CN112089398A - 一种毒瘾程度检测方法 - Google Patents
一种毒瘾程度检测方法 Download PDFInfo
- Publication number
- CN112089398A CN112089398A CN202010822415.2A CN202010822415A CN112089398A CN 112089398 A CN112089398 A CN 112089398A CN 202010822415 A CN202010822415 A CN 202010822415A CN 112089398 A CN112089398 A CN 112089398A
- Authority
- CN
- China
- Prior art keywords
- drug
- module
- cnn
- classification
- pictures
- 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
- A61B5/48—Other medical applications
- A61B5/4845—Toxicology, e.g. by detection of alcohol, drug or toxic products
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4884—Other medical applications inducing physiological or psychological stress, e.g. applications for stress testing
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种毒瘾程度检测方法,利用计算机系统进行毒瘾程度检测,采用的检测系统由行为学模块、毒瘾刺激模块、数据采集模块、CNN模型建立模块、CNN分类模块和结果评估模块组成。本发明方法的操作步骤为:1)行为学指标采集,2)刺激吸毒人员对毒品的反应,3)采集近红外数据,4)建立CNN模型。5)进行CNN分类,6)对结果进行评估。本发明方法解决了吸毒人员成瘾程度仅能依据人为主观因素界定的问题,本发明方法将人工智能方法用于轻度、中度、重度三类吸毒人员生理数据分类得到平均正确率在75%。本发明方法使吸毒成瘾程度界定更客观和标准化,使戒毒康复走向更科学性、合理化、人性化的道路。
Description
技术领域
本发明涉及一种毒瘾程度检测方法,应用于社会治安稳定与医工结合应用方面。
背景技术
目前毒瘾领域研究集中在毒瘾病理学分析和治疗方法研究。在毒瘾程度检测方面,主要以度量表评估。这种主观的评判标准不具有统一性,难以体现吸毒人员是否真正脱毒。这一现象导致了吸毒戒断成功率低,脱毒之后容易产生复吸的问题。这也是毒品屡禁不止的重要原因。
发明内容
为了解决上述技术问题,本发明提供了一种毒瘾程度检测方法,能够通过吸毒人员受到毒品图片刺激时的前额近红外数据分析,客观评估毒瘾程度。本发明通过吸毒人员毒瘾程度界定,方便后续开展针对性的干预方法训练方案,进而提高吸毒人员戒断成功率,使吸毒成瘾程度界定更客观和标准化,使戒毒康复走向更科学性、合理化、人性化的道路。
为达到上述目的,本发明采用如下技术方案:
本发明公开了一种毒瘾程度检测方法,采用的检测系统包括行为学模块、毒瘾刺激模块、数据采集模块、CNN(ConvolutionalNeuralNetworks,卷积神经网络)模型建立模块、CNN 分类模块、结果评估模块;利用计算机进行毒瘾程度检测方法的步骤如下:
1)行为学指标采集:
采用行为学模块包括行为学量表、患者口述、医院专家意见,其中行为学量表由抑郁自评表(SDS)、焦虑自评量表(SAS)、症状自评表(SCL-90)、人格特征量表(16PF)组成;对建立模型所需要数据的行为学指标进行采集,并确定行为学上的毒瘾程度分类;
2)刺激吸毒人员对毒品的反应:
获取已分类吸毒人群后,使用毒瘾刺激模块,包括毒品渴求度的刺激触发范式,根据吸毒相关图片还原真实吸毒场景,刺激吸毒人员对毒品的反应;
3)采集近红外数据:
当吸毒人员被刺激出对毒品的反应后,使用数据采集模块采集近红外数据,包括近红外数据采集,使用便携式NIRSIT设备采集吸毒人员的前额近红外数据,作为下一个模块的输入数据;
4)建立CNN模型:
CNN模型建立模块包括模型建立所需要的近红外数据,卷积神经网络CNN-BN以及保存模型三部分,通过已确定的轻度、中度、重度三类吸毒人员的数据,建立卷积神经网络的模型并保存;
5)进行CNN分类:
生成神经网络模型后,即可使用CNN分类模块对未分类人员进行分类。该模块包括近红外数据,读取卷积神经网络CNN模型以及分类三部分,近红外数据为未分类吸毒人员的数据,通过已建立的模型对其分类;
6)对结果进行统计评估:
获取分类结果之后,需要对结果进行统计评估;结果评估模块包括统计结果与评估等级,通过对分类结果的统计,获得未分类吸毒人员毒瘾程度评估结果。
本发明解决了吸毒人员成瘾程度仅能依据人为主观因素界定的问题,本发明将人工智能方法用于轻度、中度、重度三类吸毒人员生理数据分类得到平均正确率在75%上下。该方法使吸毒成瘾程度界定更客观和标准化,使戒毒康复走向更科学性、合理化、人性化的道路。
作为本发明优选的技术方案,所述步骤1)中的行为学模块包括行为学量表、患者口述、医院专家意见。通过采集训练建模人员的行为学量表、患者口述、医院专家意见对其进行毒瘾程度分类。这为后面CNN模型建立模块提供数据的标签。
作为本发明优选的技术方案,所述步骤2)中的毒瘾刺激模块包括毒品渴求度的刺激触发范式。范式中每一张图片设定编号,并设定任务态阶段时间6min,该阶图片分为毒品刺激图、中立图两类图片,其中设定每一个block为10s,共向被试对象显示16张图片,每张图片显示时间都为0.6s,开始时前4张图片为一组随机显示,这其中会含有两张毒品刺激图,之后使被试对象看到的剩余12张图片全为中立图随机显示;一个block结束之后,设有一个 4s的间隔图显示,间隔图为白色背景,黑色十字;在第二阶段任务为当被试对象看到毒品刺激图闪出时,需同步在纸上做标记。毒瘾刺激模块通过吸食毒品相关图片还原真实吸毒场景,使吸毒人员产生对毒品的渴求感和兴奋感。
作为本发明优选的技术方案,所述步骤3)中的数据采集模块使用NIRSIT便携式近红外数据采集设备,测量来自多个SD分离的信号,同时测量被试对象头部的不同深度的血液动力学反应变化信息,保存吸毒人员受到毒品渴求刺激时的前额近红外信号。
作为本发明优选的技术方案,所述步骤3)中的数据采集模块使用NIRSIT便携式近红外数据采集设备,测量来自四个SD分离的信号:15mm、21.2mm、30mm和33.5mm,同时允许的测量被试对象头部不同深度的血液动力学反应变化。
作为本发明优选的技术方案,CNN模型建立模块由多个卷积层与全连接层组成的CNN-BN卷积神经网络,优选设计了一个主要由两个卷积层与三个全连接层组成的CNN-BN卷积神经网络;本发明网络层之间加入了批归一化层来减小过拟合的现象;CNN-BN卷积神经网络使用已分类建模人员数据对卷积神经网络CNN训练,并保存其模型以供后续分类使用。
作为本发明优选的技术方案,所述步骤5)中的CNN分类模块读取已保存的卷积神经网络CNN模型,对未分类人员近红外数据进行分类。
作为本发明优选的技术方案,所述步骤6)中的结果评估模块汇总未分类人员的分类结果,统计后依照各分类结果占比确定未分类人员毒瘾程度。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著优点:
1.本发明解决了吸毒人员成瘾程度仅能依据人为主观因素界定,难以确定吸毒人员是否真正脱毒的问题,本发明方法将人工智能方法用于轻度、中度、重度三类吸毒人员生理数据分类得到平均正确率不低于75%;
2.本发明方法对戒毒人员成瘾程度界定速度更快,免除了繁琐的行为学量表、患者口述与医生诊断等流程;
3.本发明方法使吸毒成瘾程度界定更客观和标准化,使戒毒康复走向更科学性、合理化、人性化的道路。
附图说明
图1为本发明的检测系统结构示意图。
图2为本发明毒瘾渴求刺激实验范式示意图。
图3为本发明近红外设备佩戴示意图示意图。
图4为本发明CNN网络具体结构示意图。
图5为本发明具体实施方法流程图
具体实施方式
下面结合附图和优选实施例对本发明作进一步描述。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发明的保护范围。
实施例一:
参见图1~图5,一种毒瘾程度检测方法,采用的检测系统包括行为学模块、毒瘾刺激模块、数据采集模块、CNN模型建立模块、CNN分类模块、结果评估模块;利用计算机进行毒瘾程度检测方法的步骤如下:
1)行为学指标采集:
采用行为学模块包括行为学量表、患者口述、医院专家意见,其中行为学量表由抑郁自评表(SDS)、焦虑自评量表(SAS)、症状自评表(SCL-90)、人格特征量表(16PF)组成;对建立模型所需要数据的行为学指标进行采集,并确定行为学上的毒瘾程度分类;
2)刺激吸毒人员对毒品的反应:
获取已分类吸毒人群后,使用毒瘾刺激模块,包括毒品渴求度的刺激触发范式,根据吸毒相关图片还原真实吸毒场景,刺激吸毒人员对毒品的反应;
3)采集近红外数据:
当吸毒人员被刺激出对毒品的反应后,使用数据采集模块采集近红外数据,包括近红外数据采集,使用便携式NIRSIT设备采集吸毒人员的前额近红外数据,作为下一个模块的输入数据;
4)建立CNN模型:
CNN模型建立模块包括模型建立所需要的近红外数据,卷积神经网络CNN-BN以及保存模型三部分,通过已确定的轻度、中度、重度三类吸毒人员的数据,建立卷积神经网络的模型并保存;
5)进行CNN分类:
生成神经网络模型后,即可使用CNN分类模块对未分类人员进行分类;CNN分类模块包括近红外数据,读取卷积神经网络CNN模型以及分类三部分,近红外数据为未分类吸毒人员的数据,通过已建立的模型对其分类;
6)对结果进行统计评估:
获取分类结果之后,需要对结果进行统计评估;结果评估模块包括统计结果与评估等级,通过对分类结果的统计,获得未分类吸毒人员毒瘾程度轻度、中度、重度评估结果。
本实施例毒瘾程度检测方法对建立模型所需要的吸毒人员使用行为学模块进行毒瘾程度分类;然后使用毒瘾刺激模块刺激吸毒人员对毒品的反应,并使用数据采集模块采集相应的近红外信号数据并保存;CNN模型建立模块使用保存的近红外信号数据建立模型并保存。并使用毒瘾刺激模块刺激未分类吸毒人员对毒品的反应,使用数据采集模块采集相应的近红外信号数据;然后CNN分类模块加载第一部分保存的CNN模型,并对近红外信号数据实时分类,并将分类结果保存;结果评估模块会对保存的分类结果进行界定,确定未分类吸毒人员的毒瘾程度。本实施例方法将人工智能方法用于轻度、中度、重度三类吸毒人员生理数据分类得到平均正确率不低于75%。本实施例方法使吸毒成瘾程度界定更客观和标准化,使戒毒康复走向更科学性、合理化、人性化的道路。
实施例二:
本实施例与实施例一基本相同,特别之处如下:
所述步骤1)中的行为学模块包括行为学量表、患者口述、医院专家意见;通过采集训练建模人员的行为学量表、患者口述、医院专家意见对其进行毒瘾程度分类。
所述步骤2)中的毒品渴求度的刺激触发范式中每一张图片设定编号,并设定任务态阶段时间6min,该阶图片分为毒品刺激图、中立图两类图片,其中设定每一个block为10s,共向被试对象显示16张图片,每张图片显示时间都为0.6s,开始时前4张图片为一组随机显示,这其中会含有两张毒品刺激图,之后使被试对象看到的剩余12张图片全为中立图随机显示;一个block结束之后,设有一个4s的间隔图显示,间隔图为白色背景,黑色十字;在第二阶段任务为当被试对象看到毒品刺激图闪出时,需同步在纸上做标记;毒瘾刺激模块通过吸食毒品相关图片还原真实吸毒场景,使吸毒人员产生对毒品的渴求感和兴奋感。
所述步骤3)中的数据采集模块使用NIRSIT便携式近红外数据采集设备,测量来自多个 SD分离的信号,同时测量被试对象头部的不同深度的血液动力学反应变化信息,保存吸毒人员受到毒品刺激时的前额近红外信号。所述步骤3)中的数据采集模块使用NIRSIT便携式近红外数据采集设备,测量来自四个SD分离的信号:15mm、21.2mm、30mm和33.5mm,同时允许的测量被试对象头部不同深度的血液动力学反应变化。
所述步骤4)中的CNN模型建立模块由多个卷积层与全连接层组成的CNN-BN卷积神经网络,网络层之间加入了批归一化层来减小过拟合的现象;CNN-BN卷积神经网络使用已分类建模人员数据对卷积神经网络CNN训练,并保存其模型以供后续分类使用。
所述步骤5)中的CNN分类模块读取已保存的卷积神经网络CNN模型,对未分类人员在毒瘾的刺激触发范式中的近红外数据实时分类。
所述步骤6)中的结果评估模块汇总未分类人员的分类结果,统计后依照各分类结果占比确定未分类人员毒瘾程度。
本实施例方法解决了吸毒人员成瘾程度仅能依据人为主观因素界定的问题,本发明将人工智能方法用于轻度、中度、重度三类吸毒人员生理数据分类得到平均正确率在75%。该方法使吸毒成瘾程度界定更客观和标准化,使戒毒康复走向更科学性、合理化、人性化的道路。
实施例三:
参见图1,本毒瘾程度检测方法,该方法采用的检测系统包括:行为学模块(一)、毒瘾刺激模块(二)、数据采集模块(三)、CNN模型建立模块(四)、CNN分类模块(五)、结果评估模块(六)组成。
其中行为学模块(一)包括行为学量表、患者口述、医院专家意见(1);对建立模型所需要数据的行为学指标采集,并确定行为学上的分类。
毒瘾刺激模块(二)包括毒品渴求度的刺激触发范式(2),根据吸毒相关图片还原真实吸毒场景,刺激吸毒人员对毒品的反应。
数据采集模块(三)包括近红外数据采集(3),使用便携式NIRSIT设备采集吸毒人员的前额近红外数据,作为下一个分类模块的输入数据。
CNN模型建立模块(四)包括模型建立所需要的近红外数据(4),卷积神经网络CNN-BN (5)以及保存模型(6)三部分,通过已确定的轻度、中度、重度三类吸毒人员的数据,建立卷积神经网络的模型并保存。
CNN分类模块(五)包括近红外数据(7),读取卷积神经网络CNN模型(8)以及分类(9) 三部分,近红外数据(7)为未分类吸毒人员的数据,通过已建立的模型对其分类。
结果评估模块(六)包括统计结果(10)与评估等级(11),通过对分类结果的统计,获得未分类吸毒人员毒瘾程度评估结果。
参见图2,图2中为毒品渴求度的刺激触发范式,其中每一张图片设定编号,并设定任务态阶段时间6min,该阶段图片分为毒品刺激图、中立图两类图片,其中设定每一个block为 10s,共向被试对象显示16张图片,每张图片显示时间都为0.6s,开始时前4张图片为一组随机显示,这其中会含有两张毒品刺激图,之后使被试对象看到的剩余12张图片全为中立图随机显示;一个block结束之后,设有一个4s的间隔图显示,间隔图为白色背景,黑色十字;在第二阶段任务为当被试对象看到毒品刺激图闪出时,需同步在纸上做标记。毒瘾刺激模块通过吸食毒品相关的图片还原真实吸毒场景,使吸毒人员产生对毒品的渴求感和兴奋感。
参见图3,如图3所示为便携式NIRSIT近红外设备的佩戴方法。该设备光源类型为双波长VCSEL激光,技术光谱为CW;波长780nm至850nm,空间分辨率为4x4mm2,时间分辨率为8.13Hz,光源数量为24个,探测器数量为32个。用于实验的NIRS系统是能够测量来自四个SD分离的信号:15mm,21.2mm,30mm和33.5mm,同时允许的测量不同深度的血液动力学反应变化。该系统是一种功能性近红外光谱(fNIRS)器件共204个通道。
参见图4,图4中为卷积神经网络CNN-BN的具体结构图。该网络由多个卷积层,平均池化层,批归一化层,全连接层等组成。每一层参数如下:
第一层:输入层。输入为原始数据的矩阵,维度为16×5×1。16为通道数量,5为每一个通道上的数据点数,1为数据深度。
第二层:卷积层。该层设置32个卷积核,卷积核的大小为2×1,卷积步长为2×1,使用ReLU激活函数。为了寻找相邻电极之间的特征,这里不在时间点维度上进行卷积,仅在电极维度上进行卷积。
第三层:平均池化层。使用池化减少通道之间冗余信息。
第四层:批标准化层。由于每个样本的数据量小,极易发生过拟合。设置BN层可以很好地防止过拟合并且加快训练速度。
第五层:卷积层,该层设置32个卷积核,卷积核的大小为2×2,卷积步长为1×1,使用 ReLU激活函数。这里不仅寻找相邻电极之间的特征,也对时间点维度特征进行寻找。
第六层:平均池化层。使用池化减少通道之间冗余信息。
第七层:展平层。将特征由二维转为一维。
第八层:批标准化层。优化一维特征分布,方便后续网络调整参数。
第九层:全连接层。寻找一维特征分布的规律。
第十层:全连接层。对最终特征进行分类。
其中卷积层通过时间方向,通道方向的卷积,提取数据中的高维特征。将高维特征使用展平层从多维转化为一维送入全连接层中。多个全连接层完成特征的分类。网络中穿插了批归一化层,用来减少过拟合的现象,使网络更加稳定可靠。该网络平均正确率可达到75%。
参见图5,图5中显示了本发明方法的具体实施方法,主要分为两部分。第一部分首先对建立模型所需要的吸毒人员使用行为学模块进行毒瘾程度分类。然后使用毒瘾刺激模块刺激吸毒人员对毒品的反应,并使用数据采集模块采集相应的近红外信号数据并保存。CNN模型建立模块使用保存的近红外信号数据建立模型并保存。第二部分首先使用毒瘾刺激模块刺激未分类吸毒人员对毒品的反应,并使用数据采集模块采集相应的近红外信号数据。然后CNN 分类模块加载第一部分保存的CNN模型,并对近红外信号数据实时分类,并将分类结果保存。结果评估模块会对保存的分类结果进行界定,确定未分类吸毒人员的毒瘾程度。
本实施例方法解决了吸毒人员成瘾程度仅能依据人为主观因素界定的问题,本发明将人工智能方法用于轻度、中度、重度三类吸毒人员生理数据分类得到平均正确率在75%。该方法使吸毒成瘾程度界定更客观和标准化,使戒毒康复走向更科学性、合理化、人性化的道路。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种毒瘾程度检测方法,其特征在于:采用的检测系统包括行为学模块、毒瘾刺激模块、数据采集模块、CNN模型建立模块、CNN分类模块、结果评估模块;利用计算机进行毒瘾程度检测方法的步骤如下:
1)行为学指标采集:
采用行为学模块包括行为学量表、患者口述、医院专家意见,其中行为学量表由抑郁自评表(SDS)、焦虑自评量表(SAS)、症状自评表(SCL-90)、人格特征量表(16PF)组成;对建立模型所需要数据的行为学指标进行采集,并确定行为学上的毒瘾程度分类;
2) 刺激吸毒人员对毒品的反应:
获取已分类吸毒人群后,使用毒瘾刺激模块,包括毒品渴求度的刺激触发范式,根据吸毒相关图片还原真实吸毒场景,刺激吸毒人员对毒品的反应;
3)采集近红外数据:
当吸毒人员被刺激出对毒品的反应后,使用数据采集模块采集近红外数据,包括近红外数据采集,使用便携式NIRSIT设备采集吸毒人员的前额近红外数据,作为下一个模块的输入数据;
4)建立CNN模型:
CNN模型建立模块包括模型建立所需要的近红外数据,卷积神经网络CNN-BN以及保存模型三部分,通过已确定的轻度、中度、重度三类吸毒人员的数据,建立卷积神经网络的模型并保存;
5)进行CNN分类:
生成神经网络模型后,即可使用CNN分类模块对未分类人员进行分类;CNN分类模块包括近红外数据,读取卷积神经网络CNN模型以及分类三部分,近红外数据为未分类吸毒人员的数据,通过已建立的模型对其分类;
6)对结果进行统计评估:
获取分类结果之后,需要对结果进行统计评估;结果评估模块包括统计结果与评估等级,通过对分类结果的统计,获得未分类吸毒人员毒瘾程度轻度、中度、重度评估结果。
2.根据权利要求1所述毒瘾程度检测方法,其特征在于:所述步骤1)中的行为学模块包括行为学量表、患者口述、医院专家意见;通过采集训练建模人员的行为学量表、患者口述、医院专家意见对其进行毒瘾程度分类。
3.根据权利要求1所述毒瘾程度检测方法,其特征在于:所述步骤2)中的毒品渴求度的刺激触发范式中每一张图片设定编号,并设定任务态阶段时间6min,该阶图片分为毒品刺激图、中立图两类图片,其中设定每一个block为10s,共向被试对象显示16张图片,每张图片显示时间都为0.6s,开始时前4张图片为一组随机显示,这其中会含有两张毒品刺激图,之后使被试对象看到的剩余12张图片全为中立图随机显示;一个block结束之后,设有一个4s的间隔图显示,间隔图为白色背景,黑色十字;在第二阶段任务为当被试对象看到毒品刺激图闪出时,需同步在纸上做标记;毒瘾刺激模块通过吸食毒品相关图片还原真实吸毒场景,使吸毒人员产生对毒品的渴求感和兴奋感。
4.根据权利要求1所述毒瘾程度检测方法,其特征在于:所述步骤3)中的数据采集模块使用NIRSIT便携式近红外数据采集设备,测量来自多个SD分离的信号,同时测量被试对象头部的不同深度的血液动力学反应变化信息,保存吸毒人员受到毒品渴求刺激时的前额近红外信号。
5.根据权利要求4所述毒瘾程度检测方法,其特征在于:所述步骤3)中的数据采集模块使用NIRSIT便携式近红外数据采集设备,测量来自四个SD分离的信号:15mm、21.2mm、30mm和33.5mm,同时允许的测量被试对象头部不同深度的血液动力学反应变化。
6.根据权利要求1所述毒瘾程度检测方法,其特征在于:所述步骤4)中的CNN模型建立模块由多个卷积层与全连接层组成的CNN-BN卷积神经网络,网络层之间加入了批归一化层来减小过拟合的现象;CNN-BN卷积神经网络使用已分类建模人员数据对卷积神经网络CNN训练,并保存其模型以供后续分类使用。
7.根据权利要求1所述毒瘾程度检测方法,其特征在于:所述步骤5)中的CNN分类模块读取已保存的卷积神经网络CNN模型,对未分类人员在刺激触发范式中的近红外数据实时分类。
8.根据权利要求1所述毒瘾程度检测方法,其特征在于:所述步骤6)中的结果评估模块汇总未分类人员的分类结果,统计后依照各分类结果占比确定未分类人员毒瘾程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010822415.2A CN112089398A (zh) | 2020-08-17 | 2020-08-17 | 一种毒瘾程度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010822415.2A CN112089398A (zh) | 2020-08-17 | 2020-08-17 | 一种毒瘾程度检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112089398A true CN112089398A (zh) | 2020-12-18 |
Family
ID=73753861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010822415.2A Pending CN112089398A (zh) | 2020-08-17 | 2020-08-17 | 一种毒瘾程度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112089398A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362930A (zh) * | 2021-06-30 | 2021-09-07 | 浙江连信科技有限公司 | 用于确定戒毒人员心瘾等级的信息处理方法及装置 |
CN113598794A (zh) * | 2021-08-12 | 2021-11-05 | 中南民族大学 | 一种冰毒成瘾者检测模型的训练方法和系统 |
CN113693596A (zh) * | 2021-07-30 | 2021-11-26 | 阿呆科技(北京)有限公司 | 游戏成瘾程度和成瘾风险评估方法、系统 |
CN113827186A (zh) * | 2021-06-12 | 2021-12-24 | 华南师范大学 | 一种基于计算机视觉的毒品渴求度测量方法 |
CN114343573A (zh) * | 2021-12-23 | 2022-04-15 | 杭州奉禾科技有限公司 | 一种面向药物成瘾患者的闭环数字药物系统、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080234558A1 (en) * | 2007-03-20 | 2008-09-25 | Cogito Health Inc. | Methods and systems for performing a clinical assessment |
CN109300529A (zh) * | 2018-09-12 | 2019-02-01 | 阿呆科技(北京)有限公司 | 基于人工智能和虚拟现实/增强现实的毒瘾渴求靶向干预矫治系统 |
CN110547793A (zh) * | 2019-07-02 | 2019-12-10 | 上海大学 | 一种结合脑电与近红外的毒瘾评估方法 |
CN111035840A (zh) * | 2019-12-20 | 2020-04-21 | 上海大学 | Vr闭环毒瘾自控力训练系统 |
-
2020
- 2020-08-17 CN CN202010822415.2A patent/CN112089398A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080234558A1 (en) * | 2007-03-20 | 2008-09-25 | Cogito Health Inc. | Methods and systems for performing a clinical assessment |
CN109300529A (zh) * | 2018-09-12 | 2019-02-01 | 阿呆科技(北京)有限公司 | 基于人工智能和虚拟现实/增强现实的毒瘾渴求靶向干预矫治系统 |
CN110547793A (zh) * | 2019-07-02 | 2019-12-10 | 上海大学 | 一种结合脑电与近红外的毒瘾评估方法 |
CN111035840A (zh) * | 2019-12-20 | 2020-04-21 | 上海大学 | Vr闭环毒瘾自控力训练系统 |
Non-Patent Citations (1)
Title |
---|
舒霞: "劳教戒毒人员心瘾程度和抵抗情绪的对数回归分析", 《中国药物滥用防治杂志》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113827186A (zh) * | 2021-06-12 | 2021-12-24 | 华南师范大学 | 一种基于计算机视觉的毒品渴求度测量方法 |
CN113362930A (zh) * | 2021-06-30 | 2021-09-07 | 浙江连信科技有限公司 | 用于确定戒毒人员心瘾等级的信息处理方法及装置 |
CN113693596A (zh) * | 2021-07-30 | 2021-11-26 | 阿呆科技(北京)有限公司 | 游戏成瘾程度和成瘾风险评估方法、系统 |
CN113598794A (zh) * | 2021-08-12 | 2021-11-05 | 中南民族大学 | 一种冰毒成瘾者检测模型的训练方法和系统 |
CN114343573A (zh) * | 2021-12-23 | 2022-04-15 | 杭州奉禾科技有限公司 | 一种面向药物成瘾患者的闭环数字药物系统、设备及介质 |
CN114343573B (zh) * | 2021-12-23 | 2023-10-20 | 杭州云戒科技有限公司 | 一种面向药物成瘾患者的闭环数字药物系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112089398A (zh) | 一种毒瘾程度检测方法 | |
CN105877766B (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN107536617A (zh) | 基于驾驶员的生物识别信号检测驾驶员状态的装置和方法 | |
CN111616682B (zh) | 基于便携式脑电采集设备的癫痫发作预警系统及应用 | |
CN110001652A (zh) | 驾驶员状态的监测方法、装置及终端设备 | |
CN108597604A (zh) | 一种基于云数据库的色素障碍性皮肤病分类专家系统 | |
Kalaivani et al. | Prediction of biomedical signals using deep learning techniques | |
CN114781442A (zh) | 基于四维注意力卷积循环神经网络的疲劳分类方法 | |
CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
CN109567832A (zh) | 一种基于智能手环的检测愤怒驾驶状态的方法及系统 | |
CN114842957B (zh) | 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法 | |
US20240062582A1 (en) | Method and Device for Dynamic Recognition of Emotion Based on Facial Muscle Movement Monitoring | |
US20240050006A1 (en) | System and method for prediction and control of attention deficit hyperactivity (adhd) disorders | |
CN113143274A (zh) | 基于摄像头的情绪预警方法 | |
EP3529764A1 (de) | Vorrichtung zur ermittlung von merkmalen einer person | |
CN110135357B (zh) | 一种基于远程遥感的幸福感实时检测方法 | |
CN112562852A (zh) | 基于肢体动作的颈椎病筛查装置 | |
CN111723869A (zh) | 一种面向特殊人员的行为风险智能预警方法及系统 | |
CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
CN113331840B (zh) | 一种抑郁情绪脑电波信号识别系统及方法 | |
CN111064616B (zh) | 一种基于区块链的链式感知质量评测系统 | |
CN112365992A (zh) | 一种基于nrs-lda的医疗体检数据识别分析方法 | |
Zheng et al. | HRVBased Stress Recognizing by Random Forest | |
CN115429272B (zh) | 基于多模态生理信号的心理健康状态评估方法及系统 | |
CN117116474B (zh) | 一种基于人体指尖数据的健康状况智能监控系统 |
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 |