CN112560931B - 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

一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统 Download PDF

Info

Publication number
CN112560931B
CN112560931B CN202011450177.3A CN202011450177A CN112560931B CN 112560931 B CN112560931 B CN 112560931B CN 202011450177 A CN202011450177 A CN 202011450177A CN 112560931 B CN112560931 B CN 112560931B
Authority
CN
China
Prior art keywords
fnirs
channel
phase
signal
signals
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
Application number
CN202011450177.3A
Other languages
English (en)
Other versions
CN112560931A (zh
Inventor
高军峰
张家琦
宋健
魏曙光
黎峰
韦思宏
黄伟安
曾宣威
康倩若
湛慧苗
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.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
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 South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN202011450177.3A priority Critical patent/CN112560931B/zh
Publication of CN112560931A publication Critical patent/CN112560931A/zh
Application granted granted Critical
Publication of CN112560931B publication Critical patent/CN112560931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

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信号的互信息值、偏度值或相锁值，并构建互信息邻接矩阵、偏度矩阵或相锁值邻接矩阵；将所述互信息邻接矩阵、偏度矩阵或相锁值邻接矩阵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。
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信号的互信息值、偏度值或相锁值，并构建互信息邻接矩阵、偏度矩阵或相锁值邻接矩阵；
将所述互信息邻接矩阵、偏度矩阵或相锁值邻接矩阵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，各个通道fNIRS信号的互信息邻接矩阵通过以下方法计算：
假设有M个不同的随机状态的离散随机变量X，将其分为m份，计算每份的分布密度即可得到变量X在每份数据中的概率，由此得到{X＝xi}的概率分别为pi，i＝1,2,3,…,m∑pi＝1，离散序列X的信息熵可计算出：
Figure BDA0002826460740000021
同理，若有两个离散随机序列X和Y,此时将其分为m×m份，我们可以得到{X＝xi,Y＝yj}的概率为pij，i,j＝1,2,3,…,m，此时X和Y联合计算为：
Figure BDA0002826460740000022
X和Y的互信息值即可定义为：
MIXY＝HX+HY-HXY (3)
范围:0≤MIXY≤∞；MIXY＝0:X和Y相互独立；MIXY＞0:X和Y相互依赖；
依次计算各个通道fNIRS信号中任一两通道间互信息值，构建互信息邻接矩阵，矩阵的横纵轴均为通道编号。
进一步的，各个通道fNIRS信号的偏度矩阵通过以下方法计算：
设x为采集到的振动信号序列，i＝1,2,…,n，偏度
Figure BDA0002826460740000031
sd为样本标准差；
Figure BDA0002826460740000032
为均值，n为信号xi的采样点数；
依次计算各个通道fNIRS信号偏度值，构建偏度矩阵。
进一步的，各个通道fNIRS信号的相锁值邻接矩阵通过以下方法计算：
从实值信号x(t)和y(t)得到相应的解析信号xan(t)和yan(t)：
Figure BDA0002826460740000033
Figure BDA0002826460740000034
其中xH(t)和yH(t)分别是x(t)和y(t)的希尔伯特变换；即:
Figure BDA0002826460740000035
P·V·为柯西主成分值；
解析信号表达式中：
Figure BDA0002826460740000036
Figure BDA0002826460740000037
Ax(t),φx(t)分别为xan(t)的瞬时振幅和相位，同理可得yan(t)的瞬时振幅和相位Ay(t),φy(t)；
对于任意时刻的t，有Δφ(t)＝|φx(t)-φy(t)|≤cte，此即为锁相条件；
对信号的相对阶段进行处理，取其相对相位差区间[0,2π)；即:
Δφrel(t)＝Δφ(t)mod 2π
相锁值PLV仅计算两类信号之间的相对信号差，其定义式为：
Figure BDA0002826460740000041
<·>表示时间平均值；
范围：0≤PLV≤1。
依次计算各个通道fNIRS信号中任一两通道间相锁值，构建相锁值邻接矩阵，矩阵的横纵轴均为通道编号。
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信号之间的互信息邻接矩阵、偏度矩阵或相锁值邻接矩阵；
对互信息邻接矩阵、偏度矩阵或相锁值邻接矩阵中每个连接对的两组互信息值、偏度值或相锁值进行t-test统计检验，使用Bonferroni多重校正，得到具有显著性差异的邻接边的互信息值、偏度值或相锁值；
利用两类受试者具有显著性差异的邻接边的互信息值、偏度值或相锁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信号的互信息值、偏度值或相锁值，并构建互信息邻接矩阵、偏度矩阵或相锁值邻接矩阵；
分类检测模块，将所述互信息邻接矩阵、偏度矩阵或相锁值邻接矩阵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，利用各个通道fNIRS信号的互信息值或偏度值或相锁值，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信号的互信息值的冰毒检测方法，包括对两类受试者的各个通道fNIRS信号之间的互信息值进行计算；将具有显著差异的通道对的互信息值作为分类特征，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信号之间互信息值的进行计算，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：选取3，5，28，29，36，37共6个通道，如图5所示，这6个通道分别位于额叶和中央区域。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，因此本实施例主要研究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，本实施例使用少次平均技术，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互信息值，生成288个6×6(通道数×通道数)的互信息邻接矩阵，包括成瘾人群(18人)的144个6×6(通道数×通道数)互信息邻接矩阵以及健康人群(18人)的144个6×6(通道数×通道数)互信息邻接矩阵。本实施例中只选取6导fNIRS信号用于分析。本实施例中是利用HERMES工具包生成的互信息邻接矩阵(方阵)，横纵轴代表选定的6导通道。对每个连接对的两组互信息值进行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互信息值作为分类特征。
分别对两类受试者的各个通道fNIRS信号通道之间的互信息值进行计算，生成两类受试者的互信息邻接矩阵(N*N方阵)；通道fNIRS信号之间的互信息值的计算方法为：
假设有M个不同的随机状态的离散随机变量X，将其分为m份，计算每份的分布密度即可得到变量X在每份数据中的概率，由此得到{X＝xi}的概率分别为pi，i＝1,2,3,…,m∑pi＝1，离散序列X的信息熵可计算出：
Figure BDA0002826460740000081
同理，若有两个离散随机序列X和Y，此时将其分为m×m份，我们可以得到{X＝xi,Y＝yj}的概率为pij，i,j＝1,2,3,…,m，此时X和Y联合计算为：
Figure BDA0002826460740000082
X和Y的互信息值即可定义为：
MIXY＝HX+HY-HXY (3)
范围:0≤MIXY≤∞；MIXY＝0:X和Y相互独立；MIXY＞0:X和Y相互依赖；
依次计算各个通道fNIRS信号中任一两通道间互信息值，构建互信息邻接矩阵，矩阵的横纵轴均为通道编号。
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。
本实施例的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生成测试者的互信息邻接矩阵，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
Figure BDA0002826460740000091
本实施例中，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互信息邻接矩阵作为分类特征，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6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。同时互信息理论通过观察一个随机变量而获得的关于另一个随机变量的信息量，可以对来自不同信号源的信号之间的关系进行量化分析。相比较于其他算法，互信息基于熵理论对信号间的相互作用进行分析，可以更好地计算不同信号之间信息传输的动态信息。
实施例2
本实施例与实施例1的区别在于：本实施例通过计算多通道信号的偏度，然后将具有显著差异的通道的偏度指标构建特征向量，送入到机器学习算法中实现分类。
具体的，本实施例选取8、9、31、35、37、42，如图5所示，这六个通道分别位于额叶、中央区域、顶叶。
在进行特征提取时，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中每一导fNIRS数据的偏度，本实施例中，各导fNIRS数据的偏度计算完成后，生成成瘾和健康两类受试者各自的偏度矩阵(144×6)，即每个偏度矩阵包含6导fNIRS通道的数据，每导fNIRS通道对应144个样本，包含18个受试者，每个受试者对应8个样本数据。
对上述两个偏度矩阵进行成瘾者和健康者的差异统计分析，具体包括：对两个偏度矩阵中对应各相同通道的两组偏度数据进行t-test统计检验，并使用Bonferroni多重校正，将具有显著性差异的特征作为最终的分类特征。通过独立样本t检验和Bonferroni多重校验判断其P值与选定的P值之间的关系，常选定的P值为0.01或0.05，若小于选定的P值，则认为两样本之间具有显著性差异。
各个通道fNIRS信号的偏度矩阵通过以下方法计算：
设x为采集到的振动信号序列，i＝1,2,…,n，偏度
Figure BDA0002826460740000111
sd为样本标准差；
Figure BDA0002826460740000112
为均值，n为信号xi的采样点数；
依次计算各个通道fNIRS信号偏度值，构建成瘾者和健康者的偏度矩阵，所述偏度矩阵为一个列向量，列向量中的元素为各个通道的fNIRS信号偏度值。
经过测试验证，本实施例的分类准确率见表2。
表2分类准确率结果
Figure BDA0002826460740000113
本实施例中选取的6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；顶叶具有表达躯体信号(呼吸加速、心跳加速等生理信号)的功能，后顶叶还参与视觉注意功能，如眼动。另外，对于本实施例提取的偏度特征，具有的特点如下：偏度也叫偏斜度、偏态。偏度是三阶中心矩和标准差的三次方的比值。物理含义简单理解的话，对于单峰分布，负偏度代表分布图线的“头”在右侧，“尾”在左侧；正偏度反之。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。
实施例3
本实施例与实施例1的区别在于：本实施例通过计算多通道信号之间的相锁值，然后将具有显著差异的通道的相锁值邻接矩阵构建特征向量，送入到机器学习算法中实现分类。
具体的，本实施例选取3，9，18，27，36，37，40，共7个通道，如图5所示，这七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。
在进行特征提取时，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相锁值，生成288个7×7(通道数×通道数)的相锁值邻接矩阵，包括成瘾人群(18人)的144个7×7(通道数×通道数)相锁值邻接矩阵以及健康人群(18人)的144个7×7(通道数×通道数)相锁值邻接矩阵。本实施例中只选取7导fNIRS信号用于分析。本实施例中是利用HERMES工具包生成的相锁值邻接矩阵(方阵)，横纵轴代表选定的7导通道。对每个连接对的两组相锁值进行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相锁值作为分类特征。
本实施例通过独立样本t检验和Bonferroni多重校验判断其P值与选定的P值之间的关系，常选定的P值为0.01或0.05，若小于选定的P值，则认为两样本之间具有显著性差异。
各个通道fNIRS信号的相锁值邻接矩阵通过以下方法计算：
从实值信号x(t)和y(t)得到相应的解析信号xan(t)和yan(t)：
Figure BDA0002826460740000121
Figure BDA0002826460740000122
其中xH(t)和yH(t)分别是x(t)和y(t)的希尔伯特变换；即:
Figure BDA0002826460740000123
P·V·为柯西主成分值；
解析信号表达式中：
Figure BDA0002826460740000124
Figure BDA0002826460740000131
Ax(t),φx(t)分别为xan(t)的瞬时振幅和相位，同理可得yan(t)的瞬时振幅和相位Ay(t),φy(t)；
对于任意时刻的t，有Δφ(t)＝|φx(t)-φy(t)|≤cte，此即为锁相条件；
对信号的相对阶段进行处理，取其相对相位差区间[0,2π)；即:
Δφrel(t)＝Δφ(t)mod 2π
相锁值PLV仅计算两类信号之间的相对信号差，其定义式为：
Figure BDA0002826460740000132
<·>表示时间平均值；
范围：0≤PLV≤1。
依次计算各个通道fNIRS信号中任一两通道间相锁值，构建相锁值邻接矩阵，矩阵的横纵轴均为通道编号。
经过测试验证，本实施例的分类准确率见表3。
表3分类准确率结果
Figure BDA0002826460740000133
本实施例中提出在冰毒检测技术中采取多通道fNIRS采集方式，并充分利用多通道信号分析及处理的最新成果技术，采用相锁值算法，对多个通道信号之间的相干性进行分析，然后将具有显著差异的通道对的相锁值作为分类特征，送入到机器学习算法中实现分类，进而提高检测准确率。
本发明基于脑神经信号，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。
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 (5)

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信号的相锁值，并构建相锁值邻接矩阵；
将所述相锁值邻接矩阵作为输入送入到分类器中，得到检测结果；
各个通道fNIRS信号的相锁值邻接矩阵通过以下方法计算：
从实值信号x(t)和y(t)得到相应的解析信号xan(t)和yan(t)：
Figure FDA0003266836270000011
Figure FDA0003266836270000012
其中xH(t)和yH(t)分别是x(t)和y(t)的希尔伯特变换；即：
Figure FDA0003266836270000013
P·V·为柯西主成分值；
解析信号表达式中：
Figure FDA0003266836270000014
Figure FDA0003266836270000015
Ax(t)，φx(t)分别为xan(t)的瞬时振幅和相位，同理可得yan(t)的瞬时振幅和相位Ay(t)，φy(t)；
对于任意时刻的t，有Δφ(t)＝|φx(t)-φy(t)|≤cte，此即为锁相条件；
对信号的相对阶段进行处理，取其相对相位差区间[0，2π)；即：
Δφrel(t)＝Δφ(t)mod2π
相锁值PLV仅计算两类信号之间的相对信号差，其定义式为：
Figure FDA0003266836270000021
<·>表示时间平均值；
范围：0≤PLV≤1.
依次计算各个通道fNIRS信号中任一两通道间相锁值，构建相锁值邻接矩阵，矩阵的横纵轴均为通道编号；
所述的对各个通道fNIRS信号进行预处理操作，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；
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信号之间的相锁值邻接矩阵；
对相锁值邻接矩阵中每个连接对的两组相锁值进行t-test统计检验，使用Bonferroni多重校正，得到具有显著性差异的邻接边的相锁值；
利用两类受试者具有显著性差异的邻接边的相锁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。
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1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。
4.一种基于多通道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信号的相锁值，并构建相锁值邻接矩阵；
分类检测模块，将所述相锁值邻接矩阵作为输入送入到分类器中，得到检测结果；
各个通道fNIRS信号的相锁值邻接矩阵通过以下方法计算：
从实值信号x(t)和y(t)得到相应的解析信号xan(t)和yan(t)：
Figure FDA0003266836270000031
Figure FDA0003266836270000032
其中xH(t)和yH(t)分别是x(t)和y(t)的希尔伯特变换；即：
Figure FDA0003266836270000033
P·V·为柯西主成分值；
解析信号表达式中：
Figure FDA0003266836270000034
Figure FDA0003266836270000035
Ax(t)，φx(t)分别为xan(t)的瞬时振幅和相位，同理可得yan(t)的瞬时振幅和相位Ay(t)，φy(t)；
对于任意时刻的t，有Δφ(t)＝|φx(t)-φy(t)|≤cte，此即为锁相条件；
对信号的相对阶段进行处理，取其相对相位差区间[0，2π)；即：
Δφrel(t)＝Δφ(t)mod2π
相锁值PLV仅计算两类信号之间的相对信号差，其定义式为：
Figure FDA0003266836270000041
<·>表示时间平均值；
范围：0≤PLV≤1；
依次计算各个通道fNIRS信号中任一两通道间相锁值，构建相锁值邻接矩阵，矩阵的横纵轴均为通道编号；
所述的对各个通道fNIRS信号进行预处理操作，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；
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信号之间的相锁值邻接矩阵；
对相锁值邻接矩阵中每个连接对的两组相锁值进行t-test统计检验，使用Bonferroni多重校正，得到具有显著性差异的邻接边的相锁值；
利用两类受试者具有显著性差异的邻接边的相锁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。
5.一种电子设备，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1-3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。
CN202011450177.3A 2020-12-09 2020-12-09 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统 Active CN112560931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011450177.3A CN112560931B (zh) 2020-12-09 2020-12-09 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011450177.3A CN112560931B (zh) 2020-12-09 2020-12-09 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统

Publications (2)

Publication Number Publication Date
CN112560931A CN112560931A (zh) 2021-03-26
CN112560931B true CN112560931B (zh) 2021-11-05

Family

ID=75061607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011450177.3A Active CN112560931B (zh) 2020-12-09 2020-12-09 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统

Country Status (1)

Country Link
CN (1) CN112560931B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522210B (zh) * 2023-07-03 2023-09-01 中国医学科学院生物医学工程研究所 基于脑网络差异性分析的运动想象脑电信号分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845563A (zh) * 2015-12-07 2017-06-13 中国科学院沈阳自动化研究所 基于脑电和近红外信号的特征提取方法
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
CN110680282A (zh) * 2019-10-09 2020-01-14 黑龙江洛唯智能科技有限公司 一种大脑暂时性异常态的检测方法、装置和系统
CN111466876A (zh) * 2020-03-24 2020-07-31 山东大学 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034259A (zh) * 2018-07-30 2018-12-18 刘杭 肿瘤介入装置的图像控制系统、方法、终端、储存介质
CN109700463B (zh) * 2019-03-12 2021-08-13 四川大学 一种脑磁图癫痫棘波识别方法和系统
CN110969108B (zh) * 2019-11-25 2023-04-07 杭州电子科技大学 一种基于自主运动想象脑电的肢体动作识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845563A (zh) * 2015-12-07 2017-06-13 中国科学院沈阳自动化研究所 基于脑电和近红外信号的特征提取方法
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
CN110680282A (zh) * 2019-10-09 2020-01-14 黑龙江洛唯智能科技有限公司 一种大脑暂时性异常态的检测方法、装置和系统
CN111466876A (zh) * 2020-03-24 2020-07-31 山东大学 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Comparison of Mutual Information and Partial Correlation for Functional Connectivity in fNIRS;M. Dadgostar, Z. Einalou 等;《SEMANTIC SCHOLAR》;20130131;摘要，第I—II节 *
The effects of aerobic exercise on working memory in methamphetaminedependent patients: Evidence from combined fNIRS and ERP;Yifan Chen 等;《Psychology of Sport & Exercise》;20200320;第2节 *
基于ITD和PLV的四类运动想象脑电分类方法研究;蒋贵虎 等;《仪器仪表学报》;20190531;第2节 *

Also Published As

Publication number Publication date
CN112560931A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
Wen et al. Toward constructing a real-time social anxiety evaluation system: Exploring effective heart rate features
Subramaniam et al. Automated nociceptive pain assessment using physiological signals and a hybrid deep learning network
Zúquete et al. Biometric authentication using brain responses to visual stimuli
CN101828921A (zh) 基于视觉诱发脑电vep的身份识别方法
CN105701336B (zh) 基于脑电数据的中医辨证分型系统、模型建立的方法和系统
CN108721048A (zh) 康复训练控制方法、计算机可读存储介质和终端
Akella et al. Classifying multi-level stress responses from brain cortical EEG in nurses and non-health professionals using machine learning auto encoder
Abibullaev et al. A brute-force CNN model selection for accurate classification of sensorimotor rhythms in BCIs
CN108710895A (zh) 基于独立分量分析的运动想象脑电信号分类方法
CN112560931B (zh) 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
Zhou et al. ECG-based biometric under different psychological stress states
Daǧ et al. Leveraging deep learning techniques to improve P300-based brain computer interfaces
CN108814569A (zh) 康复训练控制装置
Yu et al. P300-BCI-based authentication system
Safie et al. Practical Consideration in using Pre-trained Convolutional Neural Network (CNN) for Finger Vein Biometric.
CN112545503B (zh) 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
Kaur et al. Analyzing eeg based neurological phenomenon in bci systems
Wessel Pioneering research into brain computer interfaces
CN112617824B (zh) 一种基于多通道fNIRS信号的冰毒成瘾者检测系统
Zakeri Optimised use of independent component analysis for EEG signal processing
Buscema et al. The Implicit Function as Squashing Time Model: A Novel Parallel Nonlinear EEG Analysis Technique Distinguishing Mild Cognitive Impairment and Alzheimer′ s Disease Subjects with High Degree of Accuracy
Li et al. Training set extension for SVM ensemble in P300-speller with familiar face paradigm
Bhatt et al. Multi-Scale Self-Attention Approach for Analysing Motor Imagery Signals in Brain-Computer Interfaces
Saini et al. Information detection in brain using wavelet features and K-nearest neighbor
Kaya et al. Performances of cnn architectures on diabetic retinopathy detection using transfer learning

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