CN112545503B - 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统 - Google Patents

Abstract

本发明涉及一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号的方向性相位指数；将所述测试者的方向性相位指数作为输入送入到分类器中，得到检测结果。该方案基于脑神经信号，克服了传统冰毒检测的缺点，提出了一种冰毒检测的新型方法，大大增加了检测的有效时间，最终经过测试，检测准确率也得到了很大提高。

Description

一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统

技术领域

本发明涉及特征检测技术领域，具体涉及一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统。

背景技术

冰毒于90年代进入中国境内，由于对冰毒的认知较少且缺乏有效的检测手段，使得对吸毒者的检测难度很高。

冰毒的主要成分为甲基苯丙胺，又名去氧麻黄碱，因纯度较高的冰毒为透明结晶体，与冰糖极为相似，所以也被称为冰毒。过量吸食冰毒不仅会使人产生极强的依赖性，同时会引起甲基苯丙胺精神病和精神分裂症等症状。目前对于冰毒(甲基苯丙胺)的检测方法多为尿液与血液检测。传统的尿液与血液检测方法主要通过检测人体尿液或者血液中的成分来判断人员是否吸毒，但经过人体正常的新陈代谢，经过一段时间后尿液与血液中的成分恢复正常，便无法检测出其是否吸毒。因此传统方法仅能够检测出近期吸食过冰毒的人员，而对于长时间未接触过冰毒的人员则很难进行准确的检测。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统，采取多通道fNIRS采集方式，并且提出了为了提高检测准确率，采取了多通道fNIRS采集方式，充分利用多通道信号分析及处理的最新成果技术，综合利用全脑各脑区在面对检测刺激图片显示出的fNIRS信息，采用方向性相位指数算法，对多个通道信号之间的方向性相位指数值进行分析，然后将具有显著差异的通道对的方向性相位指数值作为分类特征，送入到机器学习算法中实现分类。

本发明解决上述技术问题的技术方案如下：

第一方面，本发明提供一种基于多通道fNIRS信号的冰毒成瘾者检测方法，包括以下步骤：

通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；

对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号的方向性相位指数；

将所述测试者的方向性相位指数作为输入送入到分类器中，得到检测结果。

进一步的，所述的预处理操作包括滤波、分割、基线校正和叠加平均。

进一步的，所述的预处理操作，具体包括：

对fNIRS信号进行滤波，滤波参数设置分别为0.03-0.1Hz带通滤波；滤波后将刺激前1s至刺激后15s的fNIRS数据作为一个epoch进行分割，称此epoch为一个S2刺激响应；以刺激前1s数据作为基线进行基线校正，接着对数据中每5个epoch进行一次叠加平均。

进一步的，所述的各个通道fNIRS信号的方向性相位指数的计算方法如下：

针对任意两个通道：x通道和y通道的fNIRS信号x(t)和y(t)，

考虑在固定时间间隔内相位的增量，假设相位的时间序列已知，相位φ_1,2...M(t_k)，t_k为第k次采样间隔，k＝1,2,...，M为信号通道数，则x(t)的相位增量Δ_x(k)，有：

Δ_x(k)＝φ_x(t_k+τ)-φ_x(t_k)＝ω_xτ+F_x(φ_x(t_k),φ_y(t_k))+η_x(t_k) (1)

其中ω_x为fNIRS信号x(t)的频率，η_x(t_k)代表相位增量的噪声成分；函数F_x代表模型的确定性部分，通过有限傅里叶级数作为自然探测函数，利用时间序列Δ_x(k)和φ_x(t_k)进行估算：

通过函数F_x计算x通道fNIRS信号x(t)的相位与y通道fNIRS信号y(t)的相位的相互依赖关系，为：

同理，计算y通道fNIRS信号y(t)的相位与x通道fNIRS信号x(t)的相位的相互依赖关系得到c_y ²；

通过c_x ²和c_y ²计算出x(t)和y(t)相位同步的方向性指数：

范围：-1≤d^xy≤1

当d^xy＝1时：单向耦合(x→y)，d^xy＝-1时：反向情况(y→x)，-1≤d^xy≤1中间值对应双向耦合。

进一步的，在对测试者进行测试之前还包括，对所述分类器进行训练，所述分类器的训练过程包括：

通过多通道fNIRS通道分别对成瘾和健康两类受试者的fNIRS信号进行实时提取，分别得到两类受试者的多通道fNIRS信号并保存；

对两类受试者的各个通道fNIRS信号依次进行预处理操作，得到两类受试者各个通道成瘾刺激对应的fNIRS信号；

分别计算两类受试者的各个通道fNIRS信号的方向性相位指数；

对每个连接对的两组方向性相位指数值进行t-test统计检验，使用Bonferroni多重校正，获得具有显著性差异的邻接边的方向性相位指数值；

利用两类受试者具有显著性差异的邻接边的方向性相位指数值构建特征向量作为样本数据，对初始机器学习模型进行K折交叉验证，获得具有最佳参数组合的分类器。

进一步的，所述的K折交叉验证所述的K折交叉验证包括：在交叉验证的每折中，将K-1份成瘾组的样本数据和K-1份健康组的样本数据用于训练集，剩余1份成瘾组的样本数据和1份健康组的样本数据用于测试集。

进一步的，所述分类器采用Fisher分类器。

第二方面，本发明提供一种基于多通道fNIRS信号的冰毒成瘾者检测系统，包括：

信号提取模块，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；

预处理及计算模块，对各个通道fNIRS信号进行预处理操作，计算各个通道fNIRS信号的方向性相位指数；

分类检测模块，将所述测试者的方向性相位指数作为输入送入到分类器中，得到检测结果。

第三方面，本发明提供一种电子设备，包括：

存储器，用于存储计算机软件程序；

处理器，用于读取并执行所述存储器中存储的计算机软件程序，进而实现本发明第一方面所述的一种基于多通道fNIRS信号的冰毒成瘾者检测方法。

本发明的有益效果是：本发明其首次提出在冰毒检测技术中采取多通道fNIRS采集方式，并且提出了为了提高检测准确率，采取了多通道fNIRS采集方式，充分利用多通道信号分析及处理的最新成果技术，综合利用全脑各脑区在面对检测刺激图片显示出的fNIRS信息，采用方向性相位指数算法，对多个通道信号之间的方向性相位指数值进行分析，然后将具有显著差异的通道对的方向性相位指数值作为分类特征，送入到机器学习算法中实现分类。该方案基于脑神经信号，克服了传统冰毒检测的缺点，提出了一种冰毒检测的新型方法，大大降低了检测的时间，最终经过测试，检测准确率也得到了很大提高。

附图说明

图1为本发明实施例提供的分类器构建方法流程图；

图2为本发明实施例提供的基于多通道fNIRS信号的冰毒成瘾者检测方法流程图。

图3为本发明实施例提供的12折交叉验证的fNIRS信号处理流程图；

图4为本发明实施例提供的实验流程示意图；

图5为本发明实施例提供的fNIRS通道图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

由于冰毒主要依靠影响人的中枢神经来使人产生快感从而产生对冰毒的依赖性，因此在执行相同任务时，冰毒成瘾者的fNIRS图信号与正常人之间存在较大差异。

实施例1

本发明实施例公开了一种基于多通道fNIRS信号方向性相位指数的冰毒检测方法，包括对两类受试者的各个通道fNIRS信号之间的方向性相位指数值进行计算，生成两类受试者的方向性相位指数矩阵；将具有显著差异的通道对的方向性相位指数作为分类特征，送入到机器学习算法中，进行机器学习的模型训练，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存，并将各个通道fNIRS信号进行各个预处理操作后，对测试者的各个通道fNIRS信号之间方向性相位指数值的进行计算，生成测试者的方向性相位指数矩阵，并作为输入送入到训练好的分类器中，得到检测结果。该方案基于脑神经信号，克服了传统冰毒检测的缺点，提出了一种冰毒检测的新型方法，大大增加了检测的有效时间，最终经过测试，检测准确率也得到了很大提高。

具体的，该方法包括构建分类器和检测两部分，其中：

如图1所示，构建分类器包括以下步骤：

步骤1，构建样本集，通过多通道fNIRS通道分别对成瘾和健康两类受试者的fNIRS信号进行提取；

本实施例选取3、4、5、6、7、17、28共7个通道，如图5所示，这7个通道分别位于额叶和中央区域。额叶负责判断、计划、做决策、思维、记忆等高级认知活动，与智力与精神活动有密切联系；中央区域具有躯体感觉皮层，可感觉躯体信息。

选取36名平均年龄在24.83±4.9岁左右的冰毒成瘾女性及健康女性作为受试者。入组标准为：1)达到冰毒依赖标准，但对其它物质没有依赖或者滥用(如可卡因、海洛因、大麻、酒精、尼古丁等)；2)没有精神疾病或脑部创伤；3)在实验前两周没有使用对精神活动有影响的药物。22位健康对照组被试与冰毒成瘾组被试在年龄和教育程度上进行了匹配，对照组被试没有药物使用经历。

采用改良的双选择oddball实验模式，一共有3个block，每个block有100个试次，其中70个标准试次，15个成瘾偏差试次，15个对照偏差试次，标准刺激的图片为篮球图片，偏差图片冰毒相关图片和中性图片各45张。具体实验流程见下图4，在电脑屏幕上首先呈现注视点“+”300ms,接下来呈现一个jitter刺激间隔(ISI：1000-1500ms),之后呈现目标刺激15s，要求被试对出现的篮球图片按F键，对非篮球图片按J键。

步骤2，fNIRS数据预处理：由于已经有研究证实在S2刺激时者冰毒成瘾者与健康者的fNIRS波形有显著差异，因此本发明主要研究S2刺激对应的fNIRS信号。将连续的fNIRS波形依次进行滤波、分割、基线校正和叠加平均等操作，滤波参数设置分别为0.03-0.1Hz带通滤波。将刺激前1s至刺激后15s的fNIRS数据作为一个epoch进行分割，称此epoch为一个S2刺激响应，以刺激前1s数据作为基线进行基线校正。原始的fNIRS信号信噪比极低，为了去除噪声，本发明使用少次平均技术，将每名受试者所有通道上的每5个epoch进行一次叠加平均，得到两类受试者所需的S2刺激响应的数据集。S2刺激就是目标刺激，也就是冰毒图片对受试者的刺激。

步骤3，特征提取：分别计算上述预处理后两类人群的S2刺激响应的数据集的方向性相位指数，生成288个7×7(通道数×通道数)的方向性相位指数，包括成瘾人群(18人)的144个7×7(通道数×通道数)方向性相位指数值以及健康人群(18人)的144个7×7(通道数×通道数)方向性相位指数值。本实施例中是利用HERMES工具包生成的方向性相位指数值，横纵轴代表选定的7个通道。对每个连接对的两组方向性相位指数值进行t-test统计检验，使用Bonferroni多重校正，将具有显著性差异的邻接边的方向性相位指数值作为分类特征。

这里，假设有两个通道是p1和p2，则每个连接对的两组方向性相位指数值表示p1对p2的方向性相位指数和p2对p1的方向性相位指数，以此类推。

分别对两类受试者的各个通道fNIRS信号之间的方向性相位指数值进行计算，通道fNIRS信号之间的方向性相位指数值的计算步骤分别为：

针对任意两个通道：x通道和y通道的fNIRS信号x(t)和y(t)，

考虑在固定时间间隔内相位的增量，假设相位的时间序列已知，相位φ_1,2...M(t_k)，t_k为第k次采样间隔，k＝1,2,...，M为信号通道数，则x(t)的相位增量Δ_x(k)，有：

Δ_x(k)＝φ_x(t_k+τ)-φ_x(t_k)＝ω_xτ+F_x(φ_x(t_k),φ_y(t_k))+η_x(t_k) (1)

其中ω_x为fNIRS信号x(t)的频率，η_x(t_k)代表相位增量的噪声成分；函数F_x代表模型的确定性部分，通过有限傅里叶级数作为自然探测函数，利用时间序列Δ_x(k)和φ_x(t_k)进行估算：

通过函数F_x计算x通道fNIRS信号x(t)的相位与y通道fNIRS信号y(t)的相位的相互依赖关系，为：

同理，计算y通道fNIRS信号y(t)的相位与x通道fNIRS信号x(t)的相位的相互依赖关系得到c_y ²；

通过c_x ²和c_y ²计算出x(t)和y(t)相位同步的方向性指数：

范围：-1≤d^xy≤1

当d^xy＝1时：单向耦合(x→y)，d^xy＝-1时：反向情况(y→x)，-1≤d^xy≤1中间值对应双向耦合。

步骤4，模式识别分类：对上述特征集进行12折交叉验证，K折交叉验证的原理即：在交叉验证的每折中，将(K-1)份成瘾组的样本数据和(K-1)份健康组的样本数据用于训练集，剩余1份成瘾组的样本数据和1份健康组的样本数据用于测试集。因此，本实验中每组144份数据，在每折中，将每组的132个样本数据用于训练集，剩余12个样本数据用于测试集。

步骤5，机器学习的模型，选择Adaboost分类器。AdaBoost是adaptive boosting(自适应boosting)的缩写，其会对训练数据中的每个样本都赋予一个权重，这些权重构成一个向量。在训练开始时，这些权重都为初始值即等值。当分类开始后会由训练数据训练出多个弱分类器，同时会计算该次分类的错误率，然后根据错误率调整每个样本所赋予的权重，判断正确的权重会降低，判断错误的权重会提高，之后在原先训练好的弱分类器上进行第二次训练。同样的，每个弱分类器也会得到一个权重，这个权重是由其分类错误率而定的。当训练完所有特征，所有的弱分类器得到了最大限度的训练，并且确定了其权重后，按其权重进行累加，得到一个强分类器。接着将测试集送入该分类器中，依据之前的训练结果，判断出该测试数据属于成瘾人员还是健康人员以完成测试。

本研究的FNIRS信号处理流程如图3所示，

分类器构建完成后，进入检测阶段，检测过程如图2所示：通过步骤1的多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存，并将各个通道fNIRS信号进行步骤2的各个预处理操作后，利用步骤3生成测试者的方向性相位指数，并作为输入送入到步骤5得到的分类器中，得到检测结果。

本方案分类准确率结果见表1。

表1分类准确率结果

本发明提出了为了提高检测准确率，采取了多通道fNIRS采集方式，充分利用多通道信号分析及处理的最新成果技术，综合利用全脑各脑区在面对检测刺激图片显示出的fNIRS信息，然后将具有显著差异的通道对的方向性相位指数值作为分类特征，送入到机器学习算法中实现分类，进而提高检测准确率。本申请选取的7通道fNIRS所分布的几个脑区基本来源于前验知识，额叶负责判断、计划、做决策、思维、记忆等高级认知活动，与智力与精神活动有密切联系；中央区域具有躯体感觉皮层，可感觉躯体信息。7个脑区的选择绝非随意组合，其选择是结合了脑认知科学的诸多研究成果，而进行的精心选择，即使在其它任何专利中有任何脑区的任何特征被用于任何其它用途的检测，甚至包括冰毒的检测，与本专利综合利用这些脑区的技术均不相同。另外，对于方向性相位指数，具有的特点如下：两个同时测量的自我持续振信号x(t)和y(t)是弱耦合的，并且相位增量只取决于相位本身，而不受振幅的影响，那么这样的增量可以通过两相位的周期函数来建模，并且可以通过这些函数的参数来评估两个振子之间相位同步的方向性。实验证实了本特征对于冰毒检测的敏感度和特异度均具有较好效果。

本方案是采用了上述基于多道fNIRS信号的方向性相位指数算法及机器学习的新方法，且本专利发明了一种基于少次刺激的检测系统，可以减少刺激次数，大大减少试验时间，从而大大降低被测试者的疲劳程度，可以大大增加冰毒检测的有效时间。本专利与ERP技术完全区分开来，ERP技术是多次检测刺激后信号的叠加，利用的是信号的时域特征是锁时锁相位的，其缺点就是对任何一名人员进行检测，均需要大量刺激后信号的叠加。而本专利是在实际应用前，采集大量人员的fNIRS信号，通过机器学习算法，训练出对正常人员和吸毒人员的全脑方向性相位指数特征可以有效区分的分类器，因而在实际使用中，只需要一次刺激就可以进行判别被检测人员是否是冰毒吸食者的一种技术。

实施例2

本发明实施例提供一种电子设备，包括存储器和处理器，还包括一些外设，例如多个脑部电极等等，多个脑部电极与所述电子设备进行连接构成基于多通道fNIRS信号的冰毒成瘾者检测系统，该系统包括：

信号提取模块，由脑部电极及其与电子设备的连接通道构成，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存至所述存储器中；

所述存储器中还存储有计算机软件程序，该软件程序被所述处理器读取并执行，用于实现本发明实施例1所公开的一种基于多通道fNIRS信号的冰毒成瘾者检测方法。由此存储器中可以包括：

预处理及矩阵生成模块，对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间方向性相位指数；

分类检测模块，将所述测试者的方向性相位指数作为输入送入到分类器中，得到检测结果。

同时还需说明的是，计算机软件程序中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于多通道fNIRS信号的冰毒成瘾者检测方法，其特征在于，包括以下步骤：

通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；

对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号的方向性相位指数；

将所述测试者的方向性相位指数作为输入送入到分类器中，得到检测结果；

其中，所述的各个通道fNIRS信号的方向性相位指数的计算方法如下：

针对任意两个通道：x通道和y通道的fNIRS信号x(t)和y(t)，

考虑在固定时间间隔内相位的增量，假设相位的时间序列已知，相位φ_1,2...M(t_k)，t_k为第k次采样间隔，k＝1,2,...，M为信号通道数，则x(t)的相位增量Δ_x(k)，有：

Δ_x(k)＝φ_x(t_k+τ)-φ_x(t_k)＝ω_xτ+F_x(φ_x(t_k),φ_y(t_k))+η_x(t_k) (1)

其中ω_x为fNIRS信号x(t)的频率，η_x(t_k)代表相位增量的噪声成分；函数F_x代表模型的确定性部分，通过有限傅里叶级数作为自然探测函数，利用时间序列Δ_x(k)和φ_x(t_k)进行估算：

通过函数F_x计算x通道fNIRS信号x(t)的相位与y通道fNIRS信号y(t)的相位的相互依赖关系，为：

考虑在固定时间间隔内相位的增量，假设相位的时间序列已知，相位φ_1,2...M(t_k)，t_k为第k次采样间隔，k＝1,2,...，M为信号通道数，则y(t)的相位增量Δ_y(k)，有：

其中ω_y为fNIRS信号y(t)的频率，η_y(t_k)代表相位增量的噪声成分；函数F_y代表模型的确定性部分，通过有限傅里叶级数作为自然探测函数，利用时间序列Δ_y(k)和

进行估算：

通过函数F_y计算y通道fNIRS信号y(t)的相位与x通道fNIRS信号x(t)的相位的相互依赖关系，为：

通过c_x ²和c_y ²计算出x(t)和y(t)相位同步的方向性指数：

范围：-1≤d^xy≤1

当d^xy＝1时：单向耦合(x→y)，d^xy＝-1时：反向情况(y→x)，-1≤d^xy≤1中间值对应双向耦合。

2.根据权利要求1所述的方法，其特征在于，所述的预处理操作包括滤波、分割、基线校正和叠加平均。

3.根据权利要求2所述的方法，其特征在于，所述的预处理操作，具体包括：

对fNIRS信号进行滤波，滤波参数设置分别为0.03-0.1Hz带通滤波；滤波后将刺激前1s至刺激后15s的fNIRS数据作为一个epoch进行分割，称此epoch为一个S2刺激响应；以刺激前1s数据作为基线进行基线校正，接着对数据中每5个epoch进行一次叠加平均。

4.根据权利要求1所述的方法，其特征在于，在对测试者进行测试之前还包括，对所述分类器进行训练，所述分类器的训练过程包括：

通过多通道fNIRS通道分别对成瘾和健康两类受试者的fNIRS信号进行实时提取，分别得到两类受试者的多通道fNIRS信号并保存；

对两类受试者的各个通道fNIRS信号依次进行预处理操作，得到两类受试者各个通道成瘾刺激对应的fNIRS信号；

分别计算两类受试者的各个通道fNIRS信号的方向性相位指数；

对每个连接对的两组方向性相位指数值进行t-test统计检验，使用Bonferroni多重校正，获得具有显著性差异的邻接边的方向性相位指数值；

利用两类受试者具有显著性差异的邻接边的方向性相位指数值构建特征向量作为样本数据，对初始机器学习模型进行K折交叉验证，获得具有最佳参数组合的分类器。

5.根据权利要求4所述的方法，其特征在于，所述的K折交叉验证包括：在交叉验证的每折中，将K-1份成瘾组的样本数据和K-1份健康组的样本数据用于训练集，剩余1份成瘾组的样本数据和1份健康组的样本数据用于测试集。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述分类器采用Fisher分类器。

7.一种基于多通道fNIRS信号的冰毒成瘾者检测系统，其特征在于，包括：

信号提取模块，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；

预处理及计算模块，对各个通道fNIRS信号进行预处理操作，计算各个通道fNIRS信号的方向性相位指数；

分类检测模块，将所述测试者的方向性相位指数作为输入送入到分类器中，得到检测结果；

其中，所述的各个通道fNIRS信号的方向性相位指数的计算方法如下：

针对任意两个通道：x通道和y通道的fNIRS信号x(t)和y(t)，

考虑在固定时间间隔内相位的增量，假设相位的时间序列已知，相位φ_1,2...M(t_k)，t_k为第k次采样间隔，k＝1,2,...，M为信号通道数，则x(t)的相位增量Δ_x(k)，有：

Δ_x(k)＝φ_x(t_k+τ)-φ_x(t_k)＝ω_xτ+F_x(φ_x(t_k),φ_y(t_k))+η_x(t_k) (1)

其中ω_x为fNIRS信号x(t)的频率，η_x(t_k)代表相位增量的噪声成分；函数F_x代表模型的确定性部分，通过有限傅里叶级数作为自然探测函数，利用时间序列Δ_x(k)和φ_x(t_k)进行估算：

通过函数F_x计算x通道fNIRS信号x(t)的相位与y通道fNIRS信号y(t)的相位的相互依赖关系，为：

考虑在固定时间间隔内相位的增量，假设相位的时间序列已知，相位φ_1,2...M(t_k)，t_k为第k次采样间隔，k＝1,2,...，M为信号通道数，则y(t)的相位增量Δ_y(k)，有：

其中ω_y为fNIRS信号y(t)的频率，η_y(t_k)代表相位增量的噪声成分；函数F_y代表模型的确定性部分，通过有限傅里叶级数作为自然探测函数，利用时间序列Δ_y(k)和

进行估算：

通过函数F_y计算y通道fNIRS信号y(t)的相位与x通道fNIRS信号x(t)的相位的相互依赖关系，为：

通过c_x ²和c_y ²计算出x(t)和y(t)相位同步的方向性指数：

范围：-1≤d^xy≤1

当d^xy＝1时：单向耦合(x→y)，d^xy＝-1时：反向情况(y→x)，-1≤d^xy≤1中间值对应双向耦合。

8.一种电子设备，其特征在于，包括：

存储器，用于存储计算机软件程序；

处理器，用于读取并执行所述存储器中存储的计算机软件程序，进而实现权利要求1-6任一项所述的一种基于多通道fNIRS信号的冰毒成瘾者检测方法。

9.一种非暂态计算机可读存储介质，其特征在于，该存储介质中存储有用于实现权利要求1-6任一项所述的一种基于多通道fNIRS信号的冰毒成瘾者检测方法。

Images