CN114176610A - 一种面向轻度认知功能障碍患者诊断的工作负荷评估方法 - Google Patents
一种面向轻度认知功能障碍患者诊断的工作负荷评估方法 Download PDFInfo
- Publication number
- CN114176610A CN114176610A CN202111670306.4A CN202111670306A CN114176610A CN 114176610 A CN114176610 A CN 114176610A CN 202111670306 A CN202111670306 A CN 202111670306A CN 114176610 A CN114176610 A CN 114176610A
- Authority
- CN
- China
- Prior art keywords
- mci
- data
- workload
- tested
- stimulation
- 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.)
- Granted
Links
- 208000010877 cognitive disease Diseases 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 208000027061 mild cognitive impairment Diseases 0.000 claims abstract description 56
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000002405 diagnostic procedure Methods 0.000 claims abstract description 4
- 230000000638 stimulation Effects 0.000 claims description 49
- 238000002474 experimental method Methods 0.000 claims description 36
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 31
- 239000010931 gold Substances 0.000 claims description 31
- 229910052737 gold Inorganic materials 0.000 claims description 31
- 230000003542 behavioural effect Effects 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000000284 resting effect Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000003920 cognitive function Effects 0.000 claims description 9
- 230000035484 reaction time Effects 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000012880 independent component analysis Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 206010012289 Dementia Diseases 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 208000028698 Cognitive impairment Diseases 0.000 claims description 2
- 230000019771 cognition Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000004936 stimulating effect Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 241001112258 Moca Species 0.000 claims 2
- 238000002372 labelling Methods 0.000 claims 1
- 238000007670 refining Methods 0.000 claims 1
- 230000001149 cognitive effect Effects 0.000 abstract description 18
- 230000007547 defect Effects 0.000 abstract description 6
- 230000002829 reductive effect Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 3
- 210000004556 brain Anatomy 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 208000024827 Alzheimer disease Diseases 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003340 mental effect Effects 0.000 description 3
- 230000003925 brain function Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000006998 cognitive state Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- IAHOUQOWMXVMEH-UHFFFAOYSA-N 2,4,6-trinitroaniline Chemical compound NC1=C([N+]([O-])=O)C=C([N+]([O-])=O)C=C1[N+]([O-])=O IAHOUQOWMXVMEH-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003150 biochemical marker Substances 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000008309 brain mechanism Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Neurosurgery (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种面向轻度认知功能障碍患者诊断的工作负荷评估方法。本发明包括如下步骤:步骤1:基于Oddball的工作负荷评估实验范式;步骤2:数据采集;步骤3:数据预处理;步骤4:基于MCI‑WI的MCI患者诊断方法。本发明参考控制类的工作负荷评估范式,设计了基于Oddball的工作负荷评估范式,使得MCI患者和健康老年人在认知方面的工作负荷区别更明显,进而减少误差,增加MCI患者诊断的准确率,优化了以往范式存在的效率低、准确率低的缺点。其次本发明考虑到MCI患者和健康老年人的认知差异,提出了面向MCI患者诊断的工作负荷评估指标,综合考虑脑电数据和行为学数据,将被试在任务不同阶段的工作负荷量化,直观地显示了被试的工作负荷变化情况。
Description
技术领域
本发明涉及脑认知计算领域的神经电生理信号分析技术,以及脑力工作负荷评估领域的行为评估和生理评估技术,提供一种面向轻度认知功能障碍患者诊断的工作负荷评估方法。一种面向轻度认知功能障碍(MCI)患者的用于分析脑电信号(EEG)和行为学数据进行工作负荷评估的方法,通过使用所提出的实验范式和工作负荷指标进行认知方面的工作负荷评估,有效地解决MCI患者的甄查和诊断,为临床治疗干预提供关键窗口。
背景技术
阿尔茨海默病(AD)是一种以认知功能障碍为特征的神经退行性疾病,而轻度认知功能障碍(MCI)是介于预期的正常衰老和更严重的痴呆症之间的中间阶段,被认为是AD的前期表现形式。由于AD患者的病情不可逆转,但MCI患者的病情具有可逆性,及早针对MCI患者开展干预工作,可以有效改善患者的脑功能状态,提升其认知功能,进而预防和延缓AD的发生,MCI患者的甄查和诊断对于临床治疗干预至关重要。
目前,临床上该疾病的诊断方法主要包括:量表检查、生物化学标记物指标(体液标志物、影像标志物)、认知测验与神经影像学检查(磁共振、CT)等,但是这些诊断方法存在主观性较强、耗时长、采集难度大等缺点,无法及时有效地发现筛查出MCI患者,不易于推广普及。
由于MCI患者主要表现为轻度记忆或者认知能力的缺陷,近年来逐渐开始有研究将健康老年人和MCI患者在相同任务下的工作负荷进行比较。普遍认为,相较于健康老年人,MCI患者可用于任务的认知资源更少,完成任务可表现出更大的认知工作负荷。然而,现有的工作负荷评估的实验范式大多针对健康成年人,评估其在不同任务下的工作负荷差异,如记忆类N-back范式、控制类MATB范式。因此,需要设计一个面向MCI患者诊断的通用实验范式,以有效区分MCI患者和健康老年人的认知工作负荷差异。
目前,针对工作负荷评估的研究主要有行为评估(主任务、次任务评估)、主观评估(NASA-TLX量表)与生理评估(脑电、心电信号)等。尽管这些方法能够很好地评估不同任务下的工作负荷,但是当前国内外对工作负荷评估技术的探索大多还停留在理论阶段,存在评估方法较为传统、生理指标选择未达成统一、整套评估方案不成熟等问题,必然会制约后续的应用研究。
近期,基于生理信号的脑力工作负荷评估,成为该领域的研究热点。特别地,脑电信号(EEG)不仅能够客观地反映生理及病理信息,具有较高的敏感性,还具有无创性、可移植性、低成本等特点,EEG信号分析逐渐作为评估脑认知功能的客观神经生理学技术,得到了广泛的应用。然而,EEG信号存在显著的个体差异性,这主要是由物理(如环境)和生物(如性别、年龄)因素引起的。而尽管是同一被试,EEG信号也会随着时间不断变化。因此,需要构建一个通用的工作负荷评估指标用于评估MCI患者和健康老年人的工作负荷。
此外,由于EEG采集技术的发展,现有的EEG采集设备通常会记录来自不同脑区的多个电极的信号,少则32个电极,多可达256个电极,不可避免的存在数据冗余的问题,大大增加了需要分析的EEG数据量,计算复杂性提升。目前,研究人员正在努力减少基于EEG的认知人群分类算法所需的通道数量,通过通道优化,可有效解决通道数据多且可能存在的EEG数据冗余问题。
发明内容
本发明的目的是针对现有技术的不足,提供一种面向轻度认知功能障碍患者诊断的工作负荷评估方法。
本发明的具体实现如下所示:
步骤1:基于Oddball的工作负荷评估实验范式
1-1.静息态实验:静息态实验开始前,需要告知被试尽量不要睡着以及不要分心去想其他的事情,整个静息态实验的流程为:被试首先根据指示闭眼90秒,然后根据指示睁眼90秒。
1-2.任务态实验:参考控制类的工作负荷评估范式,任务态实验通过Unity搭建场景,模拟城市街道设计,基于经典Oddball范式,设置40次金币刺激作为偏差刺激,160次无关刺激(两种花)作为标准刺激,要求被试从起点控制游戏角色到达终点的同时,对金币刺激作出反应,即按键将金币捡起。
步骤2:数据采集
2-1.数据采集:根据步骤1设计的基于Oddball的工作负荷评估实验范式,采集满足实验条件的多名MCI患者实验时的EEG数据以及行为学数据,并设置正常对照组实验(即健康老年人)。
所述的EEG数据包括静息态数据和任务态数据;
所述的正常对照组实验即健康老年人的EEG数据;
2-2.量表填写:每个被试通过填写量表以及临床诊断分析,为每个被试打上MCI患者或者健康老年人的标签。需要填写的量表有:蒙特利尔认知评估量表(MoCA)、临床痴呆评分量表(CDR)、智能筛检测验(CASI)。
步骤3:数据预处理
由于原始EEG数据存在噪声、伪影等异常数据,故针对采集到的原始EEG数据进行数据预处理操作。首先使用带通滤波器(1-30Hz)消除自发脑电信号以外的高频噪声以及工频干扰等信号,然后使用独立成分分析(ICA)方法去除眼电伪迹,最后利用功率谱密度(PSD)提取EEG信号特征,为后续的工作负荷指标计算提供稳定的信号特征。此外,针对每个被试的行为学数据进行数据分割操作,将每个指标通过1分钟的滑动窗口进行数据分割,为后续的工作负荷指标计算提供行为学特征。
步骤4:基于MCI-WI的MCI患者诊断方法
输入:设样本数据集为S,样本数据集中每个被试s具有:
①轻度认知功能障碍诊断标签Ls,具体为:
③每个被试的静息态睁眼全阶段EEG数据Rs;
④每个被试的任务态EEG数据Ts1和Ts2,其中Ts1数据的滑动窗口为1秒,Ts2数据的滑动窗口为1分钟。
4-2.刺激按键反应时间计算:刺激按键反应时间包括金币捡起按键反应时间和无关刺激捡起按键反应时间 两种,其中为第i次金币捡起的按键反应时间,为第j次无关刺激捡起的按键反应时间。将所有按键的反应时间相加求均值即可,具体为:
4-3.行为学指标MCI-WIA计算:根据刺激按键准确率和按键刺激反应时间计算被试s的行为学指标MCI-WIAs的具体计算方式为:
以防万一当前时间段内被试并未做出任何按键反应,仅使用刺激按键准确率作为行为学指标MCI-WA的计算。
4-4.通道优化:通过分析每个被试s的任务态Ts1数据及其轻度认知功能障碍诊断标签Ls,使用现有的支持向量机(SVM)、随机森林(Random Forest)、最近邻算法(KNN)以及极端梯度增强算法(XGBoost)方法,在已有样本数据集S的验证下,通过每个通道对应的各方法的分类准确率加权,得到通道重要性结果统计,从而得到Cz、Pz、Fz、Fp1、FC2、FC6这六个通道更加敏感。对EEG数据进行通道筛选,筛选后的静息态睁眼全阶段EEG数据为而任务态EEG数据为和
4-5.相对频谱值T′s2计算:对EEG数据进行基线去除和归一化操作,将EEG数据映射到0和1之间,减少个体差异性。对于某个被试s的EEG数据和进行基线去除和归一化映射计算,获得被试s的相对频谱值T′s2如下所示:
其中,arctan为反正切函数,其值域为(-π/2,π/2)。
4-6.生理学指标MCI-WIB计算:将α、β这两个频段数据组合使用,计算出被试s的生理学指标MCI-WIBs,如下所示:
4-7.面向MCI患者诊断的工作负荷评估指标MCI-WI计算:首先对被试s的行为学指标MCI-WIAs和生理学指标MCI-WIBs进行归一化处理,得到MCI-WI′As和MCI-WI′Bs,计算方式与公式5相似,如下所示:
其中,x∈{A,B},如果x=A,则MCI-WIxs表示为MCI-WIAs。
然后将两项指标综合,计算出面向MCI患者诊断的工作负荷评估指标MCI-WI,如下所示:
MCI-WIs=1/2·(MCI-WI′As+MCI-WI′Bs)#(8)
最后,根据已有已有样本数据集S,分析MCI患者和健康老年人的MCI-WI指标差异,设定阈值k1和k2分别标榜当前两类人群的认知状态,以有效实现MCI患者的甄查和诊断。
例如:当被试s的MCI-WI指标在k1和k2的范围内波动,则s为健康老年人,否则为MCI患者。
输出:每个被试在不同阶段的MCI-WI指标以及被试的是否患轻度认知功能障碍诊断结果。
本发明的主要贡献在于:
首先,参考控制类的工作负荷评估范式,设计了基于Oddball的工作负荷评估范式,使得MCI患者和健康老年人在认知方面的工作负荷区别更明显,进而减少误差,增加MCI患者诊断的准确率,优化了以往范式存在的效率低、准确率低的缺点。
其次,考虑到MCI患者和健康老年人的认知差异,提出了面向MCI患者诊断的工作负荷评估指标,综合考虑脑电数据和行为学数据,将被试在任务不同阶段的工作负荷量化,直观地显示了被试的工作负荷变化情况。
再者,考虑到系统的实时性、采集设备的操作性等复杂因素,采用了通道优化的思想,通过通道选择减少通道数量,降低计算复杂性,优化了现有研究大多针对32通道、64通道甚至更多通道的脑电数据进行MCI患者的诊断分析存在通道数据冗余的缺点,更有利于未来应用在被动脑机接口(p-BCI)的场景。
最后,基于脑电数据进行工作负荷评估具有非侵入式、价廉、及时性高和准确率高的特点,增强了老年人对于实验设备的接受程度,此外,本发明有效避免了脑认知计算领域脑电信号的个体差异性问题,具有较强的通用性,能够很好的适用于临床诊断和实际应用。
综上所述,本发明将以轻度认知功能障碍、工作负荷评估、通道优化为关键出发点,构建面向轻度认知功能障碍患者诊断的工作负荷评估方法,有效区分MCI患者和健康老年人在相同任务下的工作负荷,实现MCI患者的甄查和诊断,以便在神经生理信号分析领域以及脑力工作负荷评估领域获得更高效的应用。
附图说明
图1是本发明结构图。
具体实施方式
下面结合附图和实例对本发明作进一步说明。
本发明基于MCI患者和健康老年人的认知功能差异,提出基于怪球范式(Oddball)的工作负荷评估实验范式,采集MCI患者和健康老年人的EEG数据,并且针对EEG数据存在的高度非线性和显著的个体差异情况,辅助行为学数据进行分析计算,通过通道优化充分筛选脑电数据,接着充分学习数据的结构特征,进而提出有效的面向MCI患者诊断的工作负荷指标,直观地显示出MCI患者和健康老年人的工作负荷差异。
所提出的方法主要分为两个方面:一方面为基于Oddball的工作负荷评估实验范式。经典Oddball范式设定偏差刺激出现的概率为20%左右,标准刺激出现的概率为80%左右,被试对偏差刺激进行反应,使得偏差刺激成为靶刺激,可以有效观察视觉非意识向意识转化的脑机制。考虑到本实验范式需要能够进行工作负荷评估,故在经典Oddball范式的基础上进行改进,模拟城市街道设计,使得被试控制游戏角色行走,增加任务所需认知资源。另一方面,提出一项面向MCI患者诊断的工作负荷指标,根据被试的EEG数据和行为学数据,通过通道优化,提取显著的数据特征,减少计算量,然后采用特定的方法组合,将被试在实验不同阶段的工作负荷量化,提升不同类别人群在工作负荷评估中的泛化能力。
从本质上看,该方法能够有效避免EEG高度非线性和显著个体差异性的影响,在基于EEG的工作负荷评估中达到较好的效果,同时能够很好的显示MCI患者和健康老年人的认知功能差异,还能有效减少通道数量,降低计算复杂性,在被动脑机接口(p-BCI)中具有广泛的应用场景,为临床应用提供技术支持。
现有技术中,进行MCI患者诊断存在诊断效率低、准确率低的问题,而进行工作负荷评估存在评估方法较为传统、生理指标选择未达成统一、整套评估方案不成熟的问题。目前MCI患者诊断相关研究大多使用经典的实验范式分析被试的脑功能连接特性,很少有对工作负荷进行量化分析的研究;而关于工作负荷评估的研究大多针对健康成年人进行分析,在疾病诊断方面的研究较为缺少。
综上所述,为克服现有方法的不足,本发明针对基于EEG的认知疾病诊断以及工作负荷评估,以范式的有效性、诊断的准确性、指标计算的及时性、脑电数据的个体差异性为关键出发点,通过工作负荷这个概念对被试的认知功能进行量化评估,其核心技术为提出基于Oddball的工作负荷评估实验范式,设计面向MCI患者诊断的工作负荷评估指标(MCI-WI)。
如图1所示,一种面向轻度认知功能障碍患者诊断的工作负荷评估方法,主要包括如下步骤:
步骤1:基于Oddball的工作负荷评估实验范式
1-1.静息态实验:静息态是人类在清醒、闭眼、放松状态下的信号,是大脑所处的各种复杂状态中最基础、最本质的状态,通常作为基线数据,可对任务态数据进行基线去除,以减少基线干扰,减轻EEG数据的个体差异性。实验开始前,需要告知被试尽量不要睡着以及不要分心去想其他的事情,整个静息态实验的流程为:被试首先根据指示闭眼90秒,然后根据指示睁眼90秒。
1-2.任务态实验:任务态是大脑在执行记忆、识别以及运动等具体任务时的状态。参考控制类的工作负荷评估范式,任务态实验通过Unity搭建场景,模拟了城市街道的设计,包括机动车道、行人道、通行道、直线路段、弯道、十字路口、环形天桥等要素,并且使用模拟地图以及红色箭头告知被试行走路线。
基于经典Oddball范式,任务态实验设置了40次金币刺激作为偏差刺激,160次无关刺激(两种花)作为标准刺激,要求被试从起点控制游戏角色到达终点的同时,对金币刺激作出反应,即按键将金币捡起。
此外,在实验的过程中,实时统计行为学数据,包括行驶路程、行驶时间、撞墙次数、进入机动车道次数、金币出现和捡起次数、无关刺激出现和捡起次数、按键响应时间等,后续可以用于计算刺激反应准确率和刺激反应时间等指标。
步骤2:数据采集
2-1.数据采集:根据步骤1设计的基于Oddball的工作负荷评估实验范式,采集满足实验条件的多名MCI患者实验时的EEG数据(包括静息态数据和任务态数据)以及行为学数据,并设置正常对照组实验(即健康老年人)。
2-2.量表填写:每个被试通过填写量表以及临床诊断分析,为每个被试打上MCI患者或者健康老年人的标签。需要填写的量表有:蒙特利尔认知评估量表(MoCA)、临床痴呆评分量表(CDR)、智能筛检测验(CASI)。其中,CDR量表是医生通过与患者和其家属交谈中获得的信息,加以提炼,完成对患者认知受损程度的评估,可以快速判定患者是否患轻度认知功能障碍。而MoCA量表和CASI量表均为对认知功能进行评估的量表,用于验证CDR量表的判定结果。
步骤3:数据预处理
原始EEG数据和行为学数据的处理步骤如下所示:
3-1.伪迹去除:对获取的原始EEG数据进行伪迹去除操作,首先进行1-30Hz的带通滤波处理,同时去除信号中的工频干扰及直流成分;之后采用独立成分分析(ICA)去除信号中的眼电伪迹。
3-2.PSD特征提取:对伪迹去除后的EEG数据进行PSD特征提取。
①对于静息态EEG数据:选取每个被试的睁眼全阶段EEG数据,进行PSD特征提取,得到1个样本,脑电数据采集通道数为32,提取与工作负荷相关的4个频段数据(其中delta为1-3Hz,theta为4-7Hz,alpha为8-13Hz,beta为14-30Hz),对提取频段和通道维度进行拼接得到32*4维的特征向量,每个被试对应1*128维度的样本数据。
②对于任务态EEG数据:首先,针对每个被试的EEG数据通过1秒的滑动窗口进行数据分割,得到610个样本,提取频段和通道维度后进行拼接,最终得到610*128维度的样本数据。其次,对每个被试的EEG数据通过1分钟的滑动窗口进行数据分割,得到5个样本,提取频段和通道维度后进行拼接,最终得到5*128维度的样本数据。
3-3.行为学数据分割:针对每个被试的行为学数据进行数据分割操作,对于每个指标,包括行驶路程及时间、撞墙次数、进入机动车道次数、金币刺激次数等,通过1分钟的滑动窗口进行数据分割,计算每个窗口内的各项指标,为后续的工作负荷指标计算提供行为学特征。
步骤4:基于MCI-WI的MCI患者诊断方法
输入:设样本数据集为S,其中每个被试s具有:①轻度认知功能障碍诊断标签Ls,具体为:
②行为学数据集包括每个1分钟滑动窗口内的行驶路程、行驶时间、撞墙次数、进入机动车道次数等行为学指标,这里主要使用了和刺激相关的金币出现次数金币捡起次数无关刺激出现次数无关刺激捡起次数金币捡起按键反应时间无关刺激捡起按键反应时间6项指标。
③每个被试的静息态睁眼全阶段EEG数据Rs;④每个被试的任务态EEG数据Ts1和Ts2,其中Ts1数据的滑动窗口为1秒,Ts2数据的滑动窗口为1分钟。
4-2.刺激按键反应时间计算:刺激按键反应时间包括金币捡起按键反应时间和无关刺激捡起按键反应时间 两种,其中为第i次金币捡起的按键反应时间,为第j次无关刺激捡起的按键反应时间。将所有按键的反应时间相加求均值即可,具体为:
4-3.行为学指标MCI-WIA计算:根据刺激按键准确率和按键刺激反应时间计算行为学指标。由于刺激按键准确率越高,证明被试越具备完成任务所需的认知资源,而按键刺激反应时间越大,证明被试对于刺激的反应越慢,被试当前的认知资源可能比较稀缺,故这两个行为学特征可以很好的衡量工作负荷评估。被试s的行为学指标MCI-MIAs的具体计算方式为:
以防万一当前时间段内被试并未做出任何按键反应,仅使用刺激按键准确率作为行为学指标MCI-WA的计算。
4-4.通道优化:考虑到系统的实时性、采集设备的便携性以及操作的复杂性等因素,使用通道优化方法进行通道选择。通过分析每个被试s的任务态Ts1数据及其轻度认知功能障碍诊断标签Ls,使用现有的支持向量机(SVM)、随机森林(Random Forest)、最近邻算法(KNN)以及极端梯度增强算法(XGBoost)方法,在已有数据库的验证下,通过加权各方法分类准确率的通道重要性结果统计,得到Cz、Pz、Fz、Fp1、FC2、FC6这六个通道对MCI患者和健康成年人的认知功能差异更加敏感。根据通道选择结果,对EEG数据进行通道筛选,筛选后的静息态睁眼全阶段EEG数据为而任务态EEG数据为和
4-5.相对频谱值T′s2计算:由于基线去除一方面可以有效分辨刺激时间到底让被试产生了什么样的大脑活动,另一方面还可以防止数据漂移带来不好的影响,故首先采用基线去除进行数据校正。此外,针对不同被试,有的被试某一段的EEG数据的范围可能很大,有的被试可能很小,故将EEG数据进行归一化操作,将EEG数据映射到0和1之间,便于后续分析计算。上述两种措施能够很好的减缓脑电数据存在个体差异性大的问题。
其中,arctan为反正切函数,其值域为(-π/2,π/2)。
4-6.生理学指标MCI-WIB计算:由于α节律(8-13Hz)能够反映大脑的放松程度,β节律(14-30Hz)在注意、工作记忆等认知方面具有重要作用,上述两个频段均可以有效显示MCI患者和健康老年人的认知功能差异,将这两个频段数据组合使用,计算出被试s的生理学指标MCI-WIBs,如下所示:
4-7面向MCI患者诊断的工作负荷评估指标MCI-WI计算:首先对被试s的行为学指标MCI-WIAs和生理学指标MCI-WIBs进行归一化处理,得到MCI-WI′As和MCI-WI′Bs,计算方式与公式5相似,如下所示:
其中,x∈{A,B},如果x=A,则MCI-WIxs表示为MCI-WIAs。
然后将两项指标综合,计算出面向MCI患者诊断的工作负荷评估指标MCI-WI,如下所示:
MCI-WIs=1/2·(MCI-WI′As+MCI-WI′Bs)#(8)
最后,根据已有数据库,分析MCI患者和健康老年人的MCI-WI指标差异,设定阈值k1和k2分别标榜当前两类人群的认知状态,以有效实现MCI患者的甄查和诊断。
例如:当被试s的MCI-WI指标在k1和k2的范围内波动,则s为健康老年人,否则为MCI患者。
输出:每个被试在不同阶段的MCI-WI指标以及被试的是否患轻度认知功能障碍诊断结果。
本发明针对基于EEG的认知疾病诊断以及工作负荷评估,有效区分MCI患者和健康老年人在认知方面的工作负荷差异,一定程度上解决了脑电个体差异性问题,具有时间复杂度小、计算效率高、准确率高、通用性强等优势。
Claims (5)
1.一种面向轻度认知功能障碍患者诊断的工作负荷评估方法,其特征在于包括如下步骤:
步骤1:基于Oddball的工作负荷评估实验范式;
步骤2:数据采集;
步骤3:数据预处理;
步骤4:基于MCI-WI的MCI患者诊断方法;
步骤1具体实现如下:
1-1.静息态实验:静息态实验开始前,告知被试尽量不要睡着以及不要分心去想其他的事情,整个静息态实验的流程为:被试首先根据指示闭眼90秒,然后根据指示睁眼90秒;
1-2.任务态实验:参考控制类的工作负荷评估范式,任务态实验通过Unity搭建场景,模拟城市街道的设计,包括机动车道、行人道、通行道、直线路段、弯道、十字路口、环形天桥要素,并且使用模拟地图以及红色箭头告知被试行走路线;
基于经典Oddball范式,任务态实验设置40次金币刺激作为偏差刺激,160次无关刺激作为标准刺激,要求被试从起点控制游戏角色到达终点的同时,对金币刺激作出反应,即按键将金币捡起;
此外,实验的过程中实时统计行为学数据,包括行驶路程、行驶时间、撞墙次数、进入机动车道次数、金币出现和捡起次数、无关刺激出现和捡起次数、按键响应时间,便于后续计算刺激反应准确率和刺激反应时间。
2.根据权利要求1所述的一种面向轻度认知功能障碍患者诊断的工作负荷评估方法,其特征在于步骤2数据采集具体实现如下:
2-1.数据采集:根据步骤1设计的基于Oddball的工作负荷评估实验范式,采集满足实验条件的多名MCI患者实验时的EEG数据以及行为学数据,并设置正常对照组实验;
2-2.量表填写:通过填写量表以及临床诊断分析,为每个被试打上MCI患者或者健康老年人的标签;需要填写的量表有:蒙特利尔认知评估量表MoCA、临床痴呆评分量表CDR、智能筛检测验CASI;其中,CDR量表是医生通过与患者和其家属交谈中获得的信息,加以提炼,完成对患者认知受损程度的评估,用以快速判定患者是否患轻度认知功能障碍;而MoCA量表和CASI量表均为对认知功能进行评估的量表,用于验证CDR量表的判定结果。
3.根据权利要求1所述的一种面向轻度认知功能障碍患者诊断的工作负荷评估方法,其特征在于步骤3数据预处理具体实现如下:
3-1.伪迹去除:对获取的原始EEG数据进行伪迹去除操作,首先进行1-30Hz的带通滤波处理,同时去除信号中的工频干扰及直流成分;之后采用独立成分分析去除信号中的眼电伪迹;
3-2.PSD特征提取:对伪迹去除后的EEG数据进行PSD特征提取;
①对于静息态EEG数据:选取每个被试的睁眼全阶段EEG数据,进行PSD特征提取,得到1个样本,脑电数据采集通道数为32,提取与工作负荷相关的4个频段数据,对提取频段和通道维度进行拼接得到32*4维的特征向量,每个被试对应1*128维度的样本数据;其中delta为1-3Hz,theta为4-7Hz,alpha为8-13Hz,beta为14-30Hz;
②对于任务态EEG数据:首先针对每个被试的EEG数据通过1秒的滑动窗口进行数据分割,得到610个样本,提取频段和通道维度后进行拼接,最终得到610*128维度的样本数据;其次,对每个被试的EEG数据通过1分钟的滑动窗口进行数据分割,得到5个样本,提取频段和通道维度后进行拼接,最终得到5*128维度的样本数据;
3-3.行为学数据分割:针对每个被试的行为学数据进行数据分割操作,对于每个指标通过1分钟的滑动窗口进行数据分割,计算每个窗口内的各项指标,为后续的工作负荷指标计算提供行为学特征;
所述的指标包括行驶路程及时间、撞墙次数、进入机动车道次数、金币刺激次数。
4.根据权利要求1所述的一种面向轻度认知功能障碍患者诊断的工作负荷评估方法,其特征在于步骤4基于MCI-WI的MCI患者诊断方法具体实现如下:
输入:设样本数据集为S,其中每个被试s具有:①轻度认知功能障碍诊断标签Ls,具体为:
②行为学数据集包括每个2分钟滑动窗口内的行驶路程、行驶时间、撞墙次数、进入机动车道次数等行为学指标,这里主要使用了和刺激相关的金币出现次数金币捡起次数无关刺激出现次数无关刺激捡起次数金币捡起按键反应时间无关刺激捡起按键反应时间6项指标;
③每个被试的静息态睁眼全阶段EEG数据Rs;④每个被试的任务态EEG数据Ts1和Ts2,其中Ts1数据的滑动窗口为1秒,Ts2数据的滑动窗口为1分钟。
5.根据权利要求4所述的一种面向轻度认知功能障碍患者诊断的工作负荷评估方法,其特征在于步骤4基于MCI-WI的MCI患者诊断方法具体实现如下:
4-2.刺激按键反应时间计算:刺激按键反应时间包括金币捡起按键反应时间和无关刺激捡起按键反应时间 两种,其中为第i次金币捡起的按键反应时间,为第h次无关刺激捡起的按键反应时间;将所有按键的反应时间相加求均值即可,具体为:
4-3.行为学指标MCI-WIA计算:根据刺激按键准确率和按键刺激反应时间计算行为学指标;被试s的行为学指标MCI-WIAs的具体计算方式为:
4-4.通道优化:通过分析每个被试s的任务态Ts1数据及其轻度认知功能障碍诊断标签Ls,使用现有的支持向量机SVM、随机森林Random Forest、最近邻算法KNN以及极端梯度增强算法XGBoost方法,在已有样本数据集S的验证下,通过每个通道对应的各方法的分类准确率加权,得到通道重要性结果统计,从而得到Cz、Pz、Fz、Fp1、FC2、FC6这六个通道更加敏感;对EEG数据进行通道筛选,筛选后的静息态睁眼全阶段EEG数据为而任务态EEG数据为和
其中,arctan为反正切函数,其值域为(-π/2,π/2);
4-6.生理学指标MCI-WIB计算:将、β这两个频段数据组合使用,计算出被试s的生理学指标MCI-WIBs,如下所示:
4-7.面向MCI患者诊断的工作负荷评估指标MCI-WI计算:首先对被试s的行为学指标MCI-WIAs和生理学指标MCI-WIBs进行归一化处理,得到MCI-WI′As和MCI-WI′Bs,计算方式与公式5相似,如下所示:
其中,x∈{A,B},如果x=A,则MCI-WIxs表示为MCI-WIAs;
然后将两项指标综合,计算出面向MCI患者诊断的工作负荷评估指标MCI-WI,如下所示:
MCI-WIs=1/2·(MCI-WI′As+MCI-WI′Bs)#(8)
最后,根据已有样本数据集S,分析MCI患者和健康老年人的MCI-WI指标差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111670306.4A CN114176610B (zh) | 2021-12-31 | 2021-12-31 | 一种面向轻度认知功能障碍患者诊断的工作负荷评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111670306.4A CN114176610B (zh) | 2021-12-31 | 2021-12-31 | 一种面向轻度认知功能障碍患者诊断的工作负荷评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114176610A true CN114176610A (zh) | 2022-03-15 |
CN114176610B CN114176610B (zh) | 2024-05-07 |
Family
ID=80545454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111670306.4A Active CN114176610B (zh) | 2021-12-31 | 2021-12-31 | 一种面向轻度认知功能障碍患者诊断的工作负荷评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114176610B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115105078A (zh) * | 2022-06-27 | 2022-09-27 | 中国人民解放军空军特色医学中心 | 一种识别飞行员的脑认知状态的方法及系统 |
CN115813385A (zh) * | 2022-12-16 | 2023-03-21 | 天津大学 | 一种多模态视听联合的血氧代偿水平量化评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102793540A (zh) * | 2012-06-14 | 2012-11-28 | 天津大学 | 一种视听认知事件相关电位实验范式的优化方法 |
CN110801237A (zh) * | 2019-11-10 | 2020-02-18 | 中科搏锐(北京)科技有限公司 | 一种基于眼动和脑电特征的认知能力评估系统及其方法 |
CN113288147A (zh) * | 2021-05-31 | 2021-08-24 | 杭州电子科技大学 | 基于eeg与神经反馈技术的轻度认知障碍康复评估系统 |
CN113408697A (zh) * | 2021-05-31 | 2021-09-17 | 杭州电子科技大学 | 一种基于强化学习自编码器的脑电数据重建方法 |
-
2021
- 2021-12-31 CN CN202111670306.4A patent/CN114176610B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102793540A (zh) * | 2012-06-14 | 2012-11-28 | 天津大学 | 一种视听认知事件相关电位实验范式的优化方法 |
CN110801237A (zh) * | 2019-11-10 | 2020-02-18 | 中科搏锐(北京)科技有限公司 | 一种基于眼动和脑电特征的认知能力评估系统及其方法 |
CN113288147A (zh) * | 2021-05-31 | 2021-08-24 | 杭州电子科技大学 | 基于eeg与神经反馈技术的轻度认知障碍康复评估系统 |
CN113408697A (zh) * | 2021-05-31 | 2021-09-17 | 杭州电子科技大学 | 一种基于强化学习自编码器的脑电数据重建方法 |
Non-Patent Citations (1)
Title |
---|
姜志强: "基于量表联合的轻度认知障碍分类研究", 中国优秀硕士学位论文全文数据库医药卫生科技辑, no. 01, 15 January 2019 (2019-01-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115105078A (zh) * | 2022-06-27 | 2022-09-27 | 中国人民解放军空军特色医学中心 | 一种识别飞行员的脑认知状态的方法及系统 |
CN115105078B (zh) * | 2022-06-27 | 2023-10-27 | 中国人民解放军空军特色医学中心 | 一种识别飞行员的脑认知状态的方法及系统 |
CN115813385A (zh) * | 2022-12-16 | 2023-03-21 | 天津大学 | 一种多模态视听联合的血氧代偿水平量化评估方法 |
CN115813385B (zh) * | 2022-12-16 | 2024-04-12 | 天津大学 | 一种多模态视听联合的血氧代偿水平量化评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114176610B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111568446B (zh) | 结合人口学注意力机制的便携式脑电抑郁检测系统 | |
CN110063732B (zh) | 用于精神分裂症早期检测和风险预测系统 | |
JP7221693B2 (ja) | ヒトの脳の皮質機能の目録を作るための方法および磁気画像化デバイス | |
Rieg et al. | High-performance detection of alcoholism by unfolding the amalgamated EEG spectra using the Random Forests method | |
Lai et al. | Automated detection of high frequency oscillations in intracranial EEG using the combination of short-time energy and convolutional neural networks | |
Dutta et al. | Deep learning-based multi-head self-attention model for human epilepsy identification from EEG signal for biomedical traits | |
JP2005514096A (ja) | Eegバイスペクトルを用いて神経学的症状を評価する系および方法 | |
CN114176610B (zh) | 一种面向轻度认知功能障碍患者诊断的工作负荷评估方法 | |
JP2005514096A5 (zh) | ||
CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
JP2003522580A (ja) | 神経機能の研究法 | |
Tawhid et al. | Automatic and efficient framework for identifying multiple neurological disorders from EEG signals | |
Zhang et al. | Predicting seizure by modeling synaptic plasticity based on EEG signals-a case study of inherited epilepsy | |
CN106264510A (zh) | 一种筛选手术患者的建模方法 | |
CN114970599A (zh) | 注意缺陷关联脑电信号的识别方法、识别装置、存储介质 | |
Xia et al. | A novel method for diagnosing Alzheimer's disease using deep pyramid CNN based on EEG signals | |
CN106343992A (zh) | 心率变异性分析方法、装置及用途 | |
Wang et al. | Automated rest eeg-based diagnosis of depression and schizophrenia using a deep convolutional neural network | |
CN108634931B (zh) | 适用于癫痫患者认知功能损害测试的眼动分析仪 | |
CN110200624A (zh) | 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法 | |
Antunes et al. | A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography | |
Buettner et al. | Machine Learning Based Diagnostics of Developmental Coordination Disorder using Electroencephalographic Data | |
Yan et al. | A bilateral brain symmetry index for analysis of EEG signal in stroke patients | |
Ranjan et al. | A machine learning framework for automatic diagnosis of schizophrenia using eeg signals | |
CN111248907A (zh) | 基于精神病临床高危人群脑电信号特征的风险预测方法 |
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 |