CN117257303B - 一种焦虑检测方法、装置、电子设备及存储介质 - Google Patents
一种焦虑检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117257303B CN117257303B CN202311550547.4A CN202311550547A CN117257303B CN 117257303 B CN117257303 B CN 117257303B CN 202311550547 A CN202311550547 A CN 202311550547A CN 117257303 B CN117257303 B CN 117257303B
- Authority
- CN
- China
- Prior art keywords
- anxiety
- parameter set
- electroencephalogram data
- data
- parameter
- 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
- 208000019901 Anxiety disease Diseases 0.000 title claims abstract description 189
- 230000036506 anxiety Effects 0.000 title claims abstract description 182
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 108
- 238000000034 method Methods 0.000 claims abstract description 27
- 210000004556 brain Anatomy 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 24
- 230000008451 emotion Effects 0.000 abstract description 8
- 230000005611 electricity Effects 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012216 screening Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 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
- A61B5/72—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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Educational Technology (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种焦虑检测方法、装置、电子设备及存储介质。方法包括:首先获取被测者在检测时间段内的初始脑电数据;其次将初始脑电数据由时域模式转换为频域模式,得到频域脑电数据;然后从频域脑电数据中提取第一参数集和第二参数集,第一参数集包括第一频段的脑电数据,第二参数集包括第二频段的脑电数据,第一频段与第二频段为预设的两个不同频段;最后根据第一参数集和第二参数集,得到焦虑评价信息。本发明可以通过被测者的脑电数据,来分析检测被测者的焦虑情绪相关的数据,然后基于这些数据得到的焦虑评价信息,可以精准的反馈被测者的焦虑状况。为医生的诊断提供客观精确的数据信息支持,提高诊断准确性。
Description
技术领域
本发明涉及数据处理领域,尤其是涉及一种焦虑检测方法、装置、电子设备及存储介质。
背景技术
面对工作、生活和学习的压力时,人们会经常感到焦虑。而当焦虑情绪比较严重的时候,会对人体的身心健康造成不良影响,因此很多人会选择去找心理医生进行诊断,以缓解和释放焦虑情绪。
相关技术中,心理医生一般通过问答和谈话交流等方式来获取信息,结合问答结果和谈话过程来评断患者的焦虑程度。这种诊断检测方式比较依赖医生的主观经验,缺乏客观数据的支持,诊断结果不够准确,尤其是在医生经验不够丰富时,容易出现误诊。
发明内容
针对上述技术问题和缺陷,本发明的目的是提供一种焦虑检测方法、装置、电子设备及存储介质,可以基于脑电数据对焦虑情绪进行准确的检测和评价,为医生的诊断提供客观数据的支持,提高诊断准确性。
为了实现上述目的,第一方面,本发明提供一种焦虑检测方法,包括:
获取被测者在检测时间段内的初始脑电数据;
将初始脑电数据由时域模式转换为频域模式,得到频域脑电数据;
从频域脑电数据中提取第一参数集和第二参数集,第一参数集包括第一频段的脑电数据,第二参数集包括第二频段的脑电数据,第一频段与第二频段为预设的两个不同频段;
根据第一参数集和第二参数集,得到焦虑评价信息。
在上述实施例中,通过被测者的脑电数据,来分析检测被测者的焦虑情绪相关的数据,然后基于这些数据得到的焦虑评价信息,可以精准的反馈被测者的焦虑状况。为医生的诊断提供客观精确的数据信息支持,提高诊断准确性。
在一实施例中,从频域脑电数据中提取第一参数集和第二参数集的步骤,包括:
从频域脑电数据中提取多个第一参数,并将第一参数按照时间顺序进行排列,得到第一参数集,第一参数为第一频段的脑电数据;
从频域脑电数据中提取多个第二参数,并将第二参数按照时间顺序进行排列,得到第二参数集,第二参数为第二频段的脑电数据。
在上述实施例中,可以从频域脑电数据中,筛选和提取出需要的关键数据,利于给后续的算法和步骤进行处理。
在一实施例中,根据第一参数集和第二参数集,得到焦虑评价信息的步骤,包括:
根据第一参数集和第二参数集,得到第一焦虑评价数值;
根据第一焦虑评价数值、最大阈值和最小阈值,得到第二焦虑评价数值,最大阈值为第二焦虑评价数值设定的最大值,最小阈值为第二焦虑评价数值设定的最小值;
调用焦虑识别模型;
根据焦虑识别模型和第二焦虑评价数值,得到焦虑评价信息。
在上述实施例中,通过设定的规则和算法,得到第一焦虑评价数值,再基于第一焦虑评价数值,得到第二焦虑评价数值,利用焦虑识别模型对第二焦虑评价数值进行处理,得到精准的焦虑评价信息。
在一实施例中,根据焦虑识别模型和第二焦虑评价数值,得到焦虑评价信息的步骤,包括:
确定焦虑识别模型中的第一模型参数和第二模型参数;
根据第一模型参数、第二模型参数和第二焦虑评价数值,得到第三焦虑评价数值;
根据第三焦虑评价数值,得到焦虑评价信息。
在上述实施例中,通过上述具体的算法规则,可以计算求得焦虑评价信息。通过焦虑评价信息,可以客观准确的反应被测者的焦虑情况。
在一实施例中,根据第一参数集和第二参数集,得到第一焦虑评价数值的步骤,包括;
根据第一参数集和第二参数集,确定第一目标参数组和第二目标参数组;
根据第一目标参数组和第二目标参数组,得到第一焦虑评价数值。
在上述实施例中,可以根据设定的规则,从第一参数集和第二参数集中,确定第一目标参数组和第二目标参数组,再根据设定的算法得到第一焦虑评价数值。
在一实施例中,根据第一参数集和第二参数集,确定第一目标参数组和第二目标参数组的步骤,包括:
基于频域脑电数据的时间顺序,根据第一参数集生成多个第一参数组,并根据第二参数集生成多个第二参数组;
获取各第一参数组的第一标准差,及各第二参数组的第二标准差;
根据多个第一标准差和多个第二标准差,从多个第一参数组中确定第一目标参数组,从多个第二参数组中确定第二目标参数组。
在上述实施例中,通过设定的规则和算法,就可以从第一参数集和第二参数集中,精确求得第一目标参数组和第二目标参数组。
在一实施例中,多个第一参数组和多个第二参数组分别标记有时间序号,时间序号是基于时间顺序生成的;根据多个第一标准差和多个第二标准差,从多个第一参数组中确定第一目标参数组,从多个第二参数组中确定第二目标参数组的步骤,包括:
根据时间序号,将各第一标准差和各第二标准差一一对应;
根据各对应的第一标准差和第二标准差,得到多个平均标准差;
将多个平均标准差中的最小值确定为最小平均标准差;
将最小平均标准差对应的第一参数组和第二参数组,分别确定为第一目标参数组和第二目标参数组。
在上述实施例中,通过设定的规则和算法,可以从多个第一参数组中确定第一目标参数组,从多个第二参数组中确定第二目标参数组。
第二方面,本发明提供一种焦虑检测装置,包括:
获取模块,用于获取被测者在检测时间段内的初始脑电数据;
转换模块,用于将初始脑电数据由时域模式转换为频域模式,得到频域脑电数据;
提取模块,用于从频域脑电数据中提取第一参数集和第二参数集,第一参数集包括第一频段的脑电数据,第二参数集包括第二频段的脑电数据,第一频段与第二频段为预设的两个不同频段;
得到模块,用于根据第一参数集和第二参数集,得到焦虑评价信息。
本实施例的焦虑检测装置应用上述实施例的焦虑检测方法,通过被测者的脑电数据,来分析检测被测者的焦虑情绪相关的数据,然后基于这些数据得到的焦虑评价信息,可以精准的反馈被测者的焦虑状况。为医生的诊断提供客观精确的数据信息支持,提高诊断准确性。
第三方面,本发明提供一种电子设备,包括处理器和存储器,存储器上存储有计算机程序,计算机程序被处理器执行时,实现上述的焦虑检测方法。
应用本实施例的电子设备,通过被测者的脑电数据,来分析检测被测者的焦虑情绪相关的数据,然后基于这些数据得到的焦虑评价信息,可以精准的反馈被测者的焦虑状况。为医生的诊断提供客观精确的数据信息支持,提高诊断准确性。
第四方面,本发明提供一种计算机可读的存储介质,其上存储有计算机程序,计算机程序被处理器执行时,实现上述的焦虑检测方法。
应用本实施例的存储介质,通过被测者的脑电数据,来分析检测被测者的焦虑情绪相关的数据,然后基于这些数据得到的焦虑评价信息,可以精准的反馈被测者的焦虑状况。为医生的诊断提供客观精确的数据信息支持,提高诊断准确性。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.可以提供客观的数据结论,避免医生依赖个人经验的主观判断,可以更准确的诊断被测者的焦虑情况。
2.可以为经验欠缺的医生提供诊断支持,帮助所有医生提供诊断决策,助力医生的学习成长。
3.只需要脑电仪和便携计算机设备,操作简单,携带方便,应用场景局限性小。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅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。在附图中:
图1是本发明实施例的焦虑检测方法的一种应用场景图;
图2是本发明实施例的焦虑检测方法的流程图一;
图3是本发明实施例的焦虑检测方法的流程图二;
图4是本发明实施例的焦虑检测方法的流程图三;
图5是本发明实施例的焦虑检测方法的流程图四;
图6是本发明实施例的焦虑检测方法的流程图五;
图7是本发明实施例的焦虑检测方法的流程图六;
图8是本发明实施例的一种焦虑检测装置的架构示意图;
图9是本发明实施例中电子设备的架构示意图。
具体实施方式
本发明以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本发明的限制。如在本发明的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式,除非其上下文中明确地有相反指示。还应当理解,本发明中使用的术语“和/或”是指并包含一个或多个所列出项目的任何或所有可能组合。
以下,术语“第一”、“第二”仅用于描述目的,用于区分技术特征,而不能理解为暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征,在本发明实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
相关技术中,心理医生一般通过问答和谈话交流等方式来获取信息,结合问答结果和谈话过程来评断患者的焦虑程度。这种诊断检测方式比较依赖医生的主观经验,缺乏客观数据的支持,诊断结果不够准确,尤其是在医生经验不够丰富时,容易出现误诊。
针对上述问题,本发明实施例提供一种焦虑检测方法,如图1所示,只需被测者佩戴脑电仪后,由脑电仪采集被测者的脑电数据,计算机设备可以通过被测者的脑电数据,来分析检测被测者的焦虑情绪相关的数据,然后基于这些数据得到的焦虑评价信息,可以精准的反馈被测者的焦虑状况。为医生的诊断提供客观精确的数据信息支持,提高诊断准确性。
并且,在硬件设备上只需要脑电仪和计算机(笔记本电脑)等,就可快速的完成焦虑检测,操作简单,携带方便,应用场景局限性小。
由此,本发明提供的焦虑检测方法,可以由计算机设备来执行,如图2所示,包括步骤101、步骤102、步骤103及步骤104。
步骤101,获取被测者在检测时间段内的初始脑电数据。
其中,初始脑电数据是通过脑电仪采集被测者的脑电波数据得到的。具体地,脑电数据(Electroencephalograph,EEG)是使用精密的脑电仪,通过电极(侵入式或非侵入式)采集由脑细胞群的自发性、节律性电活动产生的生物电位而获得的数据。脑电数据是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映,并且具有直接客观、难以伪装、容易量化、特征多元等特点,能够有效地反映目标对象的生理和心理信息。
在一些实施例中,检测时间段的时间长度一般不低于2分钟,可以为3分钟、4分钟或5分钟等等。
步骤102,将初始脑电数据由时域模式转换为频域模式,得到频域脑电数据。
在上述步骤中,脑电仪采集到的初始脑电数据是时域模式,通过FFT(fastFourier transform,快速傅立叶变换)算法或者小波变换算法,对时域模式的初始脑电数据进行频谱分析转换为频域模式,得到频域脑电数据。
需要说明的是,也可以通过其他算法将初始脑电数据进行时域和频域的转换,本实施例不作特殊限定。
步骤103,从频域脑电数据中提取第一参数集和第二参数集,第一参数集包括第一频段的脑电数据,第二参数集包括第二频段的脑电数据,第一频段与第二频段为预设的两个不同频段。
其中,将频域脑电数据按照频率和振幅分为以下几类:β波,频率高(在13到30Hz之间,有时高至50Hz),幅值较小(约5μV);α波,典型的脑电波节律,在8到13Hz之间,幅值比β波稍大;θ波,频率比α波略低,通常为4到7Hz,振幅比α波大;δ波,最慢的脑电波节律,通常低于3.5Hz,其振幅最大,可达300μV。
本实施例中,在频域脑电数据中,设定4Hz至7Hz的频率范围为第一频段,即对应θ波;设定13Hz至30Hz的频率范围为第二频段,即对应β波。
具体地,在频域脑电数据中,将4Hz至7Hz频率范围的脑电数据提取出来组成第一参数集;将13Hz至30Hz频率范围的脑电数据提取出来组成第二参数集。
在一实施例中,上述步骤中,从频域脑电数据中提取第一参数集和第二参数集的步骤,可以具体包括:
从频域脑电数据中提取多个第一参数,并将第一参数按照时间顺序进行排列,得到第一参数集;从频域脑电数据中提取多个第二参数,并将第二参数按照时间顺序进行排列,得到第二参数集。其中,第一参数为第一频段的脑电数据,第二参数为第二频段的脑电数据,即,4Hz至7Hz频率范围的脑电数据为第一参数,13Hz至30Hz频率范围的脑电数据为第二参数。
具体地,在频域脑电数据中,每个脑电数据都对应了其生成的时间,即脑电仪采集该数据的时间。将4Hz至7Hz频段内的第一参数按照时间顺序进行排列,形成第一参数集,13Hz至30Hz频段内的第二参数按照时间顺序进行排列,形成第二参数集。
这样就从频域脑电数据中,筛选和提取出需要的关键数据,利于下文中的算法和步骤进行处理。
步骤104,根据第一参数集和第二参数集,得到焦虑评价信息。
具体地,可以按照设定的规则和算法,对第一参数集和第二参数集进行计算分析,得到焦虑评价信息,焦虑评价信息可以是一个得分数值,该得分数值可以表征被测者的是否存在不良的焦虑情绪,焦虑严重程度等等。
在一实施例中,如图3所示,步骤104可以具体包括步骤210、步骤220、步骤230和步骤240:
步骤210,根据第一参数集和第二参数集,得到第一焦虑评价数值。
其中,可以按照设定的规则和算法,对第一参数集和第二参数集中的数据进行计算处理,得到第一焦虑评价数值。
步骤220,根据第一焦虑评价数值、最大阈值和最小阈值,得到第二焦虑评价数值。其中,最大阈值为第二焦虑评价数值设定的最大值,最小阈值为第二焦虑评价数值设定的最小值。
具体地,设第一焦虑评价数值为A1,第二焦虑评价数值为A2,最大阈值为Amax,最小阈值为Amin,则有以下公式:
通过上述公式既可计算求得第二焦虑评价数值。
步骤230,调用焦虑识别模型。
其中,焦虑识别模型可以基于多个第二焦虑评价数值的样本数据来优化训练,使焦虑识别模型输出的结果更加精准。例如,对多个第二焦虑评价数值的样本数据进行求平均值计算,得到第一模型参数M1。对多个第二焦虑评价数值的样本数据进行求标准差计算,得到第二模型参数。再基于第一模型参数M1和第二模型参数M2构建和不断优化焦虑识别模型。
步骤240,根据焦虑识别模型和第二焦虑评价数值,得到焦虑评价信息。
具体地,将第二焦虑评价数值A2输入到焦虑识别模型中,通过焦虑识别模型既可得到焦虑评价信息。
这样,本实施例通过设定的规则和算法,得到第一焦虑评价数值,再基于第一焦虑评价数值,得到第二焦虑评价数值,利用焦虑识别模型对第二焦虑评价数值进行处理,得到精准的焦虑评价信息。
在一实施例中,如图4所示,步骤240可以具体包括步骤241、步骤242和步骤243:
步骤241,确定焦虑识别模型中的第一模型参数和第二模型参数。
例如,设定第一模型参数为M1,M1为多个第二焦虑评价数值的样本数据的平均值。第二模型参数为M2,M2为多个第二焦虑评价数值的样本数据的标准差。
步骤242,根据第一模型参数、第二模型参数和第二焦虑评价数值,得到第三焦虑评价数值。
具体地,可以通过以下公式来计算求得第三焦虑评价数值:
其中,A3为第三焦虑评价数值,A2为第二焦虑评价数值,M1为第一模型参数,M2为第二模型参数。
步骤243,根据第三焦虑评价数值,得到焦虑评价信息。
具体地,可以将第三焦虑评价数值A3作为z分数(z-score)数值,然后在标准正态分布表中查找A3对应的累积分布概率值,得到数值A4。再将A4乘以100,即得到焦虑评价信息。
其中,z分数也叫标准分数(standard score),是一个数与平均数的差再除以标准差的过程。z分数能够真实的反应一个分数距离平均数的相对标准距离。
通过上述系列步骤既可计算求得焦虑评价信息。通过焦虑评价信息,可以客观准确的反应被测者的焦虑情况。
在一实施例中,如图5所示,步骤210可以包括步骤211和步骤212,以精确求得第一焦虑评价数值。
步骤211,根据第一参数集和第二参数集,确定第一目标参数组和第二目标参数组。
具体地,可以根据设定的规则和算法,从第一参数集和第二参数集中,确定第一目标参数组和第二目标参数组。
步骤212:根据第一目标参数组和第二目标参数组,得到第一焦虑评价数值。
具体地,首先,对第一目标参数组中各成员数据按照数值大小进行排序,得到第一参数组中每个成员数据的排名值;对第二目标参数组中各成员数据按照数值大小进行排序,得到第二目标参数组中每个成员数据的排名值。其中,第一目标参数组和第二目标参数组的成员数据的个数都为N。
然后,计算第一目标参数组和第二目标参数组中每个成员的排名差,即第一目标参数组的第n个成员的排名值,减去第二目标参数组的第n个成员的排名值,1≤n≤N,一共计算得到N个排名差。
最后,计算上面N个排名差的平方和,得到平方和S。采用以下公式计算得到第一焦虑评价数值A1:
。
通过上述步骤,既可求得第一焦虑评价数值A1。
在一实施例中,如图6所示,步骤211具体地包括步骤310、步骤320、步骤330和步骤340,以精确求得第一目标参数组和第二目标参数组。
步骤310,基于频域脑电数据的时间顺序,根据第一参数集生成多个第一参数组,并根据第二参数集生成多个第二参数组。
例如,设频域脑电数据的时间总长度为T,包括T个时刻;以滤波分段对频域脑电数据进行滤波筛选,滤波分段的时间长度为N,包括N个时刻,其中,N≤T。通过滤波分段对频域脑电数据进行滤波筛选,得到多个第一参数组和多个第二参数组,滤波筛选的方法具体如下:
以第1时刻为起点,选取第1时刻到第N时刻之间每个时刻的第一参数,得到N个第一参数,将这N个第一参数组成为第一参数组K1;选取第1时刻到第N时刻之间每个时刻的第二参数,得到N个第二参数,将这N个第二参数组成为第二参数组L1。
以第2时刻为起点,选取第2时刻到第N+1时刻之间每个时刻的第一参数,得到N个第一参数,将这N个第一参数组成为第一参数组K2;选取第2时刻到第N+1时刻之间每个时刻的第二参数,得到N个第二参数,将这N个第二参数组成为第二参数组L2。
以此类推,直到以第T-N+1时刻为起点,选取第T-N+1时刻到T时刻之间每个时刻的第一参数,得到N个第一参数,将这N个第一参数组成为第一参数组KT-N+1;选取第T-N+1时刻到第T时刻之间每个时刻的第二参数,得到N个第二参数,将这N个第二参数组成为第二参数组LT-N+1。
一共可以得到T-N+1个第一参数组和第二参数组。
步骤320,获取各第一参数组的第一标准差,及各第二参数组的第二标准差。
具体地,设第一参数组K1的第一标准差为D1,第一参数组K2的第一标准差为D2,以此类推,第一参数组KT-N+1的第一标准差为DT-N+1;第二参数组L1的第二标准差为E1,第二参数组L2的第二标准差为E2,以此类推,第二参数组KT-N+1的第二标准差为ET-N+1。
步骤330,根据多个第一标准差和多个第二标准差,从多个第一参数组中确定第一目标参数组,从多个第二参数组中确定第二目标参数组。
其中,对第一标准差D1、D2、……、DT-N+1,及第二标准差E1、E2、……、ET-N+1,进行计算处理,根据计算结果,按照设定的规则和算法,从T-N+1个第一参数组和第二参数组,分别确定第一目标参数组和第二目标参数组。
在一实施例中,多个第一参数组和多个第二参数组分别标记有时间序号,时间序号是基于时间顺序生成的。时间序号包括第1时刻至第T-N+1时刻。
如图7所示,步骤330可以进一步包括步骤331、步骤332、步骤333和步骤334,以此来确定第一目标参数组和第二目标参数组。具体如下:
步骤331,根据时间序号,将各第一标准差和各第二标准差一一对应;
具体地,将第1时刻的第一标准差D1与第二标准差E1相对应,将第2时刻的第一标准差D2与第二标准差E2相对应,直至将第T-N+1时刻的第一标准差DT-N+1与第二标准差ET-N+1相对应。
步骤332,根据各对应的第一标准差和第二标准差,得到多个平均标准差。
具体地,分别计算D1与E1的平均值P1,D2与E2的平均值P2,以此类推,直至DT-N+1与ET-N+1的平均值PT-N+1。
步骤333,将多个平均标准差中的最小值确定为最小平均标准差。
具体地,在P1、P2、……、PT-N+1中选取最小值,设该最小值为最小平均标准差Pi,i为1至T-N+1中的一个值。
步骤334,将最小平均标准差对应的第一参数组和第二参数组,分别确定为第一目标参数组和第二目标参数组。
具体地,最小平均标准差Pi是Di与Ei的平均值,Di是第一参数组Ki的第一标准差,Ei是第二参数组Li的第二标准差。因此,最小平均标准差Pi对应第一参数组Ki和第二参数组Li。则,确定第一参数组Ki为第一目标参数组,第二参数组Li为第二目标参数组。
在一实施例中,焦虑检测方法可以具体包括以下步骤:
(1)被测者佩戴脑电仪,被测者在检测开始后闭上眼睛。
(2)脑电仪采集被测者闭眼状态下的脑电数据,并将数据实时传输给获取模块。
(3)获取模块接收脑电数据,从中提取出时域模式的初始脑电数据,将初始脑电数据发送给数据存储模块。
(4)数据存储模块对接收的初始脑电数据进行缓存。
(5)整个脑电数据采集时间不少于2分钟,在数据采集结束后,数据存储模块将缓存的初始脑电数据传输给第一分析模块。
(6)第一分析模块包括转换模块和提取模块,转换模块通过FFT算法或者小波变换算法,对时域模式的初始脑电数据进行频谱分析转换为频域模式,得到频域脑电数据。
(7)提取模块在频域脑电数据中,提取多个第一参数,并将第一参数按照时间顺序进行排列,得到第一参数集;并提取多个第二参数,并将第二参数按照时间顺序进行排列,得到第二参数集。其中,第一参数为4Hz至7Hz频率范围的脑电数据,第二参数为13Hz至30Hz频率范围的脑电数据。再将第一参数集和第二参数集发送给得到模块。
(8)得到模块包括数据筛选模块、第二分析模块和焦虑评价模块。其中,数据筛选模块按照以下算法对第一参数集和第二参数集进行筛选:
设频域脑电数据的时间总长度为T,包括T个时刻;滤波分段的时间长度为N,包括N个时刻。
以第1时刻为起点,选取第1时刻到第N时刻之间每个时刻的第一参数,得到N个第一参数,将这N个第一参数组成为第一参数组K1;选取第1时刻到第N时刻之间每个时刻的第二参数,得到N个第二参数,将这N个第二参数组成为第二参数组L1。
以第2时刻为起点,选取第2时刻到第N+1时刻之间每个时刻的第一参数,得到N个第一参数,将这N个第一参数组成为第一参数组K2;选取第2时刻到第N+1时刻之间每个时刻的第二参数,得到N个第二参数,将这N个第二参数组成为第二参数组L2。
以此类推,直到以第T-N+1时刻为起点,选取第T-N+1时刻到T时刻之间每个时刻的第一参数,得到N个第一参数,将这N个第一参数组成为第一参数组KT-N+1;选取第T-N+1时刻到第T时刻之间每个时刻的第二参数,得到N个第二参数,将这N个第二参数组成为第二参数组LT-N+1。一共可以得到T-N+1个第一参数组和第二参数组。
设第一参数组K1的第一标准差为D1,第一参数组K2的第一标准差为D2,以此类推,第一参数组KT-N+1的第一标准差为DT-N+1;第二参数组L1的第二标准差为E1,第二参数组L2的第二标准差为E2,以此类推,第二参数组KT-N+1的第二标准差为ET-N+1。
将第1时刻的第一标准差D1与第二标准差E1相对应,将第2时刻的第一标准差D2与第二标准差E2相对应,直至将第T-N+1时刻的第一标准差DT-N+1与第二标准差ET-N+1相对应。
分别计算D1与E1的平均值P1,D2与E2的平均值P2,以此类推,直至DT-N+1与ET-N+1的平均值PT-N+1。
在P1、P2、……、PT-N+1中选取最小值,设该最小值为最小平均标准差Pi,i为1至T-N+1中的一个值。
最小平均标准差Pi是Di与Ei的平均值,Di是第一参数组Ki的第一标准差,Ei是第二参数组Li的第二标准差。因此,最小平均标准差Pi对应第一参数组Ki和第二参数组Li。则,确定第一参数组Ki为第一目标参数组,第二参数组Li为第二目标参数组。
数据筛选模块将第一目标参数组和第二目标参数组发送给第二分析模块。
(9)第二分析模块采用以下算法对第一目标参数组和第二目标参数组进行处理,得到第一焦虑评价数值:
对第一目标参数组中各成员数据按照数值大小进行排序,得到第一参数组中每个成员数据的排名值;对第二目标参数组中各成员数据按照数值大小进行排序,得到第二目标参数组中每个成员数据的排名值。其中,第一目标参数组和第二目标参数组的成员数据的个数都为N。
计算第一目标参数组和第二目标参数组中每个成员的排名差,即第一目标参数组的第n个成员的排名值,减去第二目标参数组的第n个成员的排名值,1≤n≤N,一共计算得到N个排名差。
计算上面N个排名差的平方和,得到平方和S。采用以下公式计算得到第一焦虑评价数值A1:
。
(10)第二分析模块将第一焦虑评价数值A1进行处理,得到第二焦虑评价数值A2,计算公式如下:
。
其中,Amax为第二焦虑评价系数设定的最大阈值,Amin为第二焦虑评价系数设定的最小阈值。
第二分析模块将第二焦虑评价数值A2发送给焦虑评价模块。
(11)焦虑评价模块存储有焦虑识别模型,通过以下公式计算得到第三焦虑评价数值:
其中,A3为第三焦虑评价数值,A2为第二焦虑评价数值,M1为焦虑识别模型中的第一模型参数,M2为焦虑识别模型中的第二模型参数。
(12)焦虑评价模块将第三焦虑评价数值A3作为z分数的数值,然后在标准正态分布表中查找A3对应的累积分布概率值,得到数值A4。再将A4乘以100,即得到焦虑评价信息。
(13)医生根据焦虑评价信息诊断被测者的焦虑情况。
本实施例的焦虑检测方法,可以通过被测者的脑电数据,来分析检测被测者的焦虑情绪相关的数据,然后基于这些数据得到的焦虑评价信息,可以精准的反馈被测者的焦虑状况。为医生的诊断提供客观精确的数据信息支持,提高诊断准确性。
本发明实施例提供一种焦虑检测装置,如图8所示,包括获取模块、转换模块、提取模块和得到模块。其中:
获取模块1用于获取被测者在检测时间段内的初始脑电数据;
转换模块2用于将初始脑电数据由时域模式转换为频域模式,得到频域脑电数据;
提取模块3用于从频域脑电数据中提取第一参数集和第二参数集,第一参数集包括第一频段的脑电数据,第二参数集包括第二频段的脑电数据,第一频段与第二频段为预设的两个不同频段;
得到模块4用于根据第一参数集和第二参数集,得到焦虑评价信息。
本实施例的焦虑检测装置可以为一种计算机设备,其采用上述实施例提供的焦虑检测方法,可以通过被测者的脑电数据,来分析检测被测者的焦虑情绪相关的数据,然后基于这些数据得到的焦虑评价信息,可以精准的反馈被测者的焦虑状况。为医生的诊断提供客观精确的数据信息支持,提高诊断准确性。
图9示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图9示出的电子设备的计算机系统仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,计算机系统包括中央处理单元(Central Processing Unit,CPU)1801,其可以根据存储在只读存储器(Read-Only Memory,ROM)1802中的程序或者从存储部分1808加载到随机访问存储器(Random Access Memory,RAM)1803中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1803中,还存储有系统操作所需的各种程序和数据。CPU 1801、ROM 1802以及RAM 1803通过总线1804彼此相连。输入/输出(Input /Output,I/O)接口1805也连接至总线1804。
以下部件连接至I/O接口1805:包括键盘、鼠标等的输入部分1806;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1807;包括硬盘等的存储部分1808;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1809。通信部分1809经由诸如因特网的网络执行通信处理。驱动器1810也根据需要连接至I/O接口1805。可拆卸介质1811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1810上,以便于从其上读出的计算机程序根据需要被安装入存储部分1808。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分1809从网络上被下载和安装,和/或从可拆卸介质1811被安装。在该计算机程序被中央处理单元(CPU)1801执行时,执行本发明的系统中限定的各种功能。
需要说明的是,本发明实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
具体地,本实施例的电子设备包括处理器和存储器,存储器上存储有计算机程序,计算机程序被处理器执行时,实现上述实施例提供的焦虑检测方法。
作为另一方面,本发明还提供了一种计算机可读的存储介质,该存储介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述存储介质承载有一个或者多个计算机程序,当上述一个或者多个计算机程序被一个该电子设备的处理器执行时,使得该电子设备实现上述实施例中提供的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、主机服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
具体地,通过本实施例的存储介质,可以实现上述实施例展示的焦虑检测方法。
本实施例中,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在上面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (6)
1.一种焦虑检测方法,其特征在于,包括:
获取被测者在检测时间段内的初始脑电数据;
将所述初始脑电数据由时域模式转换为频域模式,得到频域脑电数据;
从所述频域脑电数据中提取第一参数集和第二参数集,所述第一参数集包括第一频段的脑电数据,所述第二参数集包括第二频段的脑电数据,所述第一频段与所述第二频段为预设的两个不同频段;
基于所述频域脑电数据的时间顺序,根据所述第一参数集生成多个第一参数组,并根据所述第二参数集生成多个第二参数组,所述多个第一参数组和所述多个第二参数组分别标记有时间序号,所述时间序号是基于所述时间顺序生成的;
获取各所述第一参数组的第一标准差,及各所述第二参数组的第二标准差;
根据所述时间序号,将各所述第一标准差和各所述第二标准差一一对应;
根据各对应的所述第一标准差和所述第二标准差,得到多个平均标准差;
将所述多个平均标准差中的最小值确定为最小平均标准差;
将所述最小平均标准差对应的所述第一参数组和所述第二参数组,分别确定为第一目标参数组和第二目标参数组;
根据所述第一目标参数组和所述第二目标参数组,得到第一焦虑评价数值;
根据所述第一焦虑评价数值、最大阈值和最小阈值,得到第二焦虑评价数值,所述最大阈值为所述第二焦虑评价数值设定的最大值,所述最小阈值为所述第二焦虑评价数值设定的最小值;
调用焦虑识别模型;
根据所述焦虑识别模型和所述第二焦虑评价数值,得到焦虑评价信息。
2.根据权利要求1所述焦虑检测方法,其特征在于,所述从所述频域脑电数据中提取第一参数集和第二参数集的步骤,包括:
从所述频域脑电数据中提取多个第一参数,并将所述第一参数按照时间顺序进行排列,得到第一参数集,所述第一参数为所述第一频段的脑电数据;
从所述频域脑电数据中提取多个第二参数,并将所述第二参数按照时间顺序进行排列,得到第二参数集,所述第二参数为所述第二频段的脑电数据。
3.根据权利要求1所述焦虑检测方法,其特征在于,所述根据所述焦虑识别模型和所述第二焦虑评价数值,得到焦虑评价信息的步骤,包括:
确定所述焦虑识别模型中的第一模型参数和第二模型参数;
根据所述第一模型参数、所述第二模型参数和所述第二焦虑评价数值,得到第三焦虑评价数值;
根据所述第三焦虑评价数值,得到焦虑评价信息。
4.一种焦虑检测装置,其特征在于,应用于权利要求1至3任一项所述的焦虑检测方法,包括:
获取模块,用于获取被测者在检测时间段内的初始脑电数据;
转换模块,用于将所述初始脑电数据由时域模式转换为频域模式,得到频域脑电数据;
提取模块,用于从所述频域脑电数据中提取第一参数集和第二参数集,所述第一参数集包括第一频段的脑电数据,所述第二参数集包括第二频段的脑电数据,所述第一频段与所述第二频段为预设的两个不同频段;
得到模块,用于根据所述第一参数集和所述第二参数集,得到焦虑评价信息。
5.一种电子设备,其特征在于,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现权利要求1至3中任一项所述的焦虑检测方法。
6.一种计算机可读的存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至3中任一项所述的焦虑检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311550547.4A CN117257303B (zh) | 2023-11-21 | 2023-11-21 | 一种焦虑检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311550547.4A CN117257303B (zh) | 2023-11-21 | 2023-11-21 | 一种焦虑检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117257303A CN117257303A (zh) | 2023-12-22 |
CN117257303B true CN117257303B (zh) | 2024-02-06 |
Family
ID=89202906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311550547.4A Active CN117257303B (zh) | 2023-11-21 | 2023-11-21 | 一种焦虑检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117257303B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR970019212A (ko) * | 1995-09-30 | 1997-04-30 | 배순훈 | 평균 및 분산을 이용한 앤티-재밍 선택장치 및 방법(method and apparatus for selecting anti-jamming by using average and dispersion) |
CN107871537A (zh) * | 2017-11-22 | 2018-04-03 | 山东师范大学 | 一种基于多模态特征的抑郁倾向测评装置、系统 |
CN108836322A (zh) * | 2018-05-04 | 2018-11-20 | 成都泰和万钟科技有限公司 | 一种裸眼3d显示视觉诱导晕动症检测方法 |
CN109034534A (zh) * | 2018-06-21 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种模型评分解释方法、装置及设备 |
CN114027842A (zh) * | 2021-11-18 | 2022-02-11 | 赵永翔 | 一种抑郁症客观筛查系统、方法及装置 |
CN116250043A (zh) * | 2020-08-13 | 2023-06-09 | 开舒股份有限公司 | 用于测量与改变的意识状态水平和/或疼痛水平组合和/或相关联的焦虑水平的方法和系统 |
CN116304623A (zh) * | 2023-02-27 | 2023-06-23 | 中国工商银行股份有限公司 | 一种辐射源识别方法、装置及系统 |
CN116671938A (zh) * | 2023-07-27 | 2023-09-01 | 之江实验室 | 一种任务执行方法、装置、存储介质及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3234444A1 (en) * | 2021-10-06 | 2023-04-13 | Brain F.I.T. Imaging, LLC | Brain wave analysis of human brain cortical function |
JP2023074743A (ja) * | 2021-11-18 | 2023-05-30 | トヨタ自動車株式会社 | 生理状態指標算出システム、生理状態指標算出方法及び生理状態指標算出プログラム |
-
2023
- 2023-11-21 CN CN202311550547.4A patent/CN117257303B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR970019212A (ko) * | 1995-09-30 | 1997-04-30 | 배순훈 | 평균 및 분산을 이용한 앤티-재밍 선택장치 및 방법(method and apparatus for selecting anti-jamming by using average and dispersion) |
CN107871537A (zh) * | 2017-11-22 | 2018-04-03 | 山东师范大学 | 一种基于多模态特征的抑郁倾向测评装置、系统 |
CN108836322A (zh) * | 2018-05-04 | 2018-11-20 | 成都泰和万钟科技有限公司 | 一种裸眼3d显示视觉诱导晕动症检测方法 |
CN109034534A (zh) * | 2018-06-21 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种模型评分解释方法、装置及设备 |
CN116250043A (zh) * | 2020-08-13 | 2023-06-09 | 开舒股份有限公司 | 用于测量与改变的意识状态水平和/或疼痛水平组合和/或相关联的焦虑水平的方法和系统 |
CN114027842A (zh) * | 2021-11-18 | 2022-02-11 | 赵永翔 | 一种抑郁症客观筛查系统、方法及装置 |
CN116304623A (zh) * | 2023-02-27 | 2023-06-23 | 中国工商银行股份有限公司 | 一种辐射源识别方法、装置及系统 |
CN116671938A (zh) * | 2023-07-27 | 2023-09-01 | 之江实验室 | 一种任务执行方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117257303A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khare et al. | SPWVD-CNN for automated detection of schizophrenia patients using EEG signals | |
Wierzgała et al. | Most popular signal processing methods in motor-imagery BCI: a review and meta-analysis | |
AU2019201766B2 (en) | Systems and methods for diagnosis of depression and other medical conditions | |
CN109069081B (zh) | 用于预测、筛查和监测脑病/谵妄的设备、系统和方法 | |
Henderson et al. | Development and assessment of methods for detecting dementia using the human electroencephalogram | |
Boubchir et al. | A review of feature extraction for EEG epileptic seizure detection and classification | |
Shaban | Automated screening of Parkinson's disease using deep learning based electroencephalography | |
Lahmiri et al. | Characterization of infant healthy and pathological cry signals in cepstrum domain based on approximate entropy and correlation dimension | |
CN108042145A (zh) | 情绪状态识别方法和系统、情绪状态识别设备 | |
Fickling et al. | Good data? The EEG quality index for automated assessment of signal quality | |
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 | |
Antunes et al. | A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography | |
CN117883082A (zh) | 一种异常情绪识别方法、系统、设备及介质 | |
CN112617833A (zh) | 一种基于静息态脑电波检测抑郁症的装置 | |
CN117257303B (zh) | 一种焦虑检测方法、装置、电子设备及存储介质 | |
CN111613338A (zh) | 棘慢复合波检测模型构建方法、系统 | |
Luo et al. | Exploring adaptive graph topologies and temporal graph networks for EEG-based depression detection | |
CN113925495B (zh) | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 | |
Heravi et al. | Recurrence quantification analysis of electrooculography signal to a control question test: A new approach for the detection of deception | |
Zhao et al. | Identification of psychological stress states based on joint analysis of multidomain features of skin conductance | |
CN113425298A (zh) | 一种通过穿戴设备采集数据分析抑郁程度的方法 | |
CN113100736A (zh) | 脑血流自主神经障碍评估装置、系统及存储介质 | |
Pathoumvanh et al. | Implementation of the ECG biometric identification by using Arduino Microprocessor | |
Mehla et al. | EMD-based discrimination of mental arithmetic tasks from EEG signals | |
Sadiq et al. | Fast Fractional Fourier Transform-Aided Novel Graphical Approach for EEG Alcoholism Detection |
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 |