CN113208628A - 一种基于eeg信号的抑郁状态检测方法及系统 - Google Patents

Abstract

本发明公开了一种基于EEG信号的抑郁状态检测方法及系统，该方法包括：BCI设备采集用户的左侧电极EEG信号和右侧电极EEG信号，将左侧电极EEG信号和右侧电极EEG信号发送至数据分析系统；数据分析系统利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标并作为抑郁状态特征，将α波不对称指标输入至分类算法模型中进行识别分类。该方法实现提高检测效率，降低人工成本。

Description

一种基于EEG信号的抑郁状态检测方法及系统

技术领域

本发明涉及EEG信号识别技术领域，特别是涉及一种基于EEG信号的抑郁状态检测方法及系统。

背景技术

抑郁症又称抑郁障碍，以显著而持久的心境低落为主要临床特征，是心境障碍的主要类型。临床可见心境低落与其处境不相称，情绪的消沉可以从闷闷不乐到悲痛欲绝，自卑抑郁，甚至悲观厌世，可有自杀企图或行为，甚至发生木僵；部分病例有明显的焦虑和运动性激越；严重者可出现幻觉、妄想等精神病性症状。

目前关于抑郁症，都是采用人工进行抑郁症的筛查，通过对待检测人员进行心理测试以及交谈来进行抑郁症的判断，或许抑郁症程度的判别，这样的抑郁检测需要大量时间和人力成本，目前也不存在自动识别抑郁症的方式，所以导致检测效率低且需要大量人力成本。

因此如何提升检测效率，降低人力成本是亟待解决的问题。

发明内容

本发明的目的是提供一种基于EEG信号的抑郁状态检测方法及系统，以提高检测效率，降低人工成本。

为解决上述技术问题，本发明提供一种基于EEG信号的抑郁状态检测方法，包括：

BCI设备采集用户的左侧电极EEG信号和右侧电极EEG信号，将左侧电极EEG信号和右侧电极EEG信号发送至数据分析系统；

数据分析系统利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标并作为抑郁状态特征，将α波不对称指标输入至分类算法模型中进行识别分类。

优选的，所述BCI设备采集用户的左侧电极EEG信号和右侧电的EEG信号之后，还包括：

对左侧电极EEG信号进行放大和数模转换，对右侧电极EEG信号进行放大和数模转换。

优选的，所述数据分析系统利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标之前，还包括：

对左侧电极EEG信号和右侧电极EEG信号分别进行滤波处理。

优选的，所述利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标，包括：

对左侧电极EEG信号进行频域转换，得到第一α波能量值指标；

对右侧电极EEG信号进行频域转换，得到第二α波能量值指标；

通过第一α波能量值指标和第二α波能量值指标计算得到α波不对称指标。

优选的，所述对左侧电极EEG信号和右侧电极EEG信号分别进行滤波处理，包括：

对左侧电极EEG信号进行滤波，去除伪迹和噪声；

对右侧电极EEG信号进行滤波，去除伪迹和噪声。

优选的，所述将α波不对称指标输入至分类算法模型中进行识别分类之后，还包括：

获取抑郁状态结果，将抑郁状态结果发送至终端进行显示。

优选的，当电极的个数为2N时，N为正整数且N大于等于2，所述方法还包括：

分别计算N对电极的EEG信号，得到N个α波不对称指标；

计算N个α波不对称指标的平均值并为抑郁状态特征；

将所述平均值输入至分类算法模型中进行识别分类。

本发明还提供一种基于EEG信号的抑郁状态检测系统，用于实现上述方法，包括：

便捷式BCI设备，用于采集用户的左侧电极EEG信号和右侧电极EEG信号，将左侧电极EEG信号和右侧电极EEG信号发送至数据分析系统；

数据分析系统，用于利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标并作为抑郁状态特征，将α波不对称指标输入至分类算法模型中进行识别分类。

本发明所提供的一种基于EEG信号的抑郁状态检测方法及系统，利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标，将α波不对称指标作为抑郁状态特征，即α波不对称指标作为抑郁状态的判断参数，再通过分类算法模型对α波不对称指标进行识别分类，能够得到用户的抑郁状态结果，如此达到自动进行抑郁状态检测，不再需要人工参与，也不需要耗费大量时间，实现提高检测效率，降低人工成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明所提供的一种基于EEG信号的抑郁状态检测方法的流程图；

图2为便携式BCI设备工作流程图；

图3为EEG数据采集处理流程图；

图4为本发明所提供的一种基于EEG信号的抑郁状态检测系统结构示意图。

具体实施方式

本发明的核心是提供一种基于EEG信号的抑郁状态检测方法及系统，以实现提高检测效率，降低人工成本。

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅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。

请参考图1，图1为本发明所提供的一种基于EEG信号的抑郁状态检测方法的流程，该方法包括以下步骤：

S11：BCI设备采集用户的左侧电极EEG信号和右侧电极EEG信号，将左侧电极EEG信号和右侧电极EEG信号发送至数据分析系统；

S12：数据分析系统利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标并作为抑郁状态特征，将α波不对称指标输入至分类算法模型中进行识别分类。

可见，该方法中，利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标，将α波不对称指标作为抑郁状态特征，即α波不对称指标作为抑郁状态的判断参数，再通过分类算法模型对α波不对称指标进行识别分类，能够得到用户的抑郁状态结果，如此达到自动进行抑郁状态检测，不再需要人工参与，也不需要耗费大量时间，实现提高检测效率，降低人工成本。

其中，EEG(Electroencephalogram，脑电波)信号是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，是通过电极记录下来的脑细胞群的自发性、节律性电活动。有常规脑电图、动态脑电图监测、视频脑电图监测。BCI(BrainComputer Interface，脑机接口技术)设备能够采集脑电波信号即EEG信号。

基于上述方法，进一步的，步骤S11中，BCI设备采集用户的左侧电极EEG信号和右侧电极EEG信号之后，对左侧电极EEG信号进行放大和数模转换，对右侧电极EEG信号进行放大和数模转换。

步骤S12中，可选的，数据分析系统利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标之前，对左侧电极EEG信号和右侧电极EEG信号分别进行滤波处理，均得到处理后纯净的EEG信号。

其中，对左侧电极EEG信号进行滤波，去除伪迹和噪声，得到纯净的左侧电极EEG信号；对右侧电极EEG信号进行滤波，去除伪迹和噪声，得到纯净的右侧电极EEG信号。由纯净的左侧电极EEG信号和纯净的右侧电极EEG信号计算得到α波不对称指标。

步骤S12中，详细的，数据分析系统利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标的过程包括如下步骤：

S21：对左侧电极EEG信号进行频域转换，得到第一α波能量值指标；

S22：对右侧电极EEG信号进行频域转换，得到第二α波能量值指标；

S23：通过第一α波能量值指标和第二α波能量值指标计算得到α波不对称指标。

其中，α波不对称指标＝(R-L)/(R+L)，L表示左侧电极能量值指标即第一α波能量值指标，R表示右侧电极能量值指标即第二α波能量值指标。

步骤S12中，关于将α波不对称指标输入至分类算法模型中进行识别分类的过程，详细的，根据抑郁状态特征值大小，将其与模型阈值进行对比，判断用户的抑郁水平为正常、轻度、中度或者重度抑郁。得到用户的抑郁状态结果之后，将抑郁状态结果发送至移动终端进行显示。当检测到用户当前处于中度或者重度抑郁时，向用户发送及时就医的预警信息。

其中，分类算法模型包括SVM支持向量机、决策树、KNN邻近算法、随机森林、朴素贝叶斯分类、最小二乘法或者逻辑回归。另外，还可以将用户数据特征值传回到后台数据库的步骤，将用户数据特征值纳入到算法模型进行自动校正，建立更加准确的常模标准。

图2为便携式BCI设备工作流程图。BCI设备中包含有EEG设备，具体从EEG设备中获取EEG信号。本方法通过便携式BCI设备，采用人工智能算法自动化识别分类用户的抑郁程度，提升检测效率，拓宽应用场景。

其中，对原始EEG数据的采集中，EEG设备电极为干电极，主要对称分布于前额叶或者额叶。电极点位左右对称分布，分别为前额叶左侧对应点位AF3、前额叶右侧对应点位AF4、额叶左侧点位F3、额叶右侧点位F4，单通道电极具有较高的采样率，能够满足对脑电信号的精确刻画。不同于现有技术的全脑电极分布，这一方式可以基于便携式的EEG设备从额叶脑电活动提取特征值进行抑郁检测，使得设备小型化简单化，拓宽了检测的应用场景，方便用户使用。

其中，设备采集的EEG信号是用户静息闭眼状态的脑电信号，而不需要像现有技术一样，需要用户配合作出不同的动作进行检测。基于用户静息态EEG信号进行的抑郁检测，能够降低检测的时间成本和人力成本。

其中，对原始EEG数据进行采集后，对采集到的脑电信号进行放大和数模转换编码，并传输到数据分析系统进行分析和识别分类。数据传输的方式可以是任何一种无线连接方式，不限于蓝牙、数据流量和WiFi。较优地，本实施例采用蓝牙方式传输数据。

步骤S12之后，数据分析系统获取抑郁状态结果，将抑郁状态结果发送至终端进行显示。

基于上述方法，进一步的，当电极的个数为2N时，N为正整数且N大于等于2，本方法还包括以下步骤：

S31：分别计算N对电极的EEG信号，得到N个α波不对称指标；

S32：计算N个α波不对称指标的平均值并为抑郁状态特征；

S33：将所述平均值输入至分类算法模型中进行识别分类。

当获取到多对EEG信号时，对每对EEG信号进行处理得到N个α波不对称指标的平均值，将N个α波不对称指标的平均值作为抑郁状态特征，再通过分类算法模型对α波不对称指标进行识别分类，利用分类算法得到了用户的抑郁状态结果，如此达到自动进行抑郁状态检测，不再需要人工参与，也不需要耗费大量时间，实现提高检测效率，降低人工成本。实现对使用者抑郁程度的智能化监测，进一步还可以给出使用者的抑郁程度等级，让使用者了解自己实时的抑郁程度。

本发明可实现对使用者脑电波信号抑郁程度的智能化实时监测，给出使用者的抑郁程度等级，让使用者了解自己实时的抑郁程度。本发明还可以包括预警的步骤，当检测到用户当前处于中度或者重度抑郁时，向用户发送及时就医的预警信息，让使用者检测出较为严重的抑郁程度时能够得到及时治疗，提升检测的智能化。本发明还可以将用户的数据特征传回后台数据库，纳入到算法模型进行自动校正的步骤，以建立更加准确的常模标准，提升算法模型对抑郁程度的分类准确性。

关于EEG信号，基于本方法，具体实施流程参考图3，包括：

1、采用滤波算法对原始数据进行滤波，过滤其中的高频、低频伪迹，以及工频干扰、眼电等噪音，得到纯净的脑电信号；

2、对左右额叶对应通道(AF3通道及与之对应的AF4通道、F3通道及与之对应的F4通道)的EEG信号进行快速傅里叶变换或者小波变换，计算成对电极的alpha波的能量值指标，根据公式(R-L)/(R+L)(L表示左侧电极能量值指标，R表示右侧电极能量值指标)计算alpha不对称指标，并进行特征提取；

3、将提取出来的特征值将被送入算法模型中进行模型识别分类，检测用户此时的抑郁程度。

算法模型将分类结果通过网络形式发送至手机APP，向用户反馈可视化的抑郁程度。当检测到用户当前处于中度或者重度抑郁时，系统向用户发送及时就医的预警信息。发送预警信息的方式可以是直接通过APP界面进行提醒，也可以是通过短信的方式提醒。本实施例优选采用通过手机APP界面图文提醒的方式向用户进行预警提示。

请参考图4，图4为本发明所提供的一种基于EEG信号的抑郁状态检测系统结构示意图，该系统用于实现上述方法，包括：

BCI设备101，用于采集用户的左侧电极EEG信号和右侧电极EEG信号，将左侧电极EEG信号和右侧电极EEG信号发送至数据分析系统；

数据分析系统102，用于利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标并作为抑郁状态特征，将α波不对称指标输入至分类算法模型中进行识别分类。

可见，该系统利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标，将α波不对称指标作为抑郁状态特征，即α波不对称指标作为抑郁状态的判断参数，再通过分类算法模型对α波不对称指标进行识别分类，能够得到用户的抑郁状态结果，如此达到自动进行抑郁状态检测，不再需要人工参与，也不需要耗费大量时间，实现提高检测效率，降低人工成本。

对于本发明提供的基于EEG信号的抑郁状态检测系统的介绍请参照前述的基于EEG信号的抑郁状态检测方法的实施例，本发明实施例在此不再赘述。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种基于EEG信号的抑郁状态检测方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种基于EEG信号的抑郁状态检测方法，其特征在于，包括：

BCI设备采集用户的左侧电极EEG信号和右侧电极EEG信号，将左侧电极EEG信号和右侧电极EEG信号发送至数据分析系统；

数据分析系统利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标并作为抑郁状态特征，将α波不对称指标输入至分类算法模型中进行识别分类。

2.如权利要求1所述的方法，其特征在于，所述BCI设备采集用户的左侧电极EEG信号和右侧电的EEG信号之后，还包括：

对左侧电极EEG信号进行放大和数模转换，对右侧电极EEG信号进行放大和数模转换。

3.如权利要求1所述的方法，其特征在于，所述数据分析系统利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标之前，还包括：

对左侧电极EEG信号和右侧电极EEG信号分别进行滤波处理。

4.如权利要求1所述的方法，其特征在于，所述利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标，包括：

对左侧电极EEG信号进行频域转换，得到第一α波能量值指标；

对右侧电极EEG信号进行频域转换，得到第二α波能量值指标；

通过第一α波能量值指标和第二α波能量值指标计算得到α波不对称指标。

5.如权利要求3所述的方法，其特征在于，所述对左侧电极EEG信号和右侧电极EEG信号分别进行滤波处理，包括：

对左侧电极EEG信号进行滤波，去除伪迹和噪声；

对右侧电极EEG信号进行滤波，去除伪迹和噪声。

6.如权利要求1所述的方法，其特征在于，所述将α波不对称指标输入至分类算法模型中进行识别分类之后，还包括：

获取抑郁状态结果，将抑郁状态结果发送至终端进行显示。

7.如权利要求1所述的方法，其特征在于，当电极的个数为2N时，N为正整数且N大于等于2，所述方法还包括：

分别计算N对电极的EEG信号，得到N个α波不对称指标；

计算N个α波不对称指标的平均值并为抑郁状态特征；

将所述平均值输入至分类算法模型中进行识别分类。

8.一种基于EEG信号的抑郁状态检测系统，其特征在于，用于实现如权利要求1至7中任意一项所述的方法，包括：

BCI设备，用于采集用户的左侧电极EEG信号和右侧电极EEG信号，将左侧电极EEG信号和右侧电极EEG信号发送至数据分析系统；

数据分析系统，用于利用左侧电极EEG信号和右侧电极EEG信号计算得到α波不对称指标并作为抑郁状态特征，将α波不对称指标输入至分类算法模型中进行识别分类。

Images