CN116616771B - 多通道简易精神状态检测方法、装置及系统 - Google Patents
多通道简易精神状态检测方法、装置及系统 Download PDFInfo
- Publication number
- CN116616771B CN116616771B CN202310587769.7A CN202310587769A CN116616771B CN 116616771 B CN116616771 B CN 116616771B CN 202310587769 A CN202310587769 A CN 202310587769A CN 116616771 B CN116616771 B CN 116616771B
- Authority
- CN
- China
- Prior art keywords
- bitmap data
- data
- time domain
- bitmap
- electroencephalogram
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 230000006996 mental state Effects 0.000 title claims abstract description 39
- 238000010276 construction Methods 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 230000005284 excitation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 18
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 201000000980 schizophrenia Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000763 evoking effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 208000020016 psychiatric disease Diseases 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001314 paroxysmal effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000001766 physiological effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000021317 sensory perception Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- A61B5/24—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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Psychology (AREA)
- Neurology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种多通道简易精神状态检测方法、装置及系统。通过获取多通道脑电图时域数据集，将待检测脑电图时域数据和每组脑电图时域数据转换为相同格式的位图数据，再保留每组位图数据中相似度较高的位图数据，丢弃相似度较低的位图数据，以保留的位图数据构建特征库，最后将待测位图数据与特征库中的位图数据进行异或运算，以运算结果为0的位图数据对应的精神状态进行输出。本发明精简了脑电图特征的结构，减轻了对系统存储空间的需求，并且无需训练和学习过程，得到的特征的可运算能力高，特征直接进行逻辑运算即可得到运算结果，计算模型足够精简，计算效率高，提高了便携性检测系统的可行性。
Description
技术领域
本发明涉及精神科疾病辅助诊断分类领域，尤其是一种多通道简易精神状态检测方法、装置及系统。
背景技术
精神状态的异常情况分为急性短暂性异常状况、阵发性异常状况和持续性异常状况，在病理分析上，急性短暂性异常状况是突然发作且持续时间较短的精神异常，多为不具备精神疾病诊断，经休息与治疗后即可恢复正常，而阵发性和持续性两种异常状况则多说明个体本身患有精神相关疾病，多见如精神分裂症等。精神分裂症属于病因不明的综合征，涉及感知觉、个人意识、情绪以及行为等多方面的障碍。该疾病起病急，发病前多无预兆，与环境、心理、个体等众多因素相关，对于患者以及患者家属而言，存在较高的潜在隐患。
目前，精神分裂症等精神疾病难以通过仪器直接诊断出结果，对于个体现有精神状况的识别大量依靠精神科医生面对面问诊，并结合临床经验进行综合判断，缺乏客观评价指标作为佐证，若患者刻意隐瞒或谎报、瞒报自身病情，将会对医生最终诊断结果产生极大影响。
目前被广泛认同的检测方式是通过脑电生理技术所获的的测试数据，以脑电图(Electroencephalography，EEG)最为常见，其能集中反映患者脑部在时间维度的生理变化情况，与患者生理活动的逻辑关系吻合度高。而脑电生理技术中应用最广的是诱发脑电技术，其通过对患者在视觉、听觉等外部条件的激励来获得患者脑部生物电位的变化，常见的有视觉诱发电位(VEP)、听觉诱发电位(AEP)、P300等。
目前使用较多的辅助诊断方法是通过由脑电图获得的特征数据训练分类器，再利用分类器对受试者的脑电图特征进行学习分类，以得到分类结果。例如文献CN109671500A公开的基于脑电图时域数据的精神分裂症辅助诊断分类方法。
上述的利用机器学习的诊断分类方法需要对志愿患者的脑电图以及待测患者的脑电图提取复杂的特征，并且，在训练和学习阶段，需要对特征进行较为繁琐的计算，需要检测系统配备较大的存储空间和较高算力的处理器，在进行分类时，系统的运算量(运算负荷)也较高，对于有便携性、高效性需求的应用场景显然不符合需求。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供一种多通道简易精神状态检测方法，以对脑电图特征进行简化处理，通过较小的算力和存储资源消耗快速地计算出大致的检测结果。
本发明采用的技术方案如下：
本发明提供了一种多通道简易精神状态检测方法，该方法包括：
获取多通道脑电图时域数据集，所述多通道脑电图时域数据集包括多组脑电图时域数据，每组脑电图时域数据包括对多个个体在同一组激励条件下所分别获得的脑电图时域数据；
将每组脑电图时域数据中的每一条脑电图时域数据均转换为相同格式的位图数据，一组脑电图时域数据得到一组位图数据；
对于每组位图数据，从第二条位图数据开始，依次计算与第一条位图数据的相似度，在相似度达到预定值且不完全相同时，则保留该条位图数据，否则丢弃该条位图数据，最后保留的每组位图数据构成特征库；
将待检测脑电图时域数据转换为与特征库中位图数据相同格式的位图数据，得到待测位图数据；将待测位图数据依次与所述特征库中的每一条位图数据进行异或运算，若运算结果中存在结果为0的，则判定为对应脑电图时域数据所对应的状态。
进一步的，所述将每组脑电图时域数据中的每一条脑电图时域数据均转换为相同格式的位图数据，包括：
对每组脑电图时域数据中的每一条脑电图时域数据进行以下处理：
将脑电图时域数据进行时频转换得到脑电图频域数据；
将所述脑电图频域数据以频率由低到高排序并进行分段，以预定功率域值将每一段频域数据二值化，对二值化后的每一位依次排序得到位图数据。
进一步的，所述从第二条位图数据开始，依次计算与第一条位图数据的相似度，在相似度达到预定值时则保留该条位图数据，否则丢弃该条位图数据，包括：
从第二条位图数据开始，依次与第一条位图数据进行异或运算，在运算结果中1的位数未超过预定数量，且运算结果不为0时，保留该条位图数据，否则丢弃该条位图数据。
进一步的，每组脑电图时域数据对应的位图数据的数量设定有最大值；在保留或丢弃位图数据时，对保留的位图数据的数量进行计数，在得到的位图数据的数量达到该最大值时，则丢弃之后所有的位图数据。
本发明还提供了一种多通道简易精神状态检测装置，包括数据获取模块、位图转换模块、特征库构建模块和特征检测模块，其中：
所述数据获取模块被配置为：获取多通道脑电图时域数据集，所述多通道脑电图时域数据集包括多组脑电图时域数据，每组脑电图时域数据包括对多个个体在同一组激励条件下所分别获得的脑电图时域数据；
所述位图转换模块被配置为：将待检测脑电图时域数据以及每组脑电图时域数据中的每一条脑电图时域数据均转换为相同格式的位图数据，一组脑电图时域数据则得到一组位图数据，待检测脑电图时域数据则得到待测位图数据；
所述特征库构建模块被配置为：对于每组位图数据，从第二条位图数据开始，依次计算与第一条位图数据的相似度，在相似度达到预定值且不完全相同时，则保留该条位图数据，否则丢弃该条位图数据，最后保留的每组位图数据构成特征库；
所述特征检测模块被配置为：将待测位图数据依次与所述特征库中的每一条位图数据进行异或运算，若运算结果中存在结果为0的，则判定为对应脑电图时域数据所对应的状态。
进一步的，所述位图转换模块包括时频转换单元、二值化单元以及位图构建单元，其中：
所述时频转换单元将输入的脑电图时域数据转换为脑电图频域数据；
所述二值化单元将所述时频转换单元输出的脑电图频域数据以频率由低到高排序并进行分段，以预定功率域值将每一段频域数据二值化；
所述位图构建单元将所述二值化单元输出的每一位依次排序，构建出位图数据。
进一步的，所述特征库构建模块包括特征比较单元，所述特征比较单元对于每一组位图数据，从第二条位图数据开始，依次与第一条位图数据进行异或运算，在运算结果中1的位数未超过预定数量，且运算结果不为0时，保留该条位图数据，否则丢弃该条位图数据。
进一步的，所述特征库构建模块还包括特征计数单元，所述特征计数单元对每一组位图数据所保留的位图数据的数量进行计数，在每一组位图数据保留的位图数据的计数量达到设定的最大值时，控制所述特征比较单元丢弃该组位图数据之后所有的位图数据。
本发明还提供了一种多通道简易精神状态检测系统，其特征在于，包括计算机可读存储介质和处理器，所述计算机可读存储介质存储有计算机程序，所述处理器运行所述计算机程序以执行上述的多通道简易精神状态检测方法。
本发明还提供了一种多通道简易精神状态检测系统，其特征在于，包括脑电图时域数据采集装置以及上述的多通道简易精神状态检测装置，所述脑电图时域数据采集装置连接所述多通道简易精神状态检测装置。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明的多通道简易精神状态检测方案，同样是获取不同的志愿患者在多种激励条件下的脑电图数据，但是，本发明对脑电图数据的特征进行了简化，保留了能够反映患者在受激条件下脑部的活跃区域的特征，并且简化了该特征在计算机中的描述方式(采用位图描述)，这样就精简了脑电图特征的结构，减轻了对系统存储空间的需求，并且使得特征更具有可运算能力。另外，本发明的计算模型足够精简，提高了便携性检测系统的可行性。
2、本发明采用位图数据构建特征库，并且采用位图数据进行特征比较，大幅减轻了特征库构建的计算量，同时提高了对特征检测(分类)的计算效率。
3、本发明还可严格控制特征库的容量，使得对于再多的样本量均可保持特征库运转的稳定性。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明一个较佳实施例的多通道简易精神状态检测方法流程图。
图2是本发明一个较佳实施例的脑电图采集导联空间与平面位置分布。
图3是本发明一个较佳实施例的频域数据分段示意图。
图4是本发明一个较佳实施例的多通道简易精神状态检测的构造图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
实施例一
一种多通道简易精神状态检测方法，如图1所示，包括以下流程：
获取多通道脑电图时域数据集，所述多通道脑电图时域数据集包括多组脑电图时域数据，即一组脑电图时域数据对应一个通道，每组脑电图时域数据包括对多个志愿患者在同一组激励条件下所分别获得的脑电图时域数据。
具体的，参见附图2，为多个志愿或者分别佩戴电位帽，在同一组激励条件(包括视觉、听觉等方面的刺激)下，分别获取各个志愿患者的脑电图，即脑电图时域数据，这样，就获得了一组脑电图时域数据。然后更换刺激条件，以相同的方式，可以获得又一组脑电图时域数据。以此重复，则可获得多组脑电图时域数据，即一组激励条件对应一组脑电图时域数据，而一组激励条件对应一种精神状态。
将每组脑电图时域数据中的每一条脑电图时域数据均转换为相同格式的位图数据。
将每一条位图数据设置为相同格式，是为了便于存储和运算。在一些实施例中，将脑电图时域数据转换为位图数据的方法包括：
将脑电图时域数据进行时频转换得到脑电图频域数据；
将脑电图频域数据以频率由低到高排序，对于排序后的频域数据以频率为维度进行分段，以预定功率域值将每一段频域数据二值化，这样，每一段频域数据则会有一位二值化解惑，对二值化后的每一位以原频率顺序进行排序得到位图数据。
通常，脑电图对应的频域数据的重要信息集中在0.5～50Hz，对于该频段，医学上表述为δ波(0.5-4Hz)、θ波(4-7Hz)、α波(7-13Hz)、β波(13-25Hz)和γ波(25-50Hz)。各个波段在脑部不同的区域表现活跃并且代表着不同的脑部生理活动与功能。则在将脑电图时域数据进行时频转换得到脑电图频域数据时，还可对脑电图频域数据进行滤波，滤除低于0.5Hz以及高于50Hz的信号。进一步的，在脑电图频率的分段中，可以按保留的频段平均划分，也可以参照上述医学表述的波段进行划分。例如，将频域数据划分为了10个频段，为0.5-4Hz、4-7Hz、7-13Hz、13-19Hz、19-25Hz、25-30Hz、30-35Hz、35-40Hz、40-45Hz以及45-50Hz，如图3所示。上述分段的方式还可采用其他非平均的方式，例如将γ波波段进行非平均划分，或者将β波和γ波的连续波段进行平均划分。若需要得到高精度的特征，则对应增加划分的波段数量。该对频率数据分段的方式可应用到后续装置实施例中。
一条脑电图时域数据对应一条脑电图频域数据，处理得到一条位图数据，则一组脑电图时域数据对应得到一组位图数据。以上述将频域数据分为10段为例，10条位图数据所构成的一组位图数据包括：0001011101、0011011101、0001011101、0001011100、0011011101、0001011101、0001010101、0001011101、0101011101、0011011101。同样的方法，待检测脑电图时域数据得到对应的待测位图数据。待检测脑电图时域数据可在后续进行检测时获取，也可在第一步获取多通道脑电图时域数据集时一起获取，通常是在特征库已经构建完毕后获取的。
对于每组位图数据，从第二条位图数据开始，依次计算与第一条位图数据的相似度，在相似度达到预定值且不完全相同时，则保留该条位图数据，否则丢弃该条位图数据。这样，对每一组位图数据均得到多条保留的位图数据，每组保留的位图数据对应到一种精神状态，最后保留的每组位图数据构成特征库。
由于是相同的病症，且是相同的激励条件，则多位志愿患者的脑电图时域数据所对应的位图数据之间，虽然允许存在一定的个性差异，但理应是高度相似的，因此，需要将同一种精神状态对应的特征集中，排除掉差异较大的数据(定性为噪音数据)以具备特异性，因此，保留与第一条位图数据相似度高但又不完全相同的，丢弃掉差异较大的位图数据，如果保留完全相同的则会造成数据重复。对于相似度的计算方法，可采用多种方式，在后文中将会进行详细描述。
进一步的，保留的每一组位图数据的容量需要进行一定的限制，以提高每一种精神状态的特异性，确保特征库运转的稳定性。在一些实施例中，每组脑电图时域数据对应的位图数据的数量设定有最大值；在保留或丢弃位图数据时，对保留的位图数据的数量进行计数，在得到的位图数据的数量达到该最大值时，则丢弃之后所有的位图数据。对于最大值的取值，属于经验值，根据需要的检测精度而定，对于高精度要求的，则该最大值的取值较小，对于粗精度要求的(如查全的需求场景)，该最大值可以适量增大。
进一步的，为进一步提高保留特征的特异性，在保留的位图数据的数量达到最大值时，可以考虑对于以后的每一条位图数据，仍计算与第一条位图数据的相似度，并且与保留的各条位图数据与第一条位图数据的相似度进行比对，在新计算的相似度不是最小时，将新的位图数据替换原保留的位图数据中相似度最低的位图数据，即新计算的位图数据较保留的各条位图数据与第一条位图数据存在更相似的情况时，用新的位图数据替换掉原保留的位图数据中最不相似的位图数据。当然，用于替换的位图数据与第一条位图数据不能完全相同。
最后，将待测位图数据依次与特征库中的每一条位图数据进行异或运算，若运算结果中存在结果为0的，则判定进行异或预算的位图数据对应的精神状态为待测者的精神状态。
实施例二
本实施例公开了对每一组位图数据中的每一条位图数据进行保留或丢弃的方法。
在一种实施方式中，位图数据间的相似度的计算，可以通过提取位图数据的特征，计算特征之间的相似距离(常见的如欧式距离)来判断，相似距离超出预定域值的，则相似度低，反之，相似距离在预定域值以内的，则相似度高。则对于每一组位图数据而言，分别提取各条位图数据的特征，并从第二条位图数据开始，分别计算与第一条位图数据的特征的相似距离，在相似距离处于预定域值以内，且相似距离不为0时，保留该特征对应的位图数据，否则丢该特征对应的位图数据。
在另一种实施方式中，通过位图数据的逻辑运算进行相似度判断：将两组位图数据进行异或运算，在运算结果中，如果1的位数未超过预定数量，则视为高度相似，反之，1的位数超出了预定数量，则视为相似度低。则对于每一组位图数据而言，从第二条位图数据开始，依次与第一条位图数据进行异或运算，在运算结果中1的位数未超过预定数量，且运算结果不为0时，保留该条位图数据，否则丢弃该条位图数据。
实施例三
本实施例公开了一种多通道简易精神状态检测装置，如图4所示，包括数据获取模块、位图转换模块、特征库构建模块和特征检测模块，其中：
数据获取模块被配置为：获取多通道脑电图时域数据集，所述多通道脑电图时域数据集包括多组脑电图时域数据，每组脑电图时域数据包括对多个个体在同一组激励条件下所分别获得的脑电图时域数据。待检测脑电图时域数据同样也可以通过数据获取模块获取。
位图转换模块被配置为：将待检测脑电图时域数据(即待测患者的脑电图时域数据)以及每组脑电图时域数据(志愿患者的)中的每一条脑电图时域数据均转换为相同格式的位图数据，一组脑电图时域数据则得到一组位图数据，待检测脑电图时域数据则得到待测位图数据。
位图转换模块包括时频转换单元、二值化单元以及位图构建单元，其中：
时频转换单元将输入的脑电图时域数据转换为脑电图频域数据；
二值化单元将所述时频转换单元输出的脑电图频域数据以频率由低到高排序并进行分段，以预定功率域值将每一段频域数据二值化；
位图构建单元将所述二值化单元输出的每一位以原频率顺序依次排序，构建出位图数据。
特征库构建模块被配置为：对于每组位图数据，从第二条位图数据开始，依次计算与第一条位图数据的相似度，在相似度达到预定值且不完全相同时，则保留该条位图数据，否则丢弃该条位图数据，最后保留的每组位图数据构成特征库。
参见实施例二，特征库构建模块同样可以采用多种方式进行位图数据之间的相似度比对。
在一种实施方式中，特征库构建模块包括特征提取单元、相似度比较单元和特征构建单元。特征提取单元提取位图数据的特征，相似度比较单元计算位图数据的特征之间的相似距离。依据该实施方式，对于特征库的构建，对于每一组位图数据，特征提取单元提取各条位图数据的特征，相似度比较单元从第二条位图数据开始，依次计算与第一条位图数据的特征的相似距离，在相似距离处于预定域值内时，并且相似距离不为0时，保留该特征对应的位图数据，否则丢弃对应的位图数据。特征构建单元利用保留的每组位图数据构建特征库。
在另一种实施方式中，特征库构建模块包括特征比较单元和特征构建单元，特征构建单元同上，特征比较单元对于每一组位图数据，从第二条位图数据开始，依次与第一条位图数据进行异或运算，在运算结果中1的位数未超过预定数量，且运算结果不为0时，保留该条位图数据，否则丢弃该条位图数据。
进一步的，特征库构建单元还包括特征计数单元，特征计数单元对每一组位图数据所保留的位图数据的数量进行计数，在每一组位图数据保留的位图数据的计数量达到设定的最大值时，控制所述特征比较单元丢弃该组位图数据之后所有的位图数据。
或者，在对于上述第一种实施方式，在特征计数单元计数达到最大值时，相似度比较单元继续计算后续每一条位图数据的特征与第一条位图数据的特征的相似距离，并与保留的每一条位图数据的特征与第一条位图数据的特征的相似距离进行比较，在相似距离小于保留的某条位图数据的特征与第一条位图数据的特征的相似距离时，替换掉所保留的位图数据中，与第一条位图数据的特征的相似距离最大的位图数据。
而对于第二种实施方式，在特征计数单元计数达到最大值时，特征比较单元继续将后续每一条位图数据与第一条位图数据进行异或运算，在计算结果为1的位数少于所保留的位图数据与第一条位图数据异或结果中1的位数时，替换掉所保留的位图数据中与第一条位图数据异或结果中1的位数最多的那条位图数据。
特征检测模块被配置为：将待测位图数据依次与所述特征库中的每一条位图数据进行异或运算，若与某条位图数据的运算结果为0，则判定为该条位图数据所对应脑电图时域数据所对应的精神状态。
实施例四
本实施例公开了一种多通道简易精神状态检测系统，该系统包括计算机可读存储介质和处理器，所述计算机可读存储介质存储有计算机程序，所述处理器运行所述计算机程序以执行实施例一的多通道简易精神状态检测方法，且该方法可应用实施例二中的对位图数据进行保留或丢弃的方法。
或者，在另一实施例中，多通道简易精神状态检测系统包括脑电图时域数据采集装置以及实施例三中的多通道简易精神状态检测装置，脑电图时域数据采集装置连接多通道简易精神状态检测装置，以将采集的脑电图时域数据传输给多通道简易精神状态检测装置进行检测。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (4)
1.一种多通道简易精神状态检测方法，其特征在于，包括：
获取多通道脑电图时域数据集，所述多通道脑电图时域数据集包括多组脑电图时域数据，每组脑电图时域数据包括对多个个体在同一组激励条件下所分别获得的脑电图时域数据；
将每组脑电图时域数据中的每一条脑电图时域数据均转换为相同格式的位图数据，一组脑电图时域数据得到一组位图数据；所述将每组脑电图时域数据中的每一条脑电图时域数据均转换为相同格式的位图数据，包括：对每组脑电图时域数据中的每一条脑电图时域数据进行以下处理：将脑电图时域数据进行时频转换得到脑电图频域数据；将所述脑电图频域数据以频率由低到高排序并进行分段，以预定功率域值将每一段频域数据二值化，对二值化后的每一位依次排序得到位图数据；
对于每组位图数据，从第二条位图数据开始，依次计算与第一条位图数据的相似度，在相似度达到预定值且不完全相同时，则保留该条位图数据，否则丢弃该条位图数据，最后保留的每组位图数据构成特征库；所述从第二条位图数据开始，依次计算与第一条位图数据的相似度，在相似度达到预定值时则保留该条位图数据，否则丢弃该条位图数据，包括：从第二条位图数据开始，依次与第一条位图数据进行异或运算，在运算结果中1的位数未超过预定数量，且运算结果不为0时，保留该条位图数据，否则丢弃该条位图数据；每组脑电图时域数据对应的位图数据的数量设定有最大值；在保留或丢弃位图数据时，对保留的位图数据的数量进行计数，在得到的位图数据的数量达到该最大值时，则丢弃之后所有的位图数据；
将待检测脑电图时域数据转换为与特征库中位图数据相同格式的位图数据，得到待测位图数据；将待测位图数据依次与所述特征库中的每一条位图数据进行异或运算，若运算结果中存在结果为0的，则判定为对应脑电图时域数据所对应的状态。
2.一种多通道简易精神状态检测装置，其特征在于，包括数据获取模块、位图转换模块、特征库构建模块和特征检测模块，其中：
所述数据获取模块被配置为：获取多通道脑电图时域数据集，所述多通道脑电图时域数据集包括多组脑电图时域数据，每组脑电图时域数据包括对多个个体在同一组激励条件下所分别获得的脑电图时域数据；
所述位图转换模块被配置为：将待检测脑电图时域数据以及每组脑电图时域数据中的每一条脑电图时域数据均转换为相同格式的位图数据，一组脑电图时域数据则得到一组位图数据，待检测脑电图时域数据则得到待测位图数据；所述位图转换模块包括时频转换单元、二值化单元以及位图构建单元，其中：所述时频转换单元将输入的脑电图时域数据转换为脑电图频域数据；所述二值化单元将所述时频转换单元输出的脑电图频域数据以频率由低到高排序并进行分段，以预定功率域值将每一段频域数据二值化；所述位图构建单元将所述二值化单元输出的每一位依次排序，构建出位图数据；
所述特征库构建模块被配置为：对于每组位图数据，从第二条位图数据开始，依次计算与第一条位图数据的相似度，在相似度达到预定值且不完全相同时，则保留该条位图数据，否则丢弃该条位图数据，最后保留的每组位图数据构成特征库；所述特征库构建模块包括特征比较单元，所述特征比较单元对于每一组位图数据，从第二条位图数据开始，依次与第一条位图数据进行异或运算，在运算结果中1的位数未超过预定数量，且运算结果不为0时，保留该条位图数据，否则丢弃该条位图数据；所述特征库构建模块还包括特征计数单元，所述特征计数单元对每一组位图数据所保留的位图数据的数量进行计数，在每一组位图数据保留的位图数据的计数量达到设定的最大值时，控制所述特征比较单元丢弃该组位图数据之后所有的位图数据；
所述特征检测模块被配置为：将待测位图数据依次与所述特征库中的每一条位图数据进行异或运算，若运算结果中存在结果为0的，则判定为对应脑电图时域数据所对应的状态。
3.一种多通道简易精神状态检测系统，其特征在于，包括计算机可读存储介质和处理器，所述计算机可读存储介质存储有计算机程序，所述处理器运行所述计算机程序以执行如权利要求1所述的多通道简易精神状态检测方法。
4.一种多通道简易精神状态检测系统，其特征在于，包括脑电图时域数据采集装置以及如权利要求2所述的多通道简易精神状态检测装置，所述脑电图时域数据采集装置连接所述多通道简易精神状态检测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310587769.7A CN116616771B (zh) | 2023-05-23 | 2023-05-23 | 多通道简易精神状态检测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310587769.7A CN116616771B (zh) | 2023-05-23 | 2023-05-23 | 多通道简易精神状态检测方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116616771A CN116616771A (zh) | 2023-08-22 |
| CN116616771B true CN116616771B (zh) | 2024-01-26 |
Family
ID=87601990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310587769.7A Active CN116616771B (zh) | 2023-05-23 | 2023-05-23 | 多通道简易精神状态检测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116616771B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502047B (zh) * | 2023-05-23 | 2024-05-07 | 成都市第四人民医院 | 神经医学数据处理方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10262943A (ja) * | 1997-01-24 | 1998-10-06 | Yamaha Corp | 脳波計測方法およびその装置並びに該計測方法を用いた意思伝達方法およびその装置 |
| CN1333003A (zh) * | 2001-07-13 | 2002-01-30 | 天津大学 | 大脑头皮电位信息图形的生成方法 |
| CN102170315A (zh) * | 2009-09-28 | 2011-08-31 | 特克特朗尼克公司 | 频域位图触发 |
| CN110338760A (zh) * | 2019-07-01 | 2019-10-18 | 上海交通大学 | 一种基于脑电图频域数据的精神分裂症三分类方法 |
| CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
| CN111671421A (zh) * | 2020-06-24 | 2020-09-18 | 安徽智趣小天使信息科技有限公司 | 一种基于脑电图的儿童需求感知方法 |
| CN115500841A (zh) * | 2022-09-26 | 2022-12-23 | 浙江大学 | 一种融合时域与频域特征深度学习的室性早搏定位方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10863912B2 (en) * | 2017-08-24 | 2020-12-15 | Myneurva Holdings, Inc. | System and method for analyzing electroencephalogram signals |
-
2023
- 2023-05-23 CN CN202310587769.7A patent/CN116616771B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10262943A (ja) * | 1997-01-24 | 1998-10-06 | Yamaha Corp | 脳波計測方法およびその装置並びに該計測方法を用いた意思伝達方法およびその装置 |
| CN1333003A (zh) * | 2001-07-13 | 2002-01-30 | 天津大学 | 大脑头皮电位信息图形的生成方法 |
| CN102170315A (zh) * | 2009-09-28 | 2011-08-31 | 特克特朗尼克公司 | 频域位图触发 |
| CN110338760A (zh) * | 2019-07-01 | 2019-10-18 | 上海交通大学 | 一种基于脑电图频域数据的精神分裂症三分类方法 |
| CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
| CN111671421A (zh) * | 2020-06-24 | 2020-09-18 | 安徽智趣小天使信息科技有限公司 | 一种基于脑电图的儿童需求感知方法 |
| CN115500841A (zh) * | 2022-09-26 | 2022-12-23 | 浙江大学 | 一种融合时域与频域特征深度学习的室性早搏定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116616771A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sulaiman et al. | Novel methods for stress features identification using EEG signals | |
| CN106413541B (zh) | 用于诊断睡眠的系统和方法 | |
| CN104173046B (zh) | 一种色彩标记振幅整合脑电图的提取方法 | |
| EP2884890A1 (en) | Method for detection of an abnormal sleep pattern in a person | |
| CN105559779A (zh) | 一种通过脑电频谱进行认知评价的方法 | |
| CN116616771B (zh) | 多通道简易精神状态检测方法、装置及系统 | |
| Hussain et al. | A healthcare digital twin for diagnosis of stroke | |
| CN114081439A (zh) | 一种应用前额叶单通道脑电信号对睡眠分期的类脑算法 | |
| Zhou et al. | Both cross-patient and patient-specific seizure detection based on self-organizing fuzzy logic | |
| Yang et al. | Cross-subject classification of depression by using multiparadigm EEG feature fusion | |
| Al-Qazzaz et al. | Complexity and Entropy Analysis to Improve Gender Identification from Emotional‐Based EEGs | |
| Siuly et al. | Exploring Rhythms and Channels-Based EEG Biomarkers for Early Detection of Alzheimer's Disease | |
| Liu et al. | Automated Machine Learning for Epileptic Seizure Detection Based on EEG Signals. | |
| Nirabi et al. | Machine Learning-Based Stress Level Detection from EEG Signals | |
| Luo et al. | Exploring adaptive graph topologies and temporal graph networks for EEG-based depression detection | |
| CN112842363A (zh) | 一种睡眠脑电检测方法及系统 | |
| da Silva Lourenço et al. | Ultrafast review of ambulatory EEGs with deep learning | |
| Al-Qazzaz et al. | Recognition enhancement of dementia patients’ working memory using entropy-based features and local tangent space alignment algorithm | |
| Tiwary et al. | Deep learning with spatial and channel attention for epileptic seizure type classification using frequency characterization | |
| Rajendran et al. | An overview of EEG seizure detection units and identifying their complexity-A review | |
| CN116502047B (zh) | 神经医学数据处理方法及系统 | |
| Bodhe et al. | Design and Development of Multi-Model Deep Learning based Approach for Scaling the Severity of Mental Disorders | |
| CN110265143B (zh) | 基于脑电图的智能辅助诊断系统 | |
| Shubhangi et al. | Encephalogram based Detection of Psychosis Susceptibility Syndrome using CNN and Local Binary Pattern | |
| Hole et al. | Spatial feature extraction based eeg stress detection system |
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 |