CN115399773A - 基于深度学习与脉搏信号的抑郁状态识别系统 - Google Patents
基于深度学习与脉搏信号的抑郁状态识别系统 Download PDFInfo
- Publication number
- CN115399773A CN115399773A CN202211119588.3A CN202211119588A CN115399773A CN 115399773 A CN115399773 A CN 115399773A CN 202211119588 A CN202211119588 A CN 202211119588A CN 115399773 A CN115399773 A CN 115399773A
- Authority
- CN
- China
- Prior art keywords
- pulse
- data
- sequence
- state
- signal
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000000284 resting effect Effects 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 208000020401 Depressive disease Diseases 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000003183 myoelectrical effect Effects 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 239000013598 vector Substances 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000994 depressogenic effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008288 physiological mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 206010049816 Muscle tightness Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000005224 forefinger Anatomy 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Developmental Disabilities (AREA)
- General Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Social Psychology (AREA)
- Educational Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Child & Adolescent Psychology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本公开属于生理信号识别技术领域,具体涉及一种基于深度学习与脉搏信号的抑郁状态识别系统,包括:数据采集模块,其被配置为采集被测试者在静息状态下的脉搏数据,将所采集到的脉搏数据转换成一维矩阵形式的脉搏信号;数据处理模块,其被配置为对所述一维矩阵形式的脉搏信号进行降采样和滤波处理,得到处理后的脉搏数据;脉搏序列提取模块,其被配置为在所述处理后的脉搏数据中提取信号特征点,计算蕴含生理信息的脉搏序列,裁剪为统一长度后组成脉搏特征矩阵;抑郁状态识别模块,其被配置为利用预设的识别模型处理所述脉搏特征矩阵,完成抑郁状态的识别;其中,预设的识别模型采用深度神经网络模型,所述抑郁状态包括正常状态和抑郁状态。
Description
技术领域
本公开属于生理信号识别技术领域,具体涉及一种基于深度学习与脉搏信号的抑郁状态识别系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
抑郁症是一种常见精神疾病,具有高致残率、高复发率的特点。目前抑郁症的诊断方式主要是基于量表进行诊断筛查,即医生结合与病人的谈话、量表以及自己经验进行诊断,受主观因素影响较大;而且抑郁症具有隐匿性,很多患者就医意识差,因此很多抑郁症患者得不到及时、最佳的治疗。研究客观、高效的诊断方法对促进抑郁症的筛查具有重大的意义。
据发明人了解,抑郁症可导致大脑神经系统失衡,使大脑的连通性和结构发生变化,这种影响可以通过自主神经系统反映到心脏活动上,因此脉搏信号也可以反映抑郁的有关信息。目前,脑电图(EEG)、功能性磁共振成像(fMRI)等技术可直接、有效地用于抑郁症的诊断,但其专业要求较高,不便于即时采集分析、装置小型化和便携化,此外,脑电检查的费用较高,这些都制约了脑电在抑郁症实际应用中的研究。
发明内容
为了解决上述问题,本公开提出了一种基于深度学习与脉搏信号的抑郁状态识别系统,使用易获取的脉搏信号数据,识别过程简单,实用性强,检测费用低。
根据一些实施例,本公开的第一方案提供了一种基于深度学习与脉搏信号的抑郁状态识别系统,采用如下技术方案:
一种基于深度学习与脉搏信号的抑郁状态识别系统,包括:
数据采集模块,其被配置为采集被测试者在静息状态下的脉搏数据,将所采集到的脉搏数据转换成一维矩阵形式的脉搏信号;
数据处理模块,其被配置为对所述一维矩阵形式的脉搏信号进行降采样和滤波处理,得到处理后的脉搏数据;
脉搏序列提取模块,其被配置为在所述处理后的脉搏数据中提取信号特征点,计算蕴含生理信息的脉搏序列,裁剪为统一长度后组成脉搏特征矩阵;
抑郁状态识别模块,其被配置为利用预设的识别模型处理所述脉搏特征矩阵,完成抑郁状态的识别;其中,预设的识别模型采用深度神经网络模型,所述抑郁状态包括正常状态和抑郁状态。
作为进一步的技术限定,在所述数据采集模块中,使用生理信号采集仪器来采集被测试者在静息状态下的脉搏数据。
进一步的,在数据采集的过程中,观察多通道生理信号采集处理系统中的脉搏信号是否正常,记录符合记录条件的一定时长的脉搏信号数据;若所采集的脉搏信号数据中间出现异常信号,则延长采集时间,按序列号保存采集好的脉搏数据信号。
作为进一步的技术限定,对所述一维矩阵形式的脉搏信号进行降采样和滤波处理的过程中,采用低通滤波来滤除脉搏信号中的肌电干扰信号,采用平滑滤波法来滤除脉搏信号中的工频干扰信号,采用小波变换来滤除脉搏信号中的基线漂移信号。
作为进一步的技术限定,采用自适应差分阈值法提取信号特征点。
进一步的,对所述处理后的脉搏数据进行归一化处理,计算归一化处理后的脉搏数据信号的一阶循环差分,选取预设长度的待检信号确定差分阈值,移动时间窗口,搜索下一时间段内是否有满足差分阈值条件的点,若满足则更新差分阈值,继续搜索下一主峰峰值点,直到信号结束;否则继续搜索。
作为进一步的技术限定,所述蕴含生理信息的脉搏序列包括上升支时间序列、下降支时间序列、全周期时间序列、上升支面积序列、下降支面积序列、全周期面积序列及其近似熵序列、样本熵序列和模糊熵序列。
作为进一步的技术限定,所述识别模型包括序列特征提取器、基于注意力的编码器-解码器和域判别器;通过所述序列特征提取器利用长短时记忆网络从输入的脉搏衍生序列中提取特征图,输出被并行输入到基于注意的编码器-解码器和域判别器中,完成抑郁状态的特征提取识别。
根据一些实施例,本公开的第二方案提供了一种计算机可读存储介质,采用如下技术方案:
一种计算机可读存储介质,其上存储有程序,所述处理器执行所述程序时实现如下步骤:
采集被测试者在静息状态下的脉搏数据,将所采集到的脉搏数据转换成一维矩阵形式的脉搏信号;
对所述一维矩阵形式的脉搏信号进行降采样和滤波处理,得到处理后的脉搏数据;
在所述处理后的脉搏数据中提取信号特征点,计算蕴含生理信息的脉搏序列,裁剪为统一长度后组成脉搏特征矩阵;
利用预设的识别模型处理所述脉搏特征矩阵,完成抑郁状态的识别;其中,预设的识别模型采用深度神经网络模型,所述抑郁状态包括正常状态和抑郁状态。
根据一些实施例,本公开的第三方案提供了一种电子设备,采用如下技术方案:
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如下步骤:
采集被测试者在静息状态下的脉搏数据,将所采集到的脉搏数据转换成一维矩阵形式的脉搏信号;
对所述一维矩阵形式的脉搏信号进行降采样和滤波处理,得到处理后的脉搏数据;
在所述处理后的脉搏数据中提取信号特征点,计算蕴含生理信息的脉搏序列,裁剪为统一长度后组成脉搏特征矩阵;
利用预设的识别模型处理所述脉搏特征矩阵,完成抑郁状态的识别;其中,预设的识别模型采用深度神经网络模型,所述抑郁状态包括正常状态和抑郁状态。
与现有技术相比,本公开的有益效果为:
本公开所使用的脉搏信号数据易获取,处理简单,实用性强,检测费用低;将脉搏信号与深度学习相结合应用于抑郁状态的筛查或临床辅助诊断,能够快速、准确地对抑郁症患者进行初步辨识,与临床量表的检测结果相比更加具有客观性,也使得医生更有针对性地进行后续的问诊或治疗;本公开所建立的模型可选择出有效的区分抑郁相关的具有生理意义的脉搏序列,对进一步探索抑郁症的生理机制具有重大意义。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例一中的基于深度学习与脉搏信号的抑郁状态识别系统的结构框图;
图2是本公开实施例一中的采集被测试者脉搏信号的实验平台示意图;
图3是本公开实施例一中的脉搏信号预处理的流程图;
图4是本公开实施例一中的脉搏信号经滤波后的效果图;
图5是本公开实施例一中的脉搏波起点和主波峰值点的结果图;
图6是本公开实施例一中的抑郁状态识别模块的模型框架图;
图7是本公开实施例一中的LSTM单个神经元结构图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例介绍了一种基于深度学习与脉搏信号的抑郁状态识别系统。
如图1所示的一种基于深度学习与脉搏信号的抑郁状态识别系统,包括:
数据采集模块,其被配置为采集被测试者在静息状态下的脉搏数据,将所采集到的脉搏数据转换成一维矩阵形式的脉搏信号;
数据处理模块,其被配置为对所述一维矩阵形式的脉搏信号进行降采样和滤波处理,得到处理后的脉搏数据;
脉搏序列提取模块,其被配置为在所述处理后的脉搏数据中提取信号特征点,计算蕴含生理信息的脉搏序列,裁剪为统一长度后组成脉搏特征矩阵;
抑郁状态识别模块,其被配置为利用预设的识别模型处理所述脉搏特征矩阵,完成抑郁状态的识别;其中,预设的识别模型采用深度神经网络模型,所述抑郁状态包括正常状态和抑郁状态。
作为一种或多种实施方式,在数据采集模块中,使用生理信号采集仪器采集被测试者在静息状态下的脉搏数据。信号采集时,被测试者应处于一个相对封闭的环境中,并且尽量避免噪声、电磁信号的干扰。采用多通道生理信号采集处理系统RM-6280C对被测试者进行脉搏信号的采集。让被测试者在实验床上平躺,将测量脉搏信号使用的指套绑在被试者右手食指。准备工作做好之后提醒被测试者在采集过程中闭眼、保持全身放松状态,观察多通道生理信号采集处理系统软件中的脉搏信号是否正常,符合记录条件后单击记录/结束按钮,开始采集并记录一定时长的脉搏信号,如若中间有异常信号出现,则需要将采集时间适当的延长,确保采集到连续有效的信号时长,将采集好的信号按序列号保存并导出存储。该采集过程示意图如图2所示。
为了保持一致性,在相同的实验条件下获取抑郁症患者和健康对照组的脉搏信号,在对抑郁症患者采集数据的过程中,有两位精神科医生伴随以防出现紧急情况。
采集过程全部结束后,从多通道生理信号采集处理系统的软件中读取原始txt数据并转化处理为一维矩阵。
作为一种或多种实施方式,在数据处理模块中,在数据采集实验中,会混杂由人体肢体活动、采集仪器和周围环境的干扰造成的噪声,包括由供电线路引入的工频干扰,由被试者肢体移动或呼吸运动造成的基线漂移以及由于肌肉紧张和人体点活动造成的肌电噪声。1kHz 对脉搏信号来说采样率偏高,所以在进行滤波处理之前,先将其重采样为50Hz,预处理的流程图如图3所示,原理如下:
(1)使用低通滤波滤除肌电干扰
通常来说,肌电信号的频率为20~5000Hz,其主要成分的频率与肌肉类型有关,一般在30~300Hz,而脉搏信号的频率主要集中在20Hz 以下,所以选择低通滤波器来滤除肌电干扰。
巴特沃斯滤波器的特点是通频带内的频率响应曲线最大限度平坦,没有纹波,而在阻频带则逐渐下降为零。巴特沃斯滤波器可用如下振幅的平方对频率ω的公式表示:
其中,n为滤波器的阶数,ωc为截止频率,ωp为通频带边缘频率。
(2)使用平滑滤波法滤除工频干扰
平滑滤波法是一种增强低频、抑制高频的滤波方法,50Hz的工频干扰相对于脉搏信号属于高频干扰。采用七点平滑滤波进行去噪,对脉搏信号每个数据点取相邻的且包含该点的7个数据点,通过最小二乘法拟合出一条曲线,然后选择曲线上相应位置的数据值作为滤波后的结果。该方法可以保护峰值,对信号的边缘数据去噪效果较好。
(3)使用小波变换法滤除基线漂移
基线漂移属于低频干扰,频率分布在0.15Hz-0.3Hz之内,与正常的脉搏信号重叠,小波分析可以实现信号从时域到时间-频域平面映射,其分析过程在不损失时域信息的情况下,兼顾了信号的频域特征,具备良好的局部分析特性,选用sym8小波基对信号进行多尺度分解,得到每一层的低频近似分量和高频细节分量,去除高尺度的近似信号和低尺度的细节信号,然后对信号进行重构,高频噪声进一步减少,基线漂移得到去除,滤波后的信号如图4所示。
作为一种或多种实施方式,在脉搏序列提取模块中,利用对预处理后的信号进行序列提取。具体步骤包括:
(3.1)识别脉搏信号序列的特征点。本实施例采用自适应差分阈值法识别脉搏的起点和峰值点。该算法首先对滤波后的脉搏信号进行归一化处理,然后对归一化的信号求一阶循环差分,选取一定的长度的待检信号确定差分阈值,逐渐移动时间窗口,搜索下一时间段内是否有满足差分阈值条件的点,如果有确定峰值点的位置,更新差分阈值,继续搜索下一主峰峰值点,直到信号结束。
设归一化信号为X={x1,x2,…,xi,…,xN},则一阶导数 Y={y1,y2,…,yi,…,yN},其中yi=xi+1-xi,i=1,2,…,N-1。然后,查找一阶导数中的过零点,如果yi>0且yi+1<0,那么i就是过零点。选取过零点前两个点yi-1和yi-2,并判断其中是否存在大于阈值t1的点,如果存在,则PreFlag=1,否则PreFlag=0。选取过零点后两个点yi+1和yi+2,并判断过零点后两个点是否存在小于阈值t2的点,如果存在,则PostFlag=1,否则PostFlag=0。如果满足PreFlag=1 且PostFlag=1,那么i+1就是脉搏信号的峰值点。
为了防止漏检和多检,本实施例实时计算已识别的主波峰值点之间的间期,按照如下规则补全漏掉峰值点,去除多检峰值点,如果下一间期的时间跨度超过正常值的1.6倍,则在前一个峰值点后的0.5s 跨度内复制最大的点被认定为峰值点;如果下一间期的时间跨度小于正常值的40%,则去除该峰值点。基于已经识别的峰值点,本文认定两峰值点间幅值最小的点为脉搏起点,特征点识别结果如图5所示。
(3.2)基于提取的脉搏起点和主波峰值点序列,以单个脉搏周期为研究对象,从中计算出具有一定生理意义的时间序列,即上升支时间序列、下降支时间序列、全周期时间序列、上升支面积序列、下降支面积序列、全周期面积序列及其近似熵序列、样本熵序列、模糊熵序列,将其裁剪为统一长度组成脉搏特征序列矩阵。
近似熵(ApEn)是一种用于量化时间序列波动的规律性和不可预测性的非线性动力学参数,采用非负数表示时间序列的复杂性,反映时间序列中新信息发生的可能性,越复杂的时间序列对应的近似熵值越大。近似熵具体计算方法如下:
Step1:对N维时间序列:u(1),u(2),…,u(N),定义整数m表示比较向量的长度,实数r表示相似度的度量值,重构m维向量 X(1),X(2),…,X(N-m+1),其中
X(i)=[u(i),u(i+1),...,u(i+m-1)]
X(j)=[u(j),u(j+1),...,u(j+m-1)]
Step2:计算X(i)和X(j)之间的距离,由对应元素的最大差值决定:
d[X,X*]=max|u(a)-u*(a)|
Step3:统计所有d[X,X*]≤r的数量g,则g/(N-M)是第i次取值所对应的相概率;计算所有相似概率对数的平均值,即熵值Φm(r) 定义为:
样本熵(SampEn)是对近似熵的改进与修订,其对时间序列的复杂度的计算精度比近似熵更好,对缺失数据不敏感,具有更好的相似一致性,样本熵具体计算过程如下:
Step1:构建n维向量X(1),X(2),…,X(N),假设其窗口步长为m,子序列之间相似性的容忍度为r,重构m维向量 Xm(1),Xm(2),…,Xm(N-m+1),其中,
X(i)=[u(i),u(i+1),...,u(i+m-1)]
X(j)=[u(j),u(j+1),...,u(j+m-1)]
Step2:计算X(i)和X(j)之间的距离,即
d[Xm(i),Xm(j)]=maxk=0,1,…m-1|x(i+k)-x(j+k)|
Step3:分别比较这N-m个距离与阈值r的大小,当距离小于阈值r*SD(标准差)时,则将当前距离的两个子序列认为是相似的,统计相似性序列的个数,将记作Bi,则
Step4:维数增加到m+1,计算Xm+1(i)和Xm+1(j)之间的距离,将小于阈值的距离个数记作Ai。则
由此可得,B(m)(r)是序列X(i)和X(j)在r下对应的m个点的概率, A(m)(r)是其对应的m+1个点的概率。因此样本熵为:
模糊熵(FuzzyEn)是在熵的基础上引入模糊的概念,反映时间序列的复杂度。具体计算过程如下:
Step1:定义N维时间序列x(1),x(2),…,x(N)和 y(1),y(2),…,y(N),定义窗口步长为m,则时间序列X(i)为:
Step2:计算二者间的距离,即:
Step3:定义相似度权重为n,相似度阈值为r,则Xi与Xj之间的模糊隶属度公式为:
Step4:对所有隶属度求平均:
上述提取的其余序列的计算过程如表1所示:
表1序列计算过程表
作为一种或多种实施方式,在抑郁状态识别模块中,利用深度神经网络模型对输入的序列进行识别,输出识别结果;其中,识别结果包括正常和抑郁两种状态。
具体地,基于脉搏数据的抑郁状态识别模型由序列特征提取器、基于注意力的编码器-解码器和域判别器(Domain discriminator)组成。序列特征提取器的目的是利用长短时记忆网络从输入的脉搏衍生序列中提取特征图,输出被并行输入到基于注意的编码器-解码器和域判别器中。前者用于产生状态识别结果,包括重构过程,进一步约束来提高学习;后者用于缩小训练集和测试集的特征分布偏移,生成领域不变特征;这两个模块通过对抗学习提取抑郁识别相关特征和领域不变特征,整个模型的框架图如图6所示。
具体地,在深度学习领域常用循环神经网络(Recurrent Neural Network,RNN)尤其是RNN的变种——长短时记忆网络来处理时间序列,LSTM通过引入门机制来控制信息传递的方式,从而使得网络能够建立起长距离的时序关系。如图7所示,为LSTM单个神经元的结构图,其包含输入门,遗忘门和输出门来保护和控制单元状态。每一个门由一个sigmoid神经网络层和一个逐点乘法操作组成。
Sigmoid层输出0到1之间的数值,表示让对应信息通过的权重。0 代表完全丢弃,1表示完全通过,具体工作原理为:
(1)遗忘门:决定了上一时刻的单元状态有多少保留到当前时刻。该门会读取上一个单元隐藏层的输出ht-1和当前单元输入xt,输出一个在0到1之间的数值给Ct-1,计算公式为:
ft=σ(Wf·[ht-1,xt]+bf)
其中,Wf、bf分别表示遗忘门的循环权重和偏置,σ表示sigmoid 函数。
it=σ(Wi·[ht-1,xt]+bi)
其中it表示输入门层在该单元的输出,表示在输入门的输出中的候选值,bi和bC分别表示输入门层和候选值的偏置,Wi和WC分别表示输入门层和候选值的循环权重。接着更新旧的单元状态,把旧状态与ft相乘,丢弃掉确定需要丢弃的信息,之后加上便形成了新的候选值,即:
其中Ct表示单元状态。
(3)输出门:控制单元状态Ct有多少会输出到LSTM的当前隐藏层输出ht。首先运行sigmoid层来得到一个初始输出,然后把单元状态通过tanh进行处理并将它与sigmoid得到的输出逐点相乘,从而得到模型的输出。相关公式为:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,Wo和bo分别表示输出门的循环权重和偏置。
具体地,注意力机制(Attention Mechanism)是嵌入模型中的一种特殊结构,用来自动学习和计算输入数据对输出数据的贡献大小。该模块的编码器利用注意机制捕捉输入特征与抑郁与否之间的关系,假设当前有输入H=[h1,h2,…,hn],首先将输入映射到查询空间Q、键空间K和值空间V,计算公式如下:
Q=HWq=[q1,q2,…,qn]
K=HWk=[k1,k2,…,kn]
V=HWv=[v1,v2,…,vn]
接下来,计算每个位置的注意力分布,并将相应结果进行加权求和,具体公式如下:
其中,s(kj,qi)是kj、qi经过点积,缩放后分数值。之后进行输入样本属于抑郁(或者正常)的概率,计算公式如下:
具体地,域判别器(DD)的目的是判断脉搏特征样本来自源(训练) 域还是目标(测试)域,缩小源域和目标域映射分布差异,将其映射到同一个特征空间中,在源域上训练的分类器就可以直接应用到目标域上。该模块向生成更多领域不变特征的方向更新特征提取器,能够解决特征分布偏移问题。具体来说,首先将输入隐藏向量矩阵Hk拼接成向量dk。在将其输入线性变换和ReLU激活函数之前,应用一个梯度反转层(GRL)来提取与域相关的特征其中Wl和bl分别为权重矩阵和偏差向量。GRL常用于有一个共同训练器的对抗网络,作用是在反向传播(BP)过程中改变梯度符号并将梯度反向传递,实现更新方向的反转。
具体地,设XR=[XS,XT],XS为有标记(训练)数据集,XT为无标记(测试)数据集。设YS为与XS相关联的标签,DS={(XS,YS)}作为源(训练)域,DT={XT}作为目标(测试)域。为了训练域鉴别器,构建了一个二进制标签向量其中的元素设为1,的元素设为0。ATDD-LSTM模型的整体训练目标可以表述为:
L(XR;θf,θa,θd)=La(XS;θf,θa)-Ld(XR;θf,θd),
其中,θf、θa和θd分别是序列特征提取器、基于注意的编码器和域判别器的参数,La和Ld是基于注意的编码器和域判别器模块的损失函数。通过下列公式来优化损失函数,
La目的是最小化重构误差,使真实标签对应状态的概率最大化,同时最大化重构误差,使另一状态的概率最小化。损失La由概率目标函数J(θf,θa)和重建目标函数U(θf,θa)组成,设给定脉搏样本sk及其真标签yk,基于注意的编码器-解码器模块的损失函数可表示为:
其中,当且仅当i=yk时,否则,概率目标函数J(θf,θa)指导模型进行正确分类,重构目标函数U(θf,θa)保证重构向量ri与实例输入的平均值相似。采用交叉熵作为域判别器模块的损失函数,其中qk是中域标签的独热编码(one-hot encoding)。通过最大化Ld来优化序列特征提取器,减少源域和目标域之间的分布偏移。最小化La和最大化Ld更新θf、θa,最小化Ld更新θd,用以迭代训练编码器-解码器和域判别器。使用GRL 将La,Ld转化为最小损失函数L=La+(-Ld),用以反向传播。
本实施例将脉搏信号与深度学习相结合应用于抑郁状态的筛查或临床辅助诊断,可以实现对正常人和抑郁症患者的脉搏信号的有效辨识并进行正确分类,为抑郁症的筛查提供一种新的客观方法,也使得医生更有针对性地进行后续的问诊或治疗,同时基于注意力机制可以选出与抑郁有关的序列,对进一步探索抑郁症的生理机制有重要意义。
实施例二
本公开实施例二提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有程序,所述处理器执行所述程序时实现如下步骤:
采集被测试者在静息状态下的脉搏数据,将所采集到的脉搏数据转换成一维矩阵形式的脉搏信号;
对所述一维矩阵形式的脉搏信号进行降采样和滤波处理,得到处理后的脉搏数据;
在所述处理后的脉搏数据中提取信号特征点,计算蕴含生理信息的脉搏序列,裁剪为统一长度后组成脉搏特征矩阵;
利用预设的识别模型处理所述脉搏特征矩阵,完成抑郁状态的识别;其中,预设的识别模型采用深度神经网络模型,所述抑郁状态包括正常状态和抑郁状态。
详细步骤与实施例一提供的相同,在此不再赘述。
实施例三
本公开实施例三提供了一种电子设备。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如下步骤:
采集被测试者在静息状态下的脉搏数据,将所采集到的脉搏数据转换成一维矩阵形式的脉搏信号;
对所述一维矩阵形式的脉搏信号进行降采样和滤波处理,得到处理后的脉搏数据;
在所述处理后的脉搏数据中提取信号特征点,计算蕴含生理信息的脉搏序列,裁剪为统一长度后组成脉搏特征矩阵;
利用预设的识别模型处理所述脉搏特征矩阵,完成抑郁状态的识别;其中,预设的识别模型采用深度神经网络模型,所述抑郁状态包括正常状态和抑郁状态。
详细步骤与实施例一提供的相同,在此不再赘述。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于深度学习与脉搏信号的抑郁状态识别系统,其特征在于,包括:
数据采集模块,其被配置为采集被测试者在静息状态下的脉搏数据,将所采集到的脉搏数据转换成一维矩阵形式的脉搏信号;
数据处理模块,其被配置为对所述一维矩阵形式的脉搏信号进行降采样和滤波处理,得到处理后的脉搏数据;
脉搏序列提取模块,其被配置为在所述处理后的脉搏数据中提取信号特征点,计算蕴含生理信息的脉搏序列,裁剪为统一长度后组成脉搏特征矩阵;
抑郁状态识别模块,其被配置为利用预设的识别模型处理所述脉搏特征矩阵,完成抑郁状态的识别;其中,预设的识别模型采用深度神经网络模型,所述抑郁状态包括正常状态和抑郁状态。
2.如权利要求1中所述的一种基于深度学习与脉搏信号的抑郁状态识别系统,其特征在于,在所述数据采集模块中,使用生理信号采集仪器来采集被测试者在静息状态下的脉搏数据。
3.如权利要求2中所述的一种基于深度学习与脉搏信号的抑郁状态识别系统,其特征在于,在数据采集的过程中,观察多通道生理信号采集处理系统中的脉搏信号是否正常,记录符合记录条件的一定时长的脉搏信号数据;若所采集的脉搏信号数据中间出现异常信号,则延长采集时间,按序列号保存采集好的脉搏数据信号。
4.如权利要求1中所述的一种基于深度学习与脉搏信号的抑郁状态识别系统,其特征在于,对所述一维矩阵形式的脉搏信号进行降采样和滤波处理的过程中,采用低通滤波来滤除脉搏信号中的肌电干扰信号,采用平滑滤波法来滤除脉搏信号中的工频干扰信号,采用小波变换来滤除脉搏信号中的基线漂移信号。
5.如权利要求1中所述的一种基于深度学习与脉搏信号的抑郁状态识别系统,其特征在于,采用自适应差分阈值法提取信号特征点。
6.如权利要求5中所述的一种基于深度学习与脉搏信号的抑郁状态识别系统,其特征在于,对所述处理后的脉搏数据进行归一化处理,计算归一化处理后的脉搏数据信号的一阶循环差分,选取预设长度的待检信号确定差分阈值,移动时间窗口,搜索下一时间段内是否有满足差分阈值条件的点,若满足则更新差分阈值,继续搜索下一主峰峰值点,直到信号结束;否则继续搜索。
7.如权利要求1中所述的一种基于深度学习与脉搏信号的抑郁状态识别系统,其特征在于,所述蕴含生理信息的脉搏序列包括上升支时间序列、下降支时间序列、全周期时间序列、上升支面积序列、下降支面积序列、全周期面积序列及其近似熵序列、样本熵序列和模糊熵序列。
8.如权利要求1中所述的一种基于深度学习与脉搏信号的抑郁状态识别系统,其特征在于,所述识别模型包括序列特征提取器、基于注意力的编码器-解码器和域判别器;通过所述序列特征提取器利用长短时记忆网络从输入的脉搏衍生序列中提取特征图,输出被并行输入到基于注意的编码器-解码器和域判别器中,完成抑郁状态的特征提取识别。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如下步骤:
采集被测试者在静息状态下的脉搏数据,将所采集到的脉搏数据转换成一维矩阵形式的脉搏信号;
对所述一维矩阵形式的脉搏信号进行降采样和滤波处理,得到处理后的脉搏数据;
在所述处理后的脉搏数据中提取信号特征点,计算蕴含生理信息的脉搏序列,裁剪为统一长度后组成脉搏特征矩阵;
利用预设的识别模型处理所述脉搏特征矩阵,完成抑郁状态的识别;其中,预设的识别模型采用深度神经网络模型,所述抑郁状态包括正常状态和抑郁状态。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如下步骤:
采集被测试者在静息状态下的脉搏数据,将所采集到的脉搏数据转换成一维矩阵形式的脉搏信号;
对所述一维矩阵形式的脉搏信号进行降采样和滤波处理,得到处理后的脉搏数据;
在所述处理后的脉搏数据中提取信号特征点,计算蕴含生理信息的脉搏序列,裁剪为统一长度后组成脉搏特征矩阵;
利用预设的识别模型处理所述脉搏特征矩阵,完成抑郁状态的识别;其中,预设的识别模型采用深度神经网络模型,所述抑郁状态包括正常状态和抑郁状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211119588.3A CN115399773A (zh) | 2022-09-14 | 2022-09-14 | 基于深度学习与脉搏信号的抑郁状态识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211119588.3A CN115399773A (zh) | 2022-09-14 | 2022-09-14 | 基于深度学习与脉搏信号的抑郁状态识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115399773A true CN115399773A (zh) | 2022-11-29 |
Family
ID=84166128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211119588.3A Pending CN115399773A (zh) | 2022-09-14 | 2022-09-14 | 基于深度学习与脉搏信号的抑郁状态识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115399773A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170238858A1 (en) * | 2015-07-30 | 2017-08-24 | South China University Of Technology | Depression assessment system and depression assessment method based on physiological information |
CN111462841A (zh) * | 2020-03-12 | 2020-07-28 | 华南理工大学 | 一种基于知识图谱的抑郁症智能诊断装置及系统 |
CN112263253A (zh) * | 2020-11-18 | 2021-01-26 | 山东大学 | 基于深度学习与心电信号的抑郁症识别系统、介质及设备 |
CN113180670A (zh) * | 2021-05-24 | 2021-07-30 | 北京测态培元科技有限公司 | 一种基于指脉信号的抑郁症患者精神状态识别的方法 |
CN113749658A (zh) * | 2021-10-11 | 2021-12-07 | 山东大学 | 基于集成学习的心肺耦合抑郁状态识别方法及系统 |
WO2022025802A1 (ru) * | 2020-07-29 | 2022-02-03 | ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" | Способ выявления депрессии на основе данных ээг |
CN114998973A (zh) * | 2022-06-30 | 2022-09-02 | 南京邮电大学 | 一种基于域自适应的微表情识别方法 |
-
2022
- 2022-09-14 CN CN202211119588.3A patent/CN115399773A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170238858A1 (en) * | 2015-07-30 | 2017-08-24 | South China University Of Technology | Depression assessment system and depression assessment method based on physiological information |
CN111462841A (zh) * | 2020-03-12 | 2020-07-28 | 华南理工大学 | 一种基于知识图谱的抑郁症智能诊断装置及系统 |
WO2022025802A1 (ru) * | 2020-07-29 | 2022-02-03 | ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" | Способ выявления депрессии на основе данных ээг |
CN112263253A (zh) * | 2020-11-18 | 2021-01-26 | 山东大学 | 基于深度学习与心电信号的抑郁症识别系统、介质及设备 |
CN113180670A (zh) * | 2021-05-24 | 2021-07-30 | 北京测态培元科技有限公司 | 一种基于指脉信号的抑郁症患者精神状态识别的方法 |
CN113749658A (zh) * | 2021-10-11 | 2021-12-07 | 山东大学 | 基于集成学习的心肺耦合抑郁状态识别方法及系统 |
CN114998973A (zh) * | 2022-06-30 | 2022-09-02 | 南京邮电大学 | 一种基于域自适应的微表情识别方法 |
Non-Patent Citations (1)
Title |
---|
余永明: "基于脉搏信号特征评估与筛选的情感状态识别研究", 医药卫生科技辑, vol. 080, no. 11, 30 November 2017 (2017-11-30), pages 1 - 27 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
Li et al. | Deep convolutional neural network based ECG classification system using information fusion and one-hot encoding techniques | |
EP2416703B1 (en) | Real-time identification of seizures in an eeg signal | |
Jyotishi et al. | An LSTM-based model for person identification using ECG signal | |
Abdalla et al. | ECG arrhythmia classification using artificial intelligence and nonlinear and nonstationary decomposition | |
Yuan et al. | Wave2vec: Learning deep representations for biosignals | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
Yuan et al. | A novel wavelet-based model for eeg epileptic seizure detection using multi-context learning | |
Deperlioglu | Heart sound classification with signal instant energy and stacked autoencoder network | |
CN111920420B (zh) | 一种基于统计学习的患者行为多模态分析与预测系统 | |
Liang et al. | Obstructive sleep apnea detection using combination of CNN and LSTM techniques | |
Zhang et al. | Know your mind: Adaptive cognitive activity recognition with reinforced CNN | |
CN115211858A (zh) | 一种基于深度学习的情绪识别方法、系统及可存储介质 | |
Gupta et al. | A simplistic and novel technique for ECG signal pre-processing | |
CN116671919B (zh) | 一种基于可穿戴设备的情绪检测提醒方法 | |
Zhang et al. | Know your mind: Adaptive brain signal classification with reinforced attentive convolutional neural networks | |
CN114403897A (zh) | 一种基于脑电信号的人体疲劳检测方法及系统 | |
Azar | Neuro-fuzzy system for cardiac signals classification | |
CN117017297A (zh) | 驾驶员疲劳的预测和识别模型建立方法及其应用 | |
Tang et al. | Eye movement prediction based on adaptive BP neural network | |
Bisht et al. | Identification of single and multiple ocular peaks in eeg signal using adaptive thresholding technique | |
Huang et al. | Using high-dimensional features for high-accuracy pulse diagnosis | |
Nibhanupudi | Signal denoising using wavelets | |
CN115399773A (zh) | 基于深度学习与脉搏信号的抑郁状态识别系统 | |
Lee et al. | Multi-phases and various feature extraction and selection methodology for ensemble gradient boosting in estimating respiratory rate |
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 |