简,形成案例属性,将这些属性传入案例推理模块;所述案例推理模块用于根据目标案例的案例属性,在构建的抑郁症脑电特征系统案例库中进行相应检索,检索与目标案例最相似的源案例,通过案例推理进行抑郁症特征识别,将识别结果送入显示模块;所述显示模块用于显示识别结果及相关案例信息。
2.根据权利要求1所述的基于脑电特征的案例推理抑郁症识别系统,其特征在于,所述脑电数据采集模块通过普适化三导脑电采集设备,同步采集Fp1、Fp2、Fpz三个电极位的脑电信号,并将模拟信号转换成数字信号,实时送入脑电信号处理模块。
3.根据权利要求1所述的基于脑电特征的案例推理抑郁症识别系统,其特征在于,所述脑电数据处理模块包括数据预处理单元,采用带通滤波器获取0.5Hz~40Hz的脑电信号,去除工频噪声;通过小波变换结合卡尔曼滤波模型去除眼电噪声。
4.根据权利要求3所述的基于脑电特征的案例推理抑郁症识别系统,其特征在于,所述脑电数据处理模块包括抑郁脑电特征提取单元,通过机器学习方法,对经过预处理的脑电数据进行抑郁脑电特征提取,分别提取Fp1、Fp2、Fpz三个电极位的α波、β波、θ波、δ波及全波段的特征。
5.根据权利要求4所述的基于脑电特征的案例推理抑郁症识别系统,其特征在于,所述脑电数据处理模块包括属性简约单元,对提取的抑郁脑电特征进行属性简约;首先对特征属性矩阵采用浮动前向搜索算法SFFS,进行搜索得到属性子集;在每一轮搜索过程中,加入有用特征集的同时删除冗余特征集,保证用最少的属性子集最大限度地表征原始脑电数据信息,采用机器学习算法对属性子集进行评估,即通过计算搜索出来的属性子集的分类准确率,评价属性子集的有效性;使用KNN作为评价函数对属性子集进行评估,判断是否满足停止搜索的准则,如果满足则输出简约结果,否则继续下一轮搜索。
6.根据权利要求1所述的基于脑电特征的案例推理抑郁症识别系统,其特征在于,所述案例推理模块包括案例库构建管理单元,用于构建、管理、维护抑郁症脑电特征系统案例库;包括案例库构建的步骤:将新案例作为目标案例,使用新案例的属性值来查询案例库,找出最相似的源案例,对比源案例与目标案例属性值的相似度,如果两者的案例属性之间的相似度小于设定的阈值,将目标案例加入到案例库中;所述抑郁症脑电特征系统案例库采用框架表示法中的二元组表示方法表示案例,即A=(P,R),P表示案例的属性,R表示存储的诊断结果;所有数据由MySQL数据库进行存储,包括三个部分:案例推理相关表、案例库相关表和系统管理相关表。
7.根据权利要求1所述的基于脑电特征的案例推理抑郁症识别系统,其特征在于,所述案例推理模块包括案例检索单元,采用遗传算法对案例属性权重值进行融合,给每个案例属性赋予相应的权重;将目标案例的属性值输入到案例库中进行检索,基于标准欧式距离计算相似度的方法计算案例之间的相似度,在案例库中寻找与该目标案例最相似的源案例。
8.根据权利要求7所述的基于脑电特征的案例推理抑郁症识别系统,其特征在于,所述案例推理模块包括案例推理单元,当新案例出现时,首先进行案例表示,表示为目标案例的属性,然后将目标案例的属性值输入到案例库中进行案例检索,自动在案例库中寻找最相似的源案例,从而完成案例检索;如果此时检索到的旧案例不符合新案例的求解要求,则需要进行案例重用,根据已重用的案例进行案例修正,同时将已修正的案例输入案例库中进行案例学习。
9.根据权利要求1所述的基于脑电特征的案例推理抑郁症识别系统,其特征在于,所述显示模块包括显示用户的相关信息及结果打印,包括患者基本信息、脑电特征信息,以及最相似的源案例和系统诊断结果。
10.根据权利要求1至9之一所述的基于脑电特征的案例推理抑郁症识别系统,其特征在于,还包括用户信息管理模块,用于对用户信息进行管理,包括对用户相关信息的创建、查询、修改、删除以及相关病例的存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911293765.8A CN110974260A (zh) | 2019-12-16 | 2019-12-16 | 基于脑电特征的案例推理抑郁症识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911293765.8A CN110974260A (zh) | 2019-12-16 | 2019-12-16 | 基于脑电特征的案例推理抑郁症识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110974260A true CN110974260A (zh) | 2020-04-10 |
Family
ID=70094128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911293765.8A Pending CN110974260A (zh) | 2019-12-16 | 2019-12-16 | 基于脑电特征的案例推理抑郁症识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110974260A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112617833A (zh) * | 2020-12-21 | 2021-04-09 | 首都医科大学 | 一种基于静息态脑电波检测抑郁症的装置 |
CN113555130A (zh) * | 2021-07-21 | 2021-10-26 | 杭州甘之草科技有限公司 | 一种基于案例推理的中医临床决策支持系统的构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015055373A2 (en) * | 2013-10-17 | 2015-04-23 | Verdande Technology As | Case-based reasoning |
US20170251985A1 (en) * | 2016-02-12 | 2017-09-07 | Newton Howard | Detection Of Disease Conditions And Comorbidities |
CN110263119A (zh) * | 2019-07-01 | 2019-09-20 | 西北师范大学 | 一种案例推理分类器案例检索方法 |
-
2019
- 2019-12-16 CN CN201911293765.8A patent/CN110974260A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015055373A2 (en) * | 2013-10-17 | 2015-04-23 | Verdande Technology As | Case-based reasoning |
US20170251985A1 (en) * | 2016-02-12 | 2017-09-07 | Newton Howard | Detection Of Disease Conditions And Comorbidities |
CN110263119A (zh) * | 2019-07-01 | 2019-09-20 | 西北师范大学 | 一种案例推理分类器案例检索方法 |
Non-Patent Citations (2)
Title |
---|
张祥子: "基于案例推理的抑郁症识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
蔡涵书: "基于脑电反馈的情感障碍调节机制及关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)医药卫生科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112617833A (zh) * | 2020-12-21 | 2021-04-09 | 首都医科大学 | 一种基于静息态脑电波检测抑郁症的装置 |
CN113555130A (zh) * | 2021-07-21 | 2021-10-26 | 杭州甘之草科技有限公司 | 一种基于案例推理的中医临床决策支持系统的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | A case-based reasoning model for depression based on three-electrode EEG data | |
Dutta et al. | Deep learning-based multi-head self-attention model for human epilepsy identification from EEG signal for biomedical traits | |
Cai et al. | Study on feature selection methods for depression detection using three-electrode EEG data | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
Soni et al. | Graphical representation learning-based approach for automatic classification of electroencephalogram signals in depression | |
Amrani et al. | EEG signal analysis using deep learning: A systematic literature review | |
CN110974260A (zh) | 基于脑电特征的案例推理抑郁症识别系统 | |
Yang et al. | A novel method for automated congestive heart failure and coronary artery disease recognition using THC-Net | |
Balam et al. | Statistical channel selection method for detecting drowsiness through single-channel EEG-based BCI system | |
Zeng et al. | Epileptic seizure detection with deep EEG features by convolutional neural network and shallow classifiers | |
Jameil et al. | Efficient CNN architecture on FPGA using high level module for healthcare devices | |
Daydulo et al. | Cardiac arrhythmia detection using deep learning approach and time frequency representation of ECG signals | |
Mahato et al. | Analysis of region of interest (RoI) of brain for detection of depression using EEG signal | |
Khan et al. | EEG based aptitude detection system for stress regulation in health care workers | |
CN114748072A (zh) | 一种基于脑电的抑郁症辅助诊断的信息分析及康复训练系统及方法 | |
CN115331837A (zh) | 一种人机交互智能问诊系统 | |
CN115736920A (zh) | 基于双模态融合的抑郁状态识别方法及系统 | |
Mitra et al. | Analyzing clinical 12-lead ECG images using deep learning algorithms for objective detection of cardiac diseases | |
Roy et al. | A machine learning model to recognise human emotions using electroencephalogram | |
Ribeiro et al. | Automatic diagnosis of short-duration 12-lead ECG using a deep convolutional network | |
Singhal et al. | Electrocardiogram Feature Based Heart Arrhythmia Detection Using Machine Learning and Apache Spark | |
Shafaatfar et al. | Improving the Efficiency of Automatic Cardiac Arrhythmias Classification by a Novel Patient-Specific Feature Space Mapping | |
Nayana et al. | Deep Learning Techniques for Parkinson's Detection Using EEG Signals Analysis | |
Mamta et al. | Identification of insomnia based on discrete wavelet transform using time domain and nonlinear features | |
Zhang et al. | Multi-scale and attention based ResNet for heartbeat classification |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |