CN115414043A - 基于脑电信号分析的抑郁障碍识别系统、装置及存储介质 - Google Patents
基于脑电信号分析的抑郁障碍识别系统、装置及存储介质 Download PDFInfo
- Publication number
- CN115414043A CN115414043A CN202211174054.0A CN202211174054A CN115414043A CN 115414043 A CN115414043 A CN 115414043A CN 202211174054 A CN202211174054 A CN 202211174054A CN 115414043 A CN115414043 A CN 115414043A
- Authority
- CN
- China
- Prior art keywords
- preset
- data set
- characteristic data
- depression
- feature data
- 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
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
- A61B5/24—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychology (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例公开了一种基于脑电信号分析的抑郁障碍识别系统、装置及存储介质,该系统包括处理器,所述处理器被配置为执行以下抑郁障碍识别方法:确定被测者脑电信号的预设特征数据集合,所述预设特征数据集合至少包括动态功能连接特征数据;如果识别目标为抑郁初筛目标,则将所述预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果;如果识别目标为抑郁亚型目标,则将所述预设特征数据集合输入已训练的第二分类模型,以得到被测者的抑郁亚型识别结果。解决了现有抑郁障碍诊断方式存在客观检查手段缺乏的问题。
Description
技术领域
本发明实施例涉及计算机程序领域,尤其涉及一种基于脑电信号分析的抑郁障碍识别系统、装置及存储介质。
背景技术
抑郁症(Depression)是一种精神科常见病,目前的抑郁障碍诊断筛查方式缺乏客观检查手段,医生仅能根据被测者的家庭病史、精神状况和症状评定量表等信息的主观判断来对疾病进行诊疗,存在漏诊或误诊的情况。
发明内容
本发明实施例提供了一种基于脑电信号分析的抑郁障碍识别系统、装置及存储介质,解决了现有抑郁障碍诊断方式存在客观检查手段缺乏的问题。
第一方面,本发明实施例提供了一种抑郁障碍识别系统,包括处理器,所述处理器被配置为执行以下基于脑电信号分析的抑郁障碍识别方法,包括:
获取被测者脑电信号的预设特征数据集合,所述预设特征数据集合至少包括动态功能连接特征数据;
如果识别目标为抑郁初筛目标,则将所述预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果;
如果识别目标为抑郁亚型目标,则将所述预设特征数据集合输入已训练的第二分类模型,以得到被测者的抑郁亚型识别结果。
第二方面,本发明实施例还提供了一种基于脑电信号分析的抑郁障碍确定装置,包括:
获取模块,用于获取被测者脑电信号的预设特征数据集合,所述预设特征数据集合至少包括动态功能连接特征数据;
第一识别模块,用于如果识别目标为抑郁初筛目标,则将所述预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果;
第二识别模块,用于如果识别目标为抑郁亚型目标,则将所述预设特征数据集合输入已训练的第二分类模型,以得到被测者的抑郁亚型识别结果。
第三方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行以下方法,包括:
获取被测者脑电信号的预设特征数据集合,所述预设特征数据集合至少包括动态功能连接特征数据;
如果识别目标为抑郁初筛目标,则将所述预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果;
如果识别目标为抑郁亚型目标,则将所述预设特征数据集合输入已训练的第二分类模型,以得到被测者的抑郁亚型识别结果。
本发明实施例提供的基于脑电信号分析的抑郁障碍识别系统的技术方案,通过将包含动态功能连接特征数据的预设特征数据集合输入已训练的第一分类模型得到抑郁初筛结果,以及通过将包含动态功能连接特征数据的预设特征数据集合输入已训练的第二分类模型得到抑郁亚型结果,实现了基于被测者脑电信号确定的动态功能连接特征数据确定被测者抑郁识别结果的目的,为临床抑郁诊断提供了有力、客观的技术支持,有助于提高临床抑郁诊断的诊断准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于脑电信号分析的抑郁障碍识别系统的结构框图;
图2是本发明实施例提供的基于脑电信号分析的抑郁障碍识别方法的流程图;
图3A是本发明实施例提供的功能连接状态模板一的发生次数在不同人群中的统计分布图;
图3B是本发明实施例提供的功能连接状态模板一的时间占比在不同人群中的统计分布图;
图3C是本发明实施例提供的功能连接状态模板一的持续时间在不同人群中的统计分布图;
图3D是本发明实施例提供的功能连接状态模板二的发生次数在不同人群中的统计分布图;
图3E是本发明实施例提供的功能连接状态模板二的时间占比在不同人群中的统计分布图;
图3F是本发明实施例提供的功能连接状态模板二的持续时间在不同人群中的统计分布图;
图4是本发明实施例提供的功能连接状态模板一与功能连接状态模板二的发生次数、时间占比和持续时间的分布雷达图;
图5是本发明又一实施例提供的基于脑电信号分析的抑郁障碍识别方法的流程图;
图6是本发明又一实施例提供的基于脑电信号分析的抑郁障碍识别方法的流程图;
图7是本发明实施例提供的基于脑电信号分析的抑郁障碍识别装置的结构框图;
图8是本发明又一实施例提供的基于脑电信号分析的抑郁障碍识别装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,显然,所描述的实施例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。
图1是本发明实施例提供的基于脑电信号分析的抑郁障碍识别系统,该系统包括处理器101、存储器102以及存储于存储器102上的计算机程序,该处理器101执行计算机程序时实现基于脑电信号分析的抑郁障碍识别方法。在一个实施例中,该系统在包括处理器101和存储器102的同时,还包括输入装置103和输出装置104;其中,处理器101的数量可以是一个或多个,图1中以一个处理器101为例;设备中的处理器101、存储器102、输入装置103以及输出装置104可以通过总线或其他方式连接,图1中以通过总线连接为例。
存储器102作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的基于脑电信号分析的抑郁障碍识别方法对应的程序指令/模块。处理器101通过运行存储在存储器102中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现任意实施例所述的基于脑电信号分析的抑郁障碍识别方法。
存储器102可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器102可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器102可进一步包括相对于处理器101远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置103可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置104可包括显示屏等显示设备,例如,用户终端的显示屏。
图2是本发明实施例提供的基于脑电信号分析的抑郁障碍识别方法的流程图。本实施例的技术方案适用于根据脑电信号确定被测者抑郁障碍评估结果的情况。该方法可以由本发明实施例提供的基于脑电信号分析的抑郁障碍识别装置来执行,该装置可以采用软件和/或硬件的方式实现,并配置在处理器中应用。该方法具体包括如下步骤:
S110、获取被测者脑电信号的预设特征数据集合,预设特征数据集合至少包括动态功能连接特征数据。
本实施例中,脑电信号的获取方法包括:采用医用脑电采集设备采集被测者处于静息状态时的EEG(Electroencephalography,脑电图)信号,采样率范围在200~1000Hz、通道数范围在16~32导,采样时间范围大于或等于5分钟。删除原始EEG信号中的无用通道信息以得到通道删除后的脑电信号,比如肌电通道信号、双侧乳突点通道信号等;采用50Hz陷波滤波器来消除通道删除后的脑电信号中的工频噪声干扰,得到去工频噪声后的脑电信号;将去工频噪声之后的脑电信号减去参考数据以得到重参考后的脑电信号;对重参考后的脑电信号进行0.1Hz的高通滤波,得到去除基漂之后的脑电信号;其中,重参考包括单一电极重参考(monopolar rereference)、双极重参考(bipolar rereference)、拉普拉斯重参考(laplacian rereference)或全局重参考(common average rereference)等重参考方法。该实施例优选全局重参考,即将全脑所有数据的均值作为参考数据。
获取到滤波处理后的脑电信号后,从脑电信号中提取至少两个目标片段数据。具体地,利用滑动时间窗口方法将该脑电信号切分成一系列的目标片段(t0,t0…tL)。其中,目标片段总数为(L+1),时间窗长度的时间范围为0.5-10秒,滑动时间窗的步进长度的最小值为0.5s,最大值为T0。
锁相值(Phase Locking Value,简称PLV)可以量化在特定频带和时间区域的两个EEG信号的同步程度。本实施例采用锁相值确定目标片段数据对应的动态功能连接矩阵。具体为:采用公式(1)对目标片段数据x(t)做希尔伯特变换:
采用公式(2)计算两导联的PLV,并归一化,使得值介于0到1之间,以得到每个目标片段的动态功能连接矩阵。PLV越接近1,说明两导联信号越接近同步。
其中,T为时间窗长度。由于在脑电信号的采集过程中,会受到周围噪声的干扰,因此在一个实施例中,在对目标片段数据做希尔伯特变换之前,采用带通滤波器对目标片段数据进行滤波,以更新目标片段数据,并对更新后的目标片段数据做希尔伯特变换。该实施例中,带通滤波器的滤波范围可选为4~40Hz。
对于每个被测者的动态功能连接矩阵,其包括任一导联与其他导联的PLV值,因此整个动态功能连接矩阵沿一对角线对称。换言之,对于任一动态功能连接矩阵来说,对称线(对角线)之上的上三角部分与对称线(对角线)之下的下三角部分均包含了用于表示全部导联之间的动态功能连接信息。因此本实施例提取每个动态功能连接矩阵的上三角部分或下三角部分,然后将该上三角部分或下三角部分拉成向量,以得到各个目标片段数据对应的动态功能连接向量(v0,v1…vL)。
通过以下步骤确定动态功能连接特征数据,包括:
a1、采用预设聚类算法对所有动态功能连接向量进行聚类分析以得到K个功能连接状态模板,并确定每个功能连接向量对应的功能连接状态模板,以得到所有功能连接状态模板的时间序列组合。
可以理解的是,由于聚类分析可将动态功能连接向量按相似程度(距离远近)划分类别,使得同一类别的动态功能连接向量之间的相似性比与其他类别的动态功能连接向量之间的相似性强,因此不同功能连接状态模板对应不同的功能连接状态。具体地,从功能连接状态模板State0到功能连接状态模板StateK,其对应目标片段数据中各导联之间的EEG信号的同步性越来越高。
由于聚类分析后,每个类别对应一个功能连接状态模板,因此在一个实施例中,在确定了K个功能连接状态模板后,直接为每个动态功能连接向量匹配所在类别对应的功能连接状态模板,从而得到用于反映各功能连接状态模板沿脑电信号时间轴排列的时序图,即所有功能连接状态模板的时间序列组合。
在又一实施例中,在确定了K个功能连接状态模板之后,确定每个动态功能连接向量与各功能连接状态模板之间的距离,并为每个动态功能连接向量匹配最小距离对应的功能连接状态模板,以得到所有功能连接状态模板的时间序列组合。根据最小距离为动态功能连接向量匹配功能连接状态模板可以提高功能连接状态模板匹配的准确性,以及避免聚类分析重复性较差的问题。
a2、计算所有功能连接状态模板的均值,按照均值从小到大的顺序对所有功能连接状态模板进行排序,排序结果可表示为(State0,State1…StateK),以更新所有功能连接状态模板的时间序列组合。
其中,K值优选根据轮廓系数(silhouette coefficient)确定,比如,将超过预设系数阈值的轮廓系数对应的值作为K值。预设聚类算法为现有聚类算法,比如k-means聚类、密度聚类以及谱聚类等。
a3、根据更新后的时间序列组合确定每个功能连接状态模板对应的预设指标数据,从而得到所有功能连接状态模板对应的预设指标数据,将该所有功能连接状态模板对应的预设指标数据作为动态功能连接特征数据。
其中,预设评价指标包括发生次数、时间覆盖率和平均持续时间中的一个或多个。发生次数是指每个功能连接状态模板在时间序列组合中的出现次数;时间覆盖率是指每个功能连接状态模板在时间序列组合中的出现次数占所有功能连接状态模板在时间序列组合中的总出现次数的比值;平均持续时间是指每个功能连接状态模板连续出现时间。
上述动态功能连接特征数据为基于全频带脑电信号确定的第一动态功能连接特征数据,其中,全频带范围为1-40Hz的频率范围。动态功能连接特征数据在包括该第一动态功能连接特征数据的同时,还包括基于脑电信号中的δ频带数据、θ频带数据、α频带数据、β频带数据或γ频带数据中的至少一个频带数据确定的第二动态功能连接特征数据。其中,δ频带数据为1-4Hz频率范围内的脑电信号,θ频带数据为4-8Hz频率范围内的脑电信号,α频带数据为8-13Hz频率范围内的脑电信号,β频带数据为13-30Hz频率范围内的脑电信号,γ频带数据为30-40Hz频率范围内的脑电信号。可以理解的是,对于脑电信号的任一频带数据,将上述实施例中的脑电信号替换为该任一频带数据,即可得到基于该任一频带数据确定的动态功能连接特征数据,将所需频带数据对应的动态功能连接特征数据进行汇总即可得到第二动态功能连接特征数据。
S120、如果识别目标为抑郁初筛目标,则将预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果。
其中,抑郁初筛目标用于辨别被测者属于健康人群,还是属于抑郁人群。如果被测者的识别目标为抑郁初筛目标,则将预设特征数据集合输入已训练的第一分类模型,即可通过该已训练的第一分类模型得到被测者的抑郁初筛结果。
其中,第一分类模型为基于现有机器学习算法构建的二分类模型。通过设定数量的训练样本训练而成。该训练样本为携带有抑郁诊断类型的预设特征数据集合。
图3A、图3B和图3C分别示出了,动态功能连接特征数据中的功能连接状态模板一的发生次数、时间覆盖率和持续时间在健康人群与不伴精神性病状的抑郁障碍人群之间均有着明显的组间差异(P<0.001),以及该功能连接状态模板一的发生次数、时间覆盖率和持续时间在健康人群与伴精神性病状的抑郁障碍人群之间有着明显的组间差异;图3D、图3E和图3F分别示出了,动态功能连接特征数据中的功能连接状态模板二的发生次数、时间覆盖率和持续时间在健康人群与不伴精神性病状的抑郁障碍人群之间均有着明显的组间差异;以及该功能连接状态模板二的发生次数、时间覆盖率和持续时间在健康人群与伴精神性病状的抑郁障碍人群之间有着明显的组间差异。因此已训练的第一分类模型基于包括动态功能连接特征数据的预设特征数据集合可以得到准确的抑郁初筛结果。
如图4所示,对于功能连接状态模板一和功能连接状态模板二的发生次数、时间覆盖率和持续时间中的任一特征,健康人群的特征值位于伴精神病状的抑郁障碍人群的特征值和不伴精神病状的抑郁障碍人群的特征值之间。因此当已训练的第一分类模型经模型训练获取了各特征数值对应的数据区间后,即可基于包括动态功能连接特征数据的预设特征数据集合可以得到准确的抑郁初筛结果。
在一个实施例中,在检测到已训练的第一分类模型输出的抑郁初筛结果为抑郁时,将预设特征数据集合输入已训练的第二分类模型以得到被测者的抑郁亚型识别结果。通过已训练的第一分类模型和已训练的第二分类模型自动确定被测者是否患有抑郁障碍,并在被测者患有抑郁障碍时自动确定被测者的抑郁亚型。
S130、如果识别目标为抑郁亚型目标,则将预设特征数据集合输入已训练的第二分类模型,以得到被测者的抑郁亚型识别结果。
其中,抑郁亚型目标用于辨别被测者的抑郁类型,比如,伴有精神性病状抑郁障碍的评估结果和不伴有精神性病状抑郁障碍的评估结果。伴精神性病状的重度抑郁发作(PMD)被认为是抑郁障碍的一种严重亚型,以妄想或幻觉为特征。当抑郁症表现比较严重的时候,很多会伴随有一些精神病性症状,尤其是出现幻觉、妄想之类的精神病性症状,主要原因就是抑郁症比较严重,持续时间比较长。大量研究和临床证据表明,PMD和不伴精神病性症状的重度抑郁发作(NPMD)作为抑郁障碍的两种不同亚型,具有不同的诊断、治疗和预后。
其中,第二分类模型为基于现有机器学习算法构建的二分类模型。通过设定数量的训练样本训练而成。该训练样本为携带有抑郁亚型诊断结果的预设特征数据集合。
图3A、图3B和图3C分别示出了,动态功能连接特征数据中的功能连接状态模板一的发生次数、时间覆盖率和持续时间在不伴精神性病状的抑郁障碍人群与伴精神性病状的抑郁障碍人群之间有着明显的组间差异;图3D、图3E和图3F分别示出了,以及该功能连接状态模板二的发生次数、时间覆盖率和持续时间在不伴精神性病状的抑郁障碍人群与伴精神性病状的抑郁障碍人群之间有着明显的组间差异。因此已训练的第二分类模型基于包括动态功能连接特征数据的预设特征数据集合可以得到准确的抑郁初筛结果。
如图4所示,不伴精神病状的抑郁障碍人群的功能连接状态模板一的时间覆盖率、功能连接状态模板二的时间覆盖率和发生次数,分别远大于伴精神病状的抑郁障碍人群的功能连接状态模板一的时间覆盖率、功能连接状态模板二的时间覆盖率和发生次数;不伴精神病状的抑郁障碍人群的功能连接状态模板一的持续时间、发生次数和功能连接状态模板二的持续时间,分别远大于伴精神病状的抑郁障碍人群的功能连接状态模板一的持续时间、发生次数和功能连接状态模板二的持续时间。因此当已训练的第二分类模型经模型训练获取到了伴精神病状的抑郁障碍人群和不伴精神病状的抑郁障碍人群的各特征数值对应的数据区间后,即可基于包括动态功能连接特征数据的预设特征数据集合可以得到准确的抑郁初筛结果。
本发明实施例提供的基于脑电信号分析的抑郁障碍识别系统的技术方案,通过将包含动态功能连接特征数据的预设特征数据集合输入已训练的第一分类模型得到抑郁初筛结果,或者通过将包含动态功能连接特征数据的预设特征数据集合输入已训练的第二分类模型得到抑郁亚型结果,实现了基于被测者脑电信号确定的动态功能连接特征数据确定被测者抑郁识别结果的目的,为临床抑郁诊断提供了有力、客观的技术支持,有助于提高临床抑郁诊断的诊断准确率。
需要说明的是,本申请技术方案中对被测者数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
图5是本发明又一实施例提供的基于脑电信号分析的抑郁障碍识别方法的流程图。本发明实施例对前述实施例中的预设特征数据集合的确定进行了优化。相应地,本实施例的方法包括:
S210、获取被测者脑电信号的预设特征数据集合,预设特征数据集合包括脑区能量频谱对称性数据、功率谱密度数据、功率谱密度比值数据和时序特征数据中的至少一种特征数据,以及动态功能连接特征数据。
其中,脑区能量频谱对称性数据通过以下方法确定:从脑电信号中提取δ频带、θ频带、α频带、β频带或γ频带中的至少一个频带的数据,以得到频带数据集合;基于频带数据集合确定设定脑部区域的左右脑区的频带能量对称性,以得到脑区能量频谱对称性数据,设定脑部区域包括前额、额叶、中央区、颞叶、枕叶中的至少一个区域。其中,δ频带数据为1-4Hz频率范围内的脑电信号,θ频带数据为4-8Hz频率范围内的脑电信号,α频带数据为8-13Hz频率范围内的脑电信号,β频带数据为13-30Hz频率范围内的脑电信号,γ频带数据为30-40Hz频率范围内的脑电信号。
在一个实施例中,设定脑部区域的左右脑区的频带能量对称性的计算方法如下:
通过以下公式计算每个导联的脑电信号的能量:
其中,x(t)表示该任一导联在目标频带上的信号。计算完所有导联的能量之后,按同一侧的不同脑区进行平均,得到左右两侧的前额(prefrontal)、额叶(prontal)、中央区(central)、颞叶(temporal)和枕叶(occipital)的能量,然后计算每个脑区左右两侧能量的差异指数,以得到设定脑区的脑区对称性指标,即脑区能量频谱对称性数据。该差异指数计算公式如下:
其中,RPch1和RPch2分别为设定脑区的左侧区能量和右侧区能量,设定脑区包括前额(prefrontal)、额叶(prontal)、中央区(central)、颞叶(temporal)和枕叶。
其中,功率密度谱数据包括每个导联的功率谱密度数据。通过以下公式计算每个导联的脑电信号的功率谱密度数据:
其中,xT(f)为任一导联的脑电信号表达式,T为脑电信号采集时长。
其中,功率谱密度比值为两个设定频带的脑电信号的功率谱密度的比值。在一个实施例中,功率谱密度比值数据包括θ频带的脑电信号的功率谱密度与β频带的脑电信号的功率谱密度的比值,以及SMR频带的脑电信号的功率谱密度与θ频带的脑电信号的功率谱密度。其中,SMR频带是指12-15Hz的频带。
其中,时序特征包括每个导联的活跃性(acticity)特征、运动性(mobility)特征和迁移率(complexity)。
活跃性特征表示信号的能量是时间函数的方差,可用于指示频域功率谱表面,可通过以下公式得到:
Activity=var(y(t)) (6)
其中,y(t)为脑电信号。
运动性特征是指平均频率或功率谱标准偏移比,这里将运动性特征定义为y(t)的一阶偏导与y(t)比值的平方根,具体如下:
迁移率是指频率的变化,可通过以下公式得到脑电信号y(t)的迁移率:
S220、如果识别目标为抑郁初筛目标,则将所述预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果。
S230、如果识别目标为抑郁亚型目标,则将所述预设特征数据集合输入已训练的第二分类模型,以得到被测者的抑郁亚型识别结果。
本发明实施例提供的基于脑电信号分析的抑郁障碍确定方法的技术方案,将包括至少两种预设特征数据的数据集合输入已训练的第一分类模型或第二分类模型,以得到相应的抑郁障碍确定结果,通过不同维度的特征数据提高抑郁障碍确定结果的准确性,以为临床抑郁障碍诊断提供有力的客观数据支持。
图6是本发明又一实施例提供的基于脑电信号分析的抑郁障碍识别方法的流程图。本实施例的方法包括:
S310、获取被测者脑电信号的预设特征数据集合,预设特征数据集合至少包括动态功能连接特征数据。
S320、基于设定筛选方法从当前的预设特征数据集合中筛选出符合设定识别条件的预设特征数据,以再次更新预设特征数据集合,设定筛选方法包括相关系数筛选方法和/或评分排序筛选方法。
在设定筛选方法为相关系数筛选方法时,计算预设特征数据集合中两两预设特征数据的相关系数,在任意两预设特征数据的相关系数超过设定阈值时,删除该两预设特征数据中的任意一个,以更新预设特征数据集合。比如,设定阈值可选为90%,删除相关性系数超过90%的两预设特征数据中的任意一个,保留另一个。由于二者相关性较高,因此可以在不影响抑郁障碍确定结果准确性的同时,减少后续已训练的第一分类模型或已训练的第二分类模型的数据计算量,从而提高抑郁障碍确定结果的准确性。
在设定筛选方法为评分排序筛选方法时,基于设定算法,比如Boruta算法,确定当前预设特征数据集合中各预设特征数据的评分,并根据评分排序结果确定符合预设识别条件的至少两个候选特征数据。
进一步的,在在设定筛选方法为评分排序筛选方法时,通过以下步骤更新预设特征数据集合:
b1、基于设定算法确定当前预设特征数据集合中各预设特征数据的评分,并根据评分排序结果确定符合预设识别条件的至少三个候选特征数据;
b2、根据检测到的特征分数调整请求调整该至少三个候选特征数据中的至少一个候选特征数据的评分,以更新评分排序结果;
b3、根据更新后的评分排序结果确定至少两个符合预设识别条件的预设特征数据以再次更新预设特征数据集合,其中,再次更新后的预设特征数据集合中的预设特征数据的数量小于候选特征数据的数量,该设定算法可选为Boruta算法。
用户可根据临床经验手动调整各候选特征数据的评分,然后提交特征分数调整请求,系统根据该特征分数调整请求调整该至少三个候选特征数据中的相应特征数据的评分,并更新排序结果,然后将更新后的排序结果中评分最高的设定数量的预设特征数据作为当前的预设特征数据集合。预设特征数据评分的手动调整设置提高了该系统的使用灵活性,也便于用户进行抑郁障碍诊断的临床研究。
在一个实施例中,在S320之前还包括:获取被测者的第一附加特征数据,该第一附加特征数据包括年龄数据、性别数据和脑电采集设备标识中的一个或多个;将该第一附加特征数据添加至预设特征数据集合以再次更新预设特征数据集合。该第一附加特征数据为非脑电数据,因此第一附加特征数据的引入增加了可以显著提高抑郁障碍确定结果的准确性。其中,脑电采集设备标识用于降低或排除不同脑电采集设备采用的不同脑电信号采集方式对预设特征数据集合的影响,从而提高抑郁障碍确定的准确性,比如左右脑区参考电极的设置方式不同。
在一个实施例中,在S320之后还包括:获取被测者的第二附加特征数据,第二附加特征数据包括设定主诉特征数据和量表数据;将第二附加特征数据添加至当前的预设特征数据集合中以再次更新预设特征数据集合。
S330、如果识别目标为抑郁初筛目标,则将预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果。
S340、如果识别目标为抑郁亚型目标,则将预设特征数据集合输入已训练的第二分类模型,以得到被测者的抑郁亚型识别结果。
本发明实施例提供的技术方案,通过从预设特征数据集合中筛选出符合设定识别条件的预设特征数据来更新预设特征数据集合,在保证识别结果准确性的同时,减少数据预算数量,提高识别结果的确定速度。
图7是本发明实施例提供的基于脑电信号分析的抑郁障碍确定装置的结构框图。该装置用于执行上述任意实施例所提供的基于脑电信号分析的抑郁障碍确定方法,该装置可选为软件或硬件实现。该装置包括:
获取模块201,用于获取被测者脑电信号的预设特征数据集合,所述预设特征数据集合至少包括动态功能连接特征数据;
第一识别模块202,用于如果识别目标为抑郁初筛目标,则将所述预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果;
第二识别模块203,用于如果识别目标为抑郁亚型目标,则将所述预设特征数据集合输入已训练的第二分类模型,以得到被测者的抑郁亚型识别结果。
可选地,预设特征数据集合在包括所述动态功能连接特征数据的同时,还包括脑区能量频谱对称性数据、功率谱密度数据、功率谱密度比值数据和时序特征数据中的至少一种特征数据。
可选地,第二识别模块还用于在所述抑郁初筛结果为抑郁障碍时,将所述预设特征数据集合输入所述已训练的第二分类模型以得到被测者的抑郁亚型识别结果。
可选地,如图8所示,该装置还包括数据集合更新模块204,用于基于设定筛选方法从当前的预设特征数据集合中筛选出符合设定识别条件的预设特征数据,以再次更新预设特征数据集合,所述设定筛选方法包括相关系数筛选方法和/或评分排序筛选方法。
可选地,数据集合更新模块204还用于基于设定算法确定当前预设特征数据集合中各预设特征数据的评分,并根据评分排序结果确定符合预设识别条件的至少三个候选特征数据;根据检测到特征分数调整请求时调整所述至少三个候选特征数据中的至少一个候选特征数据的评分,以更新评分排序结果;根据更新后的评分排序结果确定至少两个符合预设识别条件的预设特征数据以再次更新预设特征数据集合,其中,再次更新后的预设特征数据集合中的预设特征数据的数量小于候选特征数据的数量。
可选地,数据集合更新模块204还用于获取被测者的第一附加特征数据,所述第一附加特征数据包括年龄数据、性别数据和脑电采集设备标识中的一个或多个;将所述第一附加特征数据添加至当前的预设特征数据集合以再次更新所述预设特征数据集合。
可选地,数据集合更新模块204还用于获取被测者的第二附加特征数据,所述第二附加特征数据包括设定主诉特征数据和量表数据;将所述第二附加特征数据添加至当前的预设特征数据集合中以再次更新预设特征数据集合。
可选地,动态功能连接特征数据包括基于所述脑电信号确定的第一动态功能连接特征数据,以及基于所述脑电信号中的δ频带数据、θ频带数据、α频带数据、β频带数据或γ频带数据中的至少一个频带数据确定的第二动态功能连接特征数据。
可选地,获取模块用于获取脑区能量频谱对称性数据,具体如下:从所述脑电信号中提取δ频带、θ频带、α频带、β频带或γ频带中的至少一个频带的数据,以得到频带数据集合;基于所述频带数据集合确定设定脑部区域的左右脑区的频带能量对称性,以得到脑区能量频谱对称性数据,所述设定脑部区域包括前额、额叶、中央区、颞叶、枕叶中的至少一个区域。
本发明实施例提供的基于脑电信号分析的抑郁障碍识别装置的技术方案,通过将包含动态功能连接特征数据的预设特征数据集合输入已训练的第一分类模型得到抑郁初筛结果,以及通过将包含动态功能连接特征数据的预设特征数据集合输入已训练的第二分类模型得到抑郁亚型结果,实现了基于被测者脑电信号确定的动态功能连接特征数据确定被测者抑郁识别结果的目的,为临床抑郁诊断提供了有力、客观的技术支持,有助于提高临床抑郁诊断的诊断准确率。
本发明实施例所提供的本基于脑电信号分析的抑郁障碍识别装置可执行本发明任意实施例所提供的基于脑电信号分析的抑郁障碍识别方法,具备执行方法相应的功能模块和有益效果。
本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种抑郁障碍识别方法,该方法,包括:
获取被测者脑电信号的预设特征数据集合,所述预设特征数据集合至少包括动态功能连接特征数据;
如果识别目标为抑郁初筛目标,则将所述预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果;
如果识别目标为抑郁亚型目标,则将所述预设特征数据集合输入已训练的第二分类模型,以得到被测者的抑郁亚型识别结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的基于脑电信号分析的抑郁障碍识别方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory,简称RAM)、闪存(FLASH)、硬盘或光盘等,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的基于脑电信号分析的抑郁障碍识别方法。
值得注意的是,上述抑郁障碍识别装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种基于脑电信号分析的抑郁障碍识别系统,其特征在于,包括处理器,所述处理器被配置为执行以下抑郁障碍识别方法,包括:
获取被测者脑电信号的预设特征数据集合,所述预设特征数据集合至少包括动态功能连接特征数据;
如果识别目标为抑郁初筛目标,则将所述预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果;
如果识别目标为抑郁亚型目标,则将所述预设特征数据集合输入已训练的第二分类模型,以得到被测者的抑郁亚型识别结果。
2.根据权利要求1所述的系统,其特征在于,所述预设特征数据集合还包括脑区能量频谱对称性数据、功率谱密度数据、功率谱密度比值数据和时序特征数据中的至少一种特征数据。
3.根据权利要求1所述的系统,其特征在于,所述如果识别目标为抑郁初筛目标,则将所述预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果之后,还包括:
在所述抑郁初筛结果为抑郁障碍时,将所述预设特征数据集合输入已训练的第二分类模型以得到被测者的抑郁亚型识别结果。
4.根据权利要求1所述的系统,其特征在于,所述如果识别目标为抑郁初筛目标,则将所述预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果之前,还包括:
基于设定筛选方法从当前的预设特征数据集合中筛选出符合设定识别条件的预设特征数据,以再次更新预设特征数据集合,所述设定筛选方法包括相关系数筛选方法和/或评分排序筛选方法。
5.根据权利要求4所述的系统,其特征在于,当所述筛选方法为评分排序筛选方法时,所述基于设定筛选方法从当前的预设特征数据集合中筛选出符合设定识别条件的预设特征数据,以再次更新预设特征数据集合,包括:
基于设定算法确定当前预设特征数据集合中各预设特征数据的评分,并根据评分排序结果确定符合预设识别条件的至少三个候选特征数据;
根据检测到的特征分数调整请求调整所述至少三个候选特征数据中的至少一个候选特征数据的评分,以更新评分排序结果;
根据更新后的评分排序结果确定至少两个符合预设识别条件的预设特征数据以再次更新预设特征数据集合,其中,再次更新后的预设特征数据集合中的预设特征数据的数量小于候选特征数据的数量。
6.根据权利要求4所述的系统,其特征在于,所述基于设定筛选方法从当前的预设特征数据集合中筛选出符合设定识别条件的预设特征数据,以再次更新预设特征数据集合之前,还包括:
获取被测者的第一附加特征数据,所述第一附加特征数据包括年龄数据、性别数据和脑电采集设备标识中的一个或多个;
将所述第一附加特征数据添加至当前的预设特征数据集合以再次更新所述预设特征数据集合。
7.根据权利要求4所述的系统,其特征在于,所述基于设定筛选方法从当前的预设特征数据集合中筛选出符合设定识别条件的预设特征数据,以再次更新预设特征数据集合后,还包括:
获取被测者的第二附加特征数据,所述第二附加特征数据包括设定主诉特征数据和量表数据;
将所述第二附加特征数据添加至当前的预设特征数据集合中以再次更新预设特征数据集合。
8.根据权利要求2所述的系统,其特征在于,所述脑区能量频谱对称性数据通过以下方法确定:
从所述脑电信号中提取δ频带、θ频带、α频带、β频带或γ频带中的至少一个频带的数据,以得到频带数据集合;
基于所述频带数据集合确定设定脑部区域的左右脑区的频带能量对称性,以得到脑区能量频谱对称性数据,所述设定脑部区域包括前额、额叶、中央区、颞叶、枕叶中的至少一个区域。
9.根据权利要求1-8任一所述的系统,其特征在于,所述动态功能连接特征数据包括基于所述脑电信号确定的第一动态功能连接特征数据,以及基于所述脑电信号中的δ频带数据、θ频带数据、α频带数据、β频带数据或γ频带数据中的至少一个频带数据确定的第二动态功能连接特征数据。
10.一种基于脑电信号分析的抑郁障碍确定装置,其特征在于,包括:
获取模块,用于获取被测者脑电信号的预设特征数据集合,所述预设特征数据集合至少包括动态功能连接特征数据;
第一识别模块,用于如果识别目标为抑郁初筛目标,则将所述预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果;
第二识别模块,用于如果识别目标为抑郁亚型目标,则将所述预设特征数据集合输入已训练的第二分类模型,以得到被测者的抑郁亚型识别结果。
11.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行以下方法,包括:
获取被测者脑电信号的预设特征数据集合,所述预设特征数据集合至少包括动态功能连接特征数据;
如果识别目标为抑郁初筛目标,则将所述预设特征数据集合输入已训练的第一分类模型,以得到被测者的抑郁初筛结果;
如果识别目标为抑郁亚型目标,则将所述预设特征数据集合输入已训练的第二分类模型,以得到被测者的抑郁亚型识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211174054.0A CN115414043A (zh) | 2022-09-26 | 2022-09-26 | 基于脑电信号分析的抑郁障碍识别系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211174054.0A CN115414043A (zh) | 2022-09-26 | 2022-09-26 | 基于脑电信号分析的抑郁障碍识别系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115414043A true CN115414043A (zh) | 2022-12-02 |
Family
ID=84204472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211174054.0A Pending CN115414043A (zh) | 2022-09-26 | 2022-09-26 | 基于脑电信号分析的抑郁障碍识别系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115414043A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304642A (zh) * | 2023-05-18 | 2023-06-23 | 中国第一汽车股份有限公司 | 情绪识别预警及模型训练方法、装置、设备和存储介质 |
JP7508007B1 (ja) | 2023-02-14 | 2024-07-01 | 天津大学 | 動的・因果的な脳ネットワークに基づくうつ病検出装置 |
-
2022
- 2022-09-26 CN CN202211174054.0A patent/CN115414043A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7508007B1 (ja) | 2023-02-14 | 2024-07-01 | 天津大学 | 動的・因果的な脳ネットワークに基づくうつ病検出装置 |
CN116304642A (zh) * | 2023-05-18 | 2023-06-23 | 中国第一汽车股份有限公司 | 情绪识别预警及模型训练方法、装置、设备和存储介质 |
CN116304642B (zh) * | 2023-05-18 | 2023-08-18 | 中国第一汽车股份有限公司 | 情绪识别预警及模型训练方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
US11783924B2 (en) | ECG information processing method and ECG workstation | |
US11350868B2 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
CN112690793B (zh) | 情绪脑电迁移模型训练方法、系统及情绪识别方法和设备 | |
CN105286890B (zh) | 一种基于脑电信号的驾驶员瞌睡状态监测方法 | |
CN109480780B (zh) | 一种脑卒中预警系统的评估方法及系统 | |
CN113080986B (zh) | 一种基于可穿戴设备的运动性疲劳检测方法和系统 | |
CN111772585B (zh) | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN109431497A (zh) | 一种脑电信号处理方法及癫痫检测系统 | |
CN113768519B (zh) | 基于深度学习和静息态脑电数据分析病人意识水平的方法 | |
CN115414043A (zh) | 基于脑电信号分析的抑郁障碍识别系统、装置及存储介质 | |
US11464442B2 (en) | Method and apparatus for determining quality grade of video data | |
CN111180071B (zh) | 高危型hpv型别和宫颈癌前病变阶段关系的计算方法及装置 | |
Chiang et al. | Automated characterization of multiple alpha peaks in multi-site electroencephalograms | |
Patti et al. | Sleep spindle detection using multivariate Gaussian mixture models | |
Magosso et al. | A wavelet based method for automatic detection of slow eye movements: A pilot study | |
CN114628033A (zh) | 疾病风险预测方法、装置、设备及存储介质 | |
Jiang et al. | Epileptic seizures detection and the analysis of optimal seizure prediction horizon based on frequency and phase analysis | |
CN112383829B (zh) | 一种体验质量测评方法及装置 | |
CN110010246A (zh) | 一种基于神经网络和置信区间的疾病智能诊断技术 | |
CN113693584B (zh) | 抑郁症症状预测变量的选择方法、计算机设备及存储介质 | |
Sun et al. | Weighted directed graph-based automatic seizure detection with effective brain connectivity for EEG signals | |
CN115206532A (zh) | 一种基于决策树的乳腺肿瘤预测方法及系统 | |
CN114334157A (zh) | 一种脑卒中风险预测方法及装置 |
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 |