CN112057087B - 精神分裂症高风险人群自主神经功能数据处理方法及装置 - Google Patents
精神分裂症高风险人群自主神经功能数据处理方法及装置 Download PDFInfo
- Publication number
- CN112057087B CN112057087B CN202010765570.5A CN202010765570A CN112057087B CN 112057087 B CN112057087 B CN 112057087B CN 202010765570 A CN202010765570 A CN 202010765570A CN 112057087 B CN112057087 B CN 112057087B
- Authority
- CN
- China
- Prior art keywords
- autonomic nerve
- schizophrenia
- risk
- test
- autonomic
- 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.)
- Active
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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- 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
Abstract
本发明公开了一种精神分裂症高风险人群自主神经功能数据处理方法及装置,其中,评估方法包括以下步骤:S1、基于自主神经试验获取不同测试状态下的人体生理信息;S2、根据心率变异性信号计算原理得到不同测试状态下的HRV参数;S3、根据HRV参数特征评估自主神经功能的平衡状态;S4、建立SVM精神分裂症高风险人群自主神经功能评估模型,获得对于精神分裂症高风险人群自主神经功能数据处理结果。本发明属于计算机辅助评估技术领域,可根据HRV参数实现精神分裂症高风险人群的无创、动态评估,简便易行,能有较好的临床实用性。
Description
技术领域
本发明涉及计算机辅助评估技技术领域,具体涉及一种基于心率变异性的精神分裂症高风险人群自主神经功能数据处理方法及装置。
背景技术
精神分裂是一种常见的重性精神问题,其临床评估与评价依赖医生的经验和高风险人群的主观判断,容易导致误诊和漏诊。精神分裂症所产生的家庭负担约占全部各类疾病负担中的20%,超过了心血管、呼吸系统以及恶性肿瘤等的负担比例。
目前临床上主要依靠各种评分量表及医师经验对精神分裂症高风险人群的自主功能的失调程度及预后进行评价,不仅具有很强的主观性和滞后性,更无法对高风险人群进行早期预警和预防。因此,客观地评估精神分裂症高风险人群的自主神经功能,并寻求客观有效的评估方法一直是科学领域关注和研究的热点。
研究已证实可通过EEG、PET和fMRI等手段探测高风险人群大脑活动,但这些方法时间分辨率不高且造价昂贵以及维护成本高,现有范式不具有个性化,评估结果主要通过医师的主观判断和量表评分,难以涉及高风险人群的整体失调情况,检测方案取决于各项检测的后期分析结果,且不能根据检测结果动态调整,大大降低了检测及评估的有效性,这样的评估方式不能客观、量化地反映高风险人群在早期及康复中的恢复状况。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种精神分裂症高风险人群自主神经功能数据处理方法及装置,该方法能够快速、客观、量化地评估精神分裂症高风险人群在静息期、压力期及恢复期的自主神经功能,从而实现精神分裂症高风险人群的自主神经功能状况评估。该方法有利于提高检测效率,实现早期预警及预后,降低成本。
本发明的第一个目的可以通过采取如下技术方案达到:
一种精神分裂症高风险人群自主神经功能数据处理方法,所述数据处理方法包括以下步骤:
S1、基于自主神经试验获取不同测试状态下的人体生理信息,依据不同的自主神经测试对自主神经功能有不同的应激刺激功能,采集被试在自主神经试验中的心电信号;并根据心率变异性信号计算原理得到不同测试状态下的HRV时域、频域、非线性动力学特征参数;其中,所述采集被试在自主神经试验中的心电信号采用心电脉搏波方法采集精神分裂症高风险人群在整个试验过程中的心电数据;
S2、根据步骤S1获取的HRV时域、频域、非线性动力学参数特征量化评估自主神经系统中交感神经与副交感神经的平衡状态;
S3、在定量评估自主神经系统平衡状态的基础上,建立SVM精神分裂症高风险人群自主神经功能评估模型;将采集到的样本随机分为训练组和测试组,HRV参数作为特征输入SVM分类器,获得对于精神分裂症高风险人群自主神经功能数据处理结果;其中,所述SVM精神分裂症高风险人群自主神经功能评估模型用于对比静息期、压力期和恢复期的参数变化。
进一步地,所述步骤S1中自主神经试验的方法包括以下步骤:
S11、四分钟静息测试,被试保持坐姿,身体放松,均匀自主呼吸;
S12、休息30秒,然后三分钟心算测试,被试根据录音提示判断数字的奇偶性,并在心里默记奇偶数字的个数,每两秒钟播报一次,播报结束时记录被试判断奇偶数字的个数;
S13、休息30秒,然后3分钟深呼吸测试,被试根据录音提示保持5秒钟吸气和5秒钟呼气,每分钟重复6次呼吸;
S14、休息30秒,然后4分钟恢复测试。
进一步地,所述步骤S1中根据心率变异性信号计算原理HRV时域、频域、非线性动力学参数特征,其中,时域参数包括:MEAN、SDNN、RMSSD和pNN50,频域参数特征包括:VLF、LF、HF和LH/HF,非线性动力学参数特征包括:庞加莱散点图中SD1和SD2、DFA中α1和α2、近似熵、样本熵和相关维数;
所述HRV表示心率变异性;
所述MEAN为一定时间内连续RR间隔的平均值,其中,RR间隔为窦房结去极化导致的相邻QRS波群之间的间隔;
所述SDNN为一定时间内连续RR间隔的标准差;
所述RMSSD为一定时间内连续RR间隔差值的均方根;
所述pNN50为一定时间内相邻RR间隔大于50毫秒的比例;
所述VLF为一定时间内连续RR间隔经FFT变换后功率在0.0033~0.04的极低频成分;
所述LF为一定时间内连续RR间隔经FFT变换后功率在0.04~0.15的低频成分;
所述HF为一定时间内连续RR间隔经FFT变换后功率在0.15~0.4的高频成分;
所述LF/HF为低频成分与高频成分的比值;
所述庞加莱散点图中的SD1与SD2为垂直于X=Y方向散点图内短轴与长轴的距离;
所述DFA中α1和α2为去趋势波动分析中曲线斜率的长程波动系数α1和短程波动系数α2。
所述近似熵、样本熵和相关维数为HRV中时间序列不同的规律性和复杂性描述。
进一步地,所述步骤S3中SVM精神分裂症高风险人群自主神经功能评估模型的工作过程如下:
S31、将静息期的心率变异性参数作为参考值;
S32、将恢复期、压力期间每一部分的参数与参考值对比,评价该期间精神分裂症高风险人群的自主神经功能变化;
S33、综合自主神经试验期间各部分参数的评价结果,评估精神分裂症高风险人群的自主神经功能结果。
进一步地,所述SVM精神分裂症高风险人群自主神经功能评估模型将采集到的样本随机分为训练组和测试组,HRV参数值与参考值作为特征输入SVM分类器。
进一步地,所述SVM精神分裂症高风险人群自主神经功能评估模型中的训练组与测试组,在模型训练过程中,采取随机抽样的方法从参考值总样本中抽取不同比例的样本进行训练,剩余参考值样本则进行测试,以验证该评估模型的准确性。
进一步地,将压力期与恢复期的参数数据输入精神分裂症自主神经功能评估模型中,获得精神分裂症高风险人群的自主神经功能评估结果。
本发明的另一个目的可以通过采取如下技术方案达到:
一种精神分裂症高风险人群自主神经功能数据处理装置,所述评估装置包括:
采集单元,该采集单元基于自主神经试验获取不同测试状态下的人体生理信息,依据不同的自主神经测试对自主神经功能有不同的应激刺激功能,采集被试在自主神经试验中的心电信号;并根据心率变异性信号计算原理得到不同测试状态下的HRV时域、频域、非线性动力学特征参数;其中,所述采集被试在自主神经试验中的心电信号采用心电脉搏波方法采集精神分裂症高风险人群在整个试验过程中的心电数据;
评估单元,该评估单元根据采集单元中获取的HRV时域、频域、非线性动力学参数特征量化评估自主神经系统中交感神经与副交感神经的平衡状态;
模型建立与应用单元,该模型建立与应用单元在定量评估自主神经系统平衡状态的基础上,建立SVM精神分裂症高风险人群自主神经功能评估模型;将采集到的样本随机分为训练组和测试组,HRV参数作为特征输入SVM分类器,获得对于精神分裂症高风险人群自主神经功能数据处理结果;其中,所述SVM精神分裂症高风险人群自主神经功能评估模型用于对比静息期、压力期和恢复期的参数变化。
本发明相对于现有技术具有如下的优点及效果:
(1)国内外研究表明精神分裂症高风险人群的交感神经和副交感神经系统调节异常,心率变异性作为自主适应能力的一项指标,能够很好地反映个体的自主神经功能,是评估自主神经系统状态的客观工具。本发明为精神分裂症高风险人群的早期预警、评估及预后提供更全面、及时、客观的信息支持。
(2)许多学者将精神分裂症高风险人群与正常对照的静息态心率变异性参数进行对照研究,并发现二者之间具有显著性差异。然而,精神分裂症高风险人群在心理生理环境压力前后心率变异性变化情况的分析及其与正常对照的自动分类研究还未见报道。本发明中自主神经试验包含精神分裂症高风险人群自主神经功能在生理心理环境压力试验前后的变化,使高风险人群在更接近自己真实意识的状态下完成检测,降低误诊率。
(3)本发明采用的心电脉搏波采集方法,采集过程简单易操作,信号接收和处理效率更高,失真度小,稳定性明显增强,极大提高了测量结果的准确性,具有很好的临床实用性。
(4)本发明心率变异性信号中运用的非线性动力学分析方法能基本反映出正常人心率变异性信号和高风险人群心率变异性信号的非线性特征参数差异,该方法和经验、量表相比,更加客观化和定量化,特别是与临床常用的时域及频域分析相比,具有一定的优势,能够更加精确直观的反映心率变异性的灵活性和复杂性,为后续精神分裂症高风险人群的自主神经功能评估提供了更加准确可靠的指标。
(5)本发明自主神经功能评估模型中采用的SVM自动分类模型在解决机器学习中小样本数据、高纬度及高维度等问题具有优异的性能。具体来说,SVM可以在小样本数据中根据有限的数据信息推导出既有复杂度又能保证分类效果的预测模型。采用SVM算法对精神分裂症高风险人群的心率变异性参数进行识别和分类解决了精神问题中小样本数据的问题,对于心率变异性的应用和精神分裂症高风险人群的自主神经功能评估有着十分重要的意义。
附图说明
图1为本发明实施例的基于心率变异性的精神分裂症高风险人群自主神经功能评估方法的结构框图;
图2为本发明实施例的基于心率变异性的精神分裂症高风险人群自主神经功能评估方法的自主神经试验方案制定图;
图3为本发明实施例的基于心率变异性的精神分裂症高风险人群自主神经功能评估方法的SVM自动评估模型实现图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
实施例
如图1所示,本实施例的基于心率变异性的精神分裂症高风险人群自主神经功能评估方法。包括以下步骤:基于自主神经试验获取不同测试状态下的人体生理信息;根据心率变异性信号计算原理得到不同测试状态下的HRV参数;根据HRV参数特征评估自主神经功能的平衡状态;建立SVM精神分裂症高风险人群自主神经功能评估模型,获得对于精神分裂症高风险人群自主神经功能数据处理结果。
基于心率变异性的精神分裂症高风险人群自主神经功能数据处理方法具体实施步骤如下:
S1、基于自主神经试验获取不同测试状态下的人体生理信息,依据不同的自主神经测试对自主神经功能有不同的应激刺激功能,采集被试在自主神经试验中的心电信号;并根据心率变异性信号计算原理得到不同测试状态下的HRV时域、频域、非线性动力学特征参数;其中,所述采集被试在自主神经试验中的心电信号采用心电脉搏波方法采集精神分裂症高风险人群在整个试验过程中的心电数据;
具体的,本实施例中所述自主神经试验包括评估自主神经功能适应性的静息期、压力期和恢复期,如图2所示,不同环境压力的生理测试方法能够更全面的反映精神分裂症高风险人群自主神经功能的变异性和适应性。
上述步骤S1中自主神经试验的方法包括以下步骤:
S11、四分钟静息测试,被试保持坐姿,身体放松,均匀自主呼吸;
S12、休息30秒,然后三分钟心算测试,被试根据录音提示判断数字的奇偶性,并在心里默记奇偶数字的个数,每两秒钟播报一次,播报结束时记录被试判断奇偶数字的个数;
S13、休息30秒,然后3分钟深呼吸测试,被试根据录音提示保持5秒钟吸气和5秒钟呼气,每分钟重复6次呼吸;
S14、休息30秒,然后4分钟恢复测试。
在步骤S1中根据心率变异性信号计算原理HRV时域、频域、非线性动力学参数特征,其中,时域参数包括:MEAN、SDNN、RMSSD和pNN50,频域参数特征包括:VLF、LF、HF和LH/HF,非线性动力学参数特征包括:庞加莱散点图中SD1和SD2、DFA中α1和α2、近似熵、样本熵和相关维数;
HRV表示心率变异性;
MEAN为一定时间内连续RR间隔的平均值;
SDNN为一定时间内连续RR间隔的标准差;
RMSSD为一定时间内连续RR间隔差值的均方根;
pNN50为一定时间内相邻RR间隔大于50毫秒的比例;
VLF为一定时间内连续RR间隔经FFT变换后功率在0.0033~0.04的极低频成分;
LF为一定时间内连续RR间隔经FFT变换后功率在0.04~0.15的低频成分;
HF为一定时间内连续RR间隔经FFT变换后功率在0.15~0.4的高频成分;
LF/HF为低频成分与高频成分的比值;
庞加莱散点图中的SD1与SD2为垂直于X=Y方向散点图内短轴与长轴的距离;
DFA中α1和α2为去趋势波动分析中曲线斜率的长程波动系数α1和短程波动系数α2。
近似熵、样本熵和相关维数为HRV中时间序列不同的规律性和复杂性描述。
S2、根据步骤S1获取的HRV时域、频域、非线性动力学参数特征量化评估自主神经系统中交感神经与副交感神经的平衡状态;
本实施例中采用时域分析方法是心率或周期长度的差异,是每个心跳间隔,即正常到正常(NN)间隔(窦房结去极化导致的相邻QRS波群之间的间隔,又称RR间隔)之间的差异,是心率变异性最简单的表现和计算方法;频域分析方法;又称频谱分析方法,是对一定时间内RR序列的功率谱密度(Power Spectral Density,PSD)进行分析的方法;非线性分析方法涉及自主神经和中枢神经调节的复杂相互作用,是一个复杂的过程。基于非线性动力学方法的心率变异性分析可以为心率变异性的生理解释和临床评估提供有价值的信息。
S3、在定量评估自主神经系统平衡状态的基础上,建立SVM精神分裂症高风险人群自主神经功能评估模型;将采集到的样本随机分为训练组和测试组,HRV参数作为特征输入SVM分类器,获得对于精神分裂症高风险人群自主神经功能数据处理结果,其中,所述SVM精神分裂症高风险人群自主神经功能评估模型用于对比静息期、压力期和恢复期的参数变化。
其中,SVM精神分裂症高风险人群自主神经功能评估模型的工作过程如下:
S31、将静息期的心率变异性参数作为参考值;
S32、将恢复期、压力期间每一部分的参数与参考值对比,评价该期间精神分裂症高风险人群的自主神经功能变化;
S33、综合自主神经试验期间各部分参数的评价结果,评估精神分裂症高风险人群的自主神经功能结果。
本实施例中评估模型将四种自主神经试验下的5400个心率变异性参数作为样本数据输入,建立有监督的机器学习分类模型进行训练和测试,主要包括参数选择、模型训练及测试、模型分类能力评估及参数贡献度排序四个部分,具体实施过程如图3所示。在参数选择过程中,输入分类模型中的有效参数越多,分类器性能越优越,因此优先选择组间差异具有统计学意义的参数(p<0.05),从而增强分类器的分类能力;在模型训练过程中,采取随机抽样的方法从总样本中抽取不同比例的样本进行训练,剩余样本则进行测试,以验证该分类模型的准确性。样本数据中的训练模型最大限度地将高风险人群心率变异性参数与正常对照组分离开来,并将训练过程中的参数进行权重分类。将经过训练集训练后的SVM分类器作为识别模型,对未知的心率变异性参数进行判别和分类,进而实现对精神分裂症高风险人群和正常对照组的识别和分类。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (1)
1.一种精神分裂症高风险人群自主神经功能数据处理装置,其特征在于,所述数据处理装置包括:
采集单元,该采集单元基于自主神经试验获取不同测试状态下的人体生理信息,依据不同的自主神经测试对自主神经功能有不同的应激刺激功能,采集被试在自主神经试验中的心电信号;并根据心率变异性信号计算原理得到不同测试状态下的HRV时域、频域、非线性动力学特征参数;其中,所述采集被试在自主神经试验中的心电信号采用心电脉搏波方法采集精神分裂症高风险人群在整个试验过程中的心电数据;
所述采集单元中自主神经试验的过程如下:四分钟静息测试,被试保持坐姿,身体放松,均匀自主呼吸;休息30秒,然后三分钟心算测试,被试根据录音提示判断数字的奇偶性,并在心里默记奇偶数字的个数,每两秒钟播报一次,播报结束时记录被试判断奇偶数字的个数;休息30秒,然后3分钟深呼吸测试,被试根据录音提示保持5秒钟吸气和5秒钟呼气,每分钟重复6次呼吸;休息30秒,然后4分钟恢复测试;
所述采集单元中根据心率变异性信号计算原理得出HRV时域、频域、非线性动力学参数特征,其中,时域参数包括:MEAN、SDNN、RMSSD和pNN50,频域参数特征包括:VLF、LF、HF和LH/HF,非线性动力学参数特征包括:庞加莱散点图中SD1和SD2、DFA中和、近似熵、样本熵和相关维数;
所述HRV表示心率变异性;
所述MEAN为一定时间内连续RR间隔的平均值,其中,RR间隔为窦房结去极化导致的相邻QRS波群之间的间隔;
所述SDNN为一定时间内连续RR间隔的标准差;
所述RMSSD为一定时间内连续RR间隔差值的均方根;
所述pNN50为一定时间内相邻RR间隔大于50毫秒的比例;
所述VLF为一定时间内连续RR间隔经FFT变换后功率在0.0033~0.04的极低频成分;
所述LF为一定时间内连续RR间隔经FFT变换后功率在0.04~0.15的低频成分;
所述HF为一定时间内连续RR间隔经FFT变换后功率在0.15~0.4的高频成分;
所述LF/HF为低频成分与高频成分的比值;
所述庞加莱散点图中的SD1与SD2为垂直于X=Y方向散点图内短轴与长轴的距离;
所述近似熵、样本熵和相关维数为HRV中时间序列不同的规律性和复杂性描述;
评估单元,该评估单元根据采集单元中获取的HRV时域、频域、非线性动力学参数特征量化评估自主神经系统中交感神经与副交感神经的平衡状态;
模型建立与应用单元,该模型建立与应用单元在定量评估自主神经系统平衡状态的基础上,建立SVM精神分裂症高风险人群自主神经功能评估模型;将采集到的样本随机分为训练组和测试组,HRV参数作为特征输入SVM分类器,获得对于精神分裂症高风险人群自主神经功能数据处理结果;其中,所述SVM精神分裂症高风险人群自主神经功能评估模型用于对比静息期、压力期和恢复期的参数变化;
所述模型建立与应用单元中SVM精神分裂症高风险人群自主神经功能评估模型的工作过程如下:将静息期的心率变异性参数作为参考值;将恢复期、压力期间每一部分的参数与参考值对比,评价精神分裂症高风险人群的自主神经功能变化;综合自主神经试验期间各部分参数的评价结果,得到精神分裂症高风险人群的自主神经功能数据处理结果;
所述SVM精神分裂症高风险人群自主神经功能评估模型将采集到的样本随机分为训练组和测试组,HRV参数值与参考值作为特征输入SVM分类器;
所述SVM精神分裂症高风险人群自主神经功能评估模型中的训练组与测试组,在模型训练过程中,采取随机抽样的方法从参考值总样本中抽取不同比例的样本进行训练,剩余参考值样本则进行测试,以验证该评估模型的准确性;
将压力期与恢复期的参数数据输入精神分裂症自主神经功能评估模型中,获得精神分裂症高风险人群的自主神经功能数据处理结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010765570.5A CN112057087B (zh) | 2020-08-03 | 2020-08-03 | 精神分裂症高风险人群自主神经功能数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010765570.5A CN112057087B (zh) | 2020-08-03 | 2020-08-03 | 精神分裂症高风险人群自主神经功能数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112057087A CN112057087A (zh) | 2020-12-11 |
CN112057087B true CN112057087B (zh) | 2022-04-05 |
Family
ID=73657619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010765570.5A Active CN112057087B (zh) | 2020-08-03 | 2020-08-03 | 精神分裂症高风险人群自主神经功能数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112057087B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112842303A (zh) * | 2020-11-23 | 2021-05-28 | 南京市中医院 | 自主神经系统筛查方法及系统 |
CN113558632B (zh) * | 2021-07-26 | 2023-10-20 | 中国人民解放军陆军军医大学 | 基于心脑电信号的心肺复苏后神经功能结局评估系统 |
CN116473557B (zh) * | 2023-04-12 | 2023-12-19 | 浙江大学 | 一种适用于精神分裂症患者动态性特征指标的检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105816170A (zh) * | 2016-05-10 | 2016-08-03 | 广东省医疗器械研究所 | 基于可穿戴式nirs-eeg的精神分裂症早期检测评估系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2862509B1 (en) * | 2013-10-16 | 2021-01-06 | GM3 Co., Ltd. | Psychiatric symptom and psychiatric disorder onset risk evaluator using heart rate variability index |
CN110063732B (zh) * | 2019-04-15 | 2020-04-28 | 北京航空航天大学 | 用于精神分裂症早期检测和风险预测系统 |
-
2020
- 2020-08-03 CN CN202010765570.5A patent/CN112057087B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105816170A (zh) * | 2016-05-10 | 2016-08-03 | 广东省医疗器械研究所 | 基于可穿戴式nirs-eeg的精神分裂症早期检测评估系统 |
Non-Patent Citations (3)
Title |
---|
Differential pattern of heart rate variability in patients with schizophrenia;Jae Seung Chang等;《Progress in Neuro-Psychopharmacology & Biological Psychiatry》;20090507;第33卷(第6期);第991-995页 * |
Heart rate variability response to mental arithmetic stress in patients with schizophrenia Autonomic response to stress in schizophrenia;Castro等;《Schizophrenia Research》;20071031;第99卷(第1-3期);第294-303页 * |
Nonlinear features of heart rate variability in paranoid schizophrenic;Aboamer等;《Neural Comput & Applic》;20140603;第25卷;第1535-1555页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112057087A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112057087B (zh) | 精神分裂症高风险人群自主神经功能数据处理方法及装置 | |
Henderson et al. | Development and assessment of methods for detecting dementia using the human electroencephalogram | |
Karthikeyan et al. | Detection of human stress using short-term ECG and HRV signals | |
Petković et al. | Adaptive neuro-fuzzy estimation of autonomic nervous system parameters effect on heart rate variability | |
EP2498676B1 (en) | Brain activity as a marker of disease | |
CN104720796B (zh) | 一种用于癫痫发作时间段的自动检测系统及方法 | |
CN114010171B (zh) | 一种基于心跳数据的分类器设置方法 | |
CN106691474A (zh) | 融合脑电信号与生理信号的疲劳检测系统 | |
Liu et al. | EEG-based cross-subject mental fatigue recognition | |
CN113397546B (zh) | 基于机器学习和生理信号的情绪识别模型构建方法及系统 | |
Nardelli et al. | Reliability of lagged poincaré plot parameters in ultrashort heart rate variability series: Application on affective sounds | |
CN111150410B (zh) | 基于心电信号与肌电信号融合的心理压力评测方法 | |
KR20190049430A (ko) | 맥파 및 심박변이도를 이용한 통증 분류 방법 | |
CN111067513B (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
Kobayashi et al. | Development of a mental disorder screening system using support vector machine for classification of heart rate variability measured from single-lead electrocardiography | |
Smitha et al. | Classifying subjective emotional stress response evoked by multitasking using EEG | |
CN112617772B (zh) | 一种基于脉搏波信号的驾驶疲劳识别方法及系统 | |
Sriraam et al. | Multichannel EEG based inter-ictal seizures detection using Teager energy with backpropagation neural network classifier | |
CN113397482A (zh) | 一种人类行为分析方法及系统 | |
CN115017996A (zh) | 一种基于多生理参数的脑力负荷预测方法和系统 | |
CN108324272A (zh) | 一种基于lzc复杂度测查焦虑程度的装置 | |
WO2017057022A1 (ja) | 生体状態推定装置、生体状態推定方法及びコンピュータプログラム | |
US20220183619A1 (en) | Method for classifying a polysomnography recording into defined sleep stages | |
KR20220126041A (ko) | 심장의 동적 특성을 이용한 감성 인식 방법 및 시스템 | |
Sun et al. | HRVBased Stress Recognizing by Random Forest |
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 |