CN204931634U - 基于生理信息的抑郁症评估系统 - Google Patents
基于生理信息的抑郁症评估系统 Download PDFInfo
- Publication number
- CN204931634U CN204931634U CN201520572744.0U CN201520572744U CN204931634U CN 204931634 U CN204931634 U CN 204931634U CN 201520572744 U CN201520572744 U CN 201520572744U CN 204931634 U CN204931634 U CN 204931634U
- Authority
- CN
- China
- Prior art keywords
- signal
- parameter
- sleep
- module
- ripple
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本实用新型公开了一种基于生理信息的抑郁症评估系统,包括:信息采集模块、信号处理模块、参数计算模块、特征选择模块、机器学习模块和输出结果模块。本实用新型还公开了一种基于多种生理信息的抑郁症评估方法,包括以下步骤:1、对心电信号以及脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号和温度信号中一种或一种以上信号进行信号处理,并计算信号参数;2、利用信号参数进行归一化处理,对经过归一化处理的信号参数组成的参数集进行特征选择,得到特征参数集;3、利用得到的特征参数集进行机器学习,利用特征参数集与抑郁等级的关系建立抑郁评估数学模型评估抑郁等级。具有能避免量表评估的主观性等优点。
Description
技术领域
本实用新型涉及一种抑郁症评估技术,特别涉及一种基于生理信息的抑郁症评估系统。
背景技术
随着社会发展,人们面临越来越多的压力,抑郁症的发病率也越来越高。根据调查中国约有9000万抑郁症患者,占总人口的6.4%。全世界抑郁症患者约有3.5亿。抑郁症患者一般表现为情绪低沉,对以前感兴趣的事物丧失兴趣以及注意力降低。抑郁症等级有轻度、中度、重度的区别,患病情况严重的有自杀倾向。抑郁症的病因是复杂的,而不是单一的,主要由生物、心理和社会因素共同组成生物-心理-社会的统一模式,有遗传因素、生物化学因素、神经内分泌因素、心理社会因素等原因影响。抑郁症的发病机制研究多集中于神经递质及其受体,尤其是单胺类神经递质及其受体,研究认为神经肽在抑郁症发病中起重要作用。但是至今,抑郁症的发病机制还没有一个统一的定论。
如今临床上对抑郁症的评估主要根据病史、临床症状等方式,目前国际上通用的评估标准有ICD-10和DSM-IV。国内主要采用ICD-10,通过抑郁症症状的表现以及抑郁症自评量表(SDS)判断受测者是否患有抑郁症,这样的评估方式会受到受测者主观陈述、心理医生的自身主观因素和临床经验的影响,并不是客观评估抑郁症的有效方法。因此需要一种基于生理信息对抑郁症进行评估,客观量化是否患有抑郁症以及抑郁等级。
根据以往的研究,抑郁症患者的心电、脉搏波、脑电、皮电、胃电、肌电、眼电、多导睡眠、温度等生理信息跟正常人有所差异。表现为电信号的时域、频域、时域几何参数等有所不同。因此根据多种生理信息表现的差异,对信号进行处理,计算大量的信号参数,建立抑郁评估数学模型评估抑郁症具有研究基础、可行性和临床实用性。
实用新型内容
本实用新型的首要目的在于克服现有抑郁症评价技术的缺点和不足,提供一种基于生理信息的抑郁症评估系统,该系统通过采集人体心电信息以及脉搏波、脑电、皮电、胃电、肌电、眼电、多导睡眠、温度中一种或一种以上生理信息,计算生理信息的时域、频域等参数,提取特征参数集,建立抑郁评估数学模型,进而对受测者是否患有抑郁症以及抑郁等级进行评估。
本实用新型的另一目的在于克服现有抑郁症评价方法的缺点和不足,提供一种应用于基于生理信息的抑郁症评估系统的评估方法,该评估方法能够客观量化地评估受测者是否患有抑郁症以及抑郁等级。
本实用新型的首要目的通过下述技术方案实现:一种基于生理信息的抑郁症评估系统,包括:信息采集模块、信号处理模块、参数计算模块、特征选择模块、机器学习模块和输出结果模块。
信息采集模块,用于采集心电信号以及选择性地采集脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号、温度信号中一种或一种以上的生理信息。信息采集模块采集的信号通过USB串口有线传输或者蓝牙无线传输的方式传输到信号处理模块中。
信号处理模块,用于对生理信息进行信号处理,包括心电信号处理单元、脉搏波信号处理单元、脑电信号处理单元、皮电信号处理单元、胃电信号处理单元、肌电信号处理单元、眼电信号处理单元、多导睡眠信号处理单元和温度信号处理单元。其中心电信号处理单元包括去基线处理、滤波去噪处理、提取窦性心搏间期(RR间期)处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理。脉搏波信号处理单元包括去基线处理、滤波去噪处理、提取脉搏间期(PP间期)处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理。脑电信号处理单元包括去基线处理、阈值去噪处理、小波分解处理以及谱分析和谱估计处理。皮电信号处理单元包括去基线处理和小波滤波处理。胃电信号处理单元包括去基线处理、Hilbert-Huang变换处理、小波分析处理、多分辨率分析处理和独立成分分析处理。肌电信号处理单元包括去基线处理和小波包自适应阈值去噪。眼电信号处理单元包括去基线处理、加权中值滤波处理和小波变换处理。多导睡眠信号处理单元包括处理睡眠脑电信号、睡眠肌电信号和睡眠眼电信号,对所述睡眠脑电信号进行去基线处理、阈值去噪处理、小波分解处理以及谱分析和谱估计处理,对所述睡眠眼电信号进行去基线处理、加权中值滤波处理和小波变换处理,对所述睡眠肌电信号进行去基线处理、小波包自适应阈值去噪处理和睡眠分期处理。温度信号处理单元包括去基线处理、阈值滤波处理、建立温度值与图像灰度值的关系式。信号处理模块输出经过处理的信号到参数计算模块。
参数计算模块,用于计算经过处理的信号的信号参数,包括心电参数计算单元、脉搏波参数计算单元、脑电参数计算单元、皮电参数计算单元、胃电参数计算单元、肌电参数计算单元、眼电参数计算单元、多导睡眠参数计算单元和温度参数计算单元。其中心电参数计算单元包括计算RR间期、所有RR间期的均值(Mean)、心跳间期的标准差(SDNN)、相邻心跳间期差值的均方根(RMSSD)、50毫秒间隔以上相邻心跳间期差值的比例(PNN50)、相邻心跳间期之间的标准差(SDSD)、极低频成分(VLF)、低频成分(LF)、高频成分(HF)、频谱总功率(TP)、低频成分与高频成分的比值(LF/HF)、RR间期散点图中垂直于y=x的标准偏差(SD1)、RR间期散点图中y=x直线的标准偏差(SD2)、短期去趋势波动分析的斜率(a1)和长期去趋势波动分析的斜率(a2)。脉搏波参数计算单元包括计算PP间期、所有PP间期的均值(Mean)、脉搏间期的标准差(SDNN)、相邻脉搏间期差值的均方根(RMSSD)、50毫秒间隔以上相邻脉搏间期差值的比例(PNN50)、相邻脉搏间期之间的标准差(SDSD)、极低频成分(VLF)、低频成分(LF)、高频成分(HF)、频谱总功率(TP)、低频成分与高频成分的比值(LF/HF)、PP间期散点图中垂直于y=x的标准偏差(SD1)、PP间期散点图中y=x直线的标准偏差(SD2)、短期去趋势波动分析的斜率(a1)和长期去趋势波动分析的斜率(a2)。脑电参数计算单元包括计算δ波幅值、δ波功率、δ波均值、δ波方差、δ波偏歪度、δ波峭度、θ波幅值、θ波功率、θ波均值、θ波方差、θ波偏歪度、θ波峭度、α波幅值、α波功率、α波均值、α波方差、α波偏歪度、α波峭度、β波幅值、β波功率、β波均值、β波方差、β波偏歪度、β波峭度和小波熵。皮电参数计算单元包括计算皮肤交感反应潜伏期、皮肤交感反应波幅和皮肤电阻值。胃电参数计算单元包括计算正常胃电节律、慢波、胃动过缓成分和胃动过速成分。肌电参数计算单元包括计算基础值、最小值、最高值、肌电下降能力和肌电曲线。眼电参数计算单元包括计算R波成分、r波成分、S波成分和s波成分。多导睡眠信号参数计算单元包括计算睡眠潜伏期、睡眠总时间、觉醒指数、入睡期(S1)、浅睡期(S2)、中度睡眠期(S3)、深度睡眠期(S4)、快速眼动百分比、快速眼动睡眠周期数、快速眼动睡眠潜伏期,快速眼动睡眠强度,快速眼动睡眠密度和快速眼动睡眠时间。温度参数计算单元包括计算人体体内温度分布。参数计算模块输出信号参数到特征选择模块。
特征选择模块,用于在全部信号参数中获取与抑郁等级相关的特征参数集。特征选择模块输出特征参数集到机器学习模块。
机器学习模块,用于训练抑郁等级量化的分类器,利用特征参数集建立抑郁评估数学模型,量化抑郁等级。机器学习模块输出抑郁等级到输出结果模块。
输出结果模块,用于显示抑郁评估数学模型输出的抑郁等级。
本实用新型的另一目的通过下述技术方案实现:一种应用于基于生理信息的抑郁症评估系统的评估方法,可以包括以下步骤:
步骤1:对心电信号进行信号处理并同时对脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号和温度信号中的一种信号或一种以上的信号进行信号处理,并计算经过处理的信号的信号参数。其中:
心电信号处理和参数计算通过心电信号去基线处理、滤波去噪处理、提取RR间期处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理计算RR间期、Mean、SDNN、RMSSD、PNN50、SDSDVLF、LF、HF、TP、LF/HF、SD1、SD2、a1和a2;
脉搏波信号处理和参数计算通过脉搏波信号去基线处理、滤波去噪处理、提取PP间期处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理;
脑电信号处理和参数计算通过脑电信号去基线处理、阈值去噪处理、小波分解处理以及谱分析和谱估计处理计算δ波幅值、δ波功率、δ波均值、δ波方差、δ波偏歪度、δ波峭度、θ波幅值、θ波功率、θ波均值、θ波方差、θ波偏歪度、θ波峭度、α波幅值、α波功率、α波均值、α波方差、α波偏歪度、α波峭度、β波幅值、β波功率、β波均值、β波方差、β波偏歪度、β波峭度和小波熵;
皮电信号处理和参数计算通过皮电信号去基线处理和小波滤波计算皮肤交感反应潜伏期、皮肤交感反应波幅和皮肤电阻值;
胃电信号处理和参数计算通过胃电信号去基线处理、Hilbert-Huang变换处理、小波分析处理、多分辨率分析处理和独立成分分析处理计算正常胃电节律、慢波、胃动过缓和胃动过速成分;
肌电信号处理和参数计算通过肌电信号去基线处理和小波包自适应阈值去噪处理计算基础值、最小值、最高值、肌电下降能力和肌电曲线;
眼电信号处理和参数计算通过眼电信号去基线处理、加权中值滤波处理和小波变换处理计算R波成分、r波成分、S波成分和s波成分;
多导睡眠信号处理和参数计算通过睡眠脑电信号去基线处理、阈值去噪处理、小波分解处理以及谱分析和谱估计处理,睡眠眼电信号去基线处理、加权中值滤波处理和小波变换处理,睡眠肌电信号去基线处理、小波包自适应阈值去噪处理和睡眠分期处理计算睡眠潜伏期、睡眠总时间、觉醒指数、S1、S2、S3、S4、快速眼动百分比、快速眼动睡眠周期数、快速眼动睡眠潜伏期、快速眼动睡眠强度、快速眼动睡眠密度和快速眼动睡眠时间;
温度信号处理和参数计算通过温度信号去基线处理、阈值滤波处理和建立温度值与图像灰度值的关系式计算人体体内温度分布。
步骤2:利用步骤1计算得到的信号参数进行归一化处理,对经过归一化处理后的信号参数组成的参数集进行特征选择,得到特征参数集。所述的归一化处理方法:
其中,X是指参数集的信号参数,Xi表示第i个进行归一化的信号参数值,Xin表示第i个归一化后的值,Ximean表示第i个参数的正常均值,Xistd表示第i个参数的正常标准差,i是正整数。所述的特征选择分为特征搜索和评价准则两部分,其中搜索算法使用以下算法中一种或一种以上的组合:完全搜索(CompleteSearch)、顺序搜索(SequentialSearch)、随机搜索算法(RandomSearch)、遗传算法(GeneticAlgorithm)、模拟退火搜索算法(SimulatedAnnealing)、可回溯的贪婪搜索扩张算法,评价准则可选择性地使用Wapper模型或CfsSubsetEval属性评估方法。其中在评估过程中获取心电和脉搏波信号,特征选择采用结合完全搜索算法与Wapper模型的方式;评估过程中,获取心电、皮电和多导睡眠信号,特征选择采用结合随机搜索算法与CfsSubsetEval属性评估方法的方式。根据采集信号种类不同,选择合适、准确度高的算法组合。
步骤3:根据步骤2得到的特征参数集进行机器学习,使用特征参数集在机器学习的过程中建立抑郁评估数学模型。其中机器学习的算法可选择性地使用以下算法中一种或一种以上组合:贝叶斯分类器(Bayes)、决策树算法(DecisionTree)、AdaBoost算法、k-近邻法(k-NearestNeighbor)、支持向量机(SVM)。抑郁评估数学模型的表达式为:
其中,Y是抑郁评估数学模型输出值,n是选择使用的机器学习算法数,yi是第i种算法输出值,ai是第i种算法的系数,i是正整数。建立了基于多种生理信息的抑郁评估数学模型后,利用抑郁评估数学模型的输出结果评价抑郁等级,所述抑郁等级分为五级:正常、一般、轻度抑郁、中度抑郁和重度抑郁。
相对于现有技术,本实用新型具备以下的优点及有益效果:
1、抑郁评估数学模型的建立具有研究基础,心电信号、脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号和温度信号的参数与抑郁相关,因此利用基于生理信息的抑郁评估数学模型的输出结果评估抑郁等级具有可行性。
2、利用抑郁评估数据模型的评估方式通过生理参数客观量化抑郁等级,能够改善传统量表评估抑郁的方式,避免量表评估的主观性,符合临床需求并具有临床实用性;
3、本实用新型结合心电、脉搏波、脑电、皮电、胃电、肌电、眼电、多导睡眠和温度的生理参数对抑郁症进行评估,丰富了神经科学领域与心理学领域交叉研究的方法。
4、本实用新型对心电信号以及脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号和温度信号中的一种信号或一种以上的信号的结合进行信号处理、参数计算、建立数学模型,可选择多种信号组合进行评估,具有灵活性和新颖性。
5、本实用新型提出对信号参数归一化处理的方法,将参数与正常样本中的均值和标准差进行比较,消除参数在数值大小和偏差方面的差异,使参数集特征选择更加科学有效。
6、本实用新型提出多种特征选择和机器学习的算法组合,根据信号类型的不同,数学模型的建立方式更加灵活。
附图说明
图1为基于生理信息的抑郁症评估系统原理图。
图2为基于生理信息的抑郁症评估系统结构图。
具体实施方式
下面结合实施例及附图对本实用新型作进一步详细的描述,但本实用新型的实施方式不限于此。
实施例
如图1所示,一种基于生理信息的抑郁症评估系统,包括:信息采集模块、信号处理模块、参数计算模块、特征选择模块、机器学习模块、输出结果模块;信息采集模块采集的信号通过USB串口有线传输或者蓝牙无线传输的方式传输到信号处理模块中。信号处理模块输出经过处理的信号到参数计算模块。参数计算模块输出信号参数到特征选择模块。特征选择模块输出特征参数集到机器学习模块。机器学习模块输出抑郁等级到输出结果模块。
所述基于生理信息的抑郁症评估系统的结构如图2所示,所述的信息采集模块,用于采集心电信号并采集脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号和温度信号中的一种信号或一种以上的信号。所述的信号处理模块,用于处理生理信息,包括去基线处理、滤波去噪处理、提取心搏间期处理、时频变换处理以及谱分析和谱估计处理等。所述的参数计算模块,用于计算经过处理的信号的信号参数,包括心率变异性的时域参数、频域参数和时域几何参数,以及根据采集的生理信息选择性地计算脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号、温度信号中一种或一种以上信号的时域参数、频域参数、直方图参数、分布图参数。所述的特征选择模块,用于在全部信号参数中获取与抑郁等级相关的特征参数集。所述的机器学习模块,用于训练抑郁等级量化的分类器,利用特征参数集建立抑郁评估数学模型,量化抑郁等级。所述的输出结果模块,用于显示抑郁评估数学模型输出的抑郁等级。
该系统的基于多种生理信息的抑郁症评估方法具体实施步骤如下:
步骤1:获取生理信息,生理信息包括心电,以及脉搏波、脑电、皮电、胃电、肌电、眼电、多导睡眠、温度中一种或一种以上生理信息。其中:
心电信号采集可选择测量五分钟静息状态下的心电信号,心电采集采样率可以选择500Hz或者500Hz以上;
脉搏波采集可选择性利用红外光透射尖部位输出反应血管末稍血容积变化的脉搏传感器采集之间脉搏信号,或者利用震感式测量法采集腕部脉搏信号,脉搏波采集采样率可以选择500Hz或者500Hz以上;
脑电采集可选择采用10-20系统点激发采集大脑皮层的自发脑电活动;
皮电采集采用皮肤交感反应测试,单脉冲经皮电刺激腕部正中神经,测试皮肤交感反应起始潜伏期和波幅,以及测试右手大鱼肌和前臂掌侧的皮肤电阻值;
胃电采集采用置于上腹部的体表电极测量胃肌电活动;
肌电采集采用生物反馈仪刺激,连接前额的肌电电极测量肌电的信号;
眼电采集采用闭眼眼球活动(CEM)测量;
多导睡眠采用同时采集眼电、下颌肌电和脑电的方式测量睡眠时间及其参数;
温度采集可采用红外测温原理测量体内温度的方式。信号采集属于常规信号采集。
步骤2:对步骤1获取的生理信息进行信号处理,计算信号参数;具体的参数列表如下表表1所示,表1为电信号及其参数描述列表:
表1
其中,心电信号处理和参数计算通过心电信号去基线处理、滤波去噪处理、提取RR间期处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理计算RR间期、Mean、SDNN、RMSSD、PNN50、SDSD、VLF、LF、HF、TP、LF/HF、SD1、SD2、a1和a2;
脉搏波信号处理和参数计算通过脉搏波信号去基线处理、滤波去噪处理、提取PP间期处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理;
脑电信号处理和参数计算通过脑电信号去基线处理、阈值去噪处理、小波分解处理以及谱分析和谱估计处理计算δ波幅值、δ波功率、δ波均值、δ波方差、δ波偏歪度、δ波峭度、θ波幅值、θ波功率、θ波均值、θ波方差、θ波偏歪度、θ波峭度、α波幅值、α波功率、α波均值、α波方差、α波偏歪度、α波峭度、β波幅值、β波功率、β波均值、β波方差、β波偏歪度、β波峭度和小波熵;
皮电信号处理和参数计算通过皮电信号去基线处理和小波滤波计算皮肤交感反应潜伏期、皮肤交感反应波幅和皮肤电阻值;
胃电信号处理和参数计算通过胃电信号去基线处理、Hilbert-Huang变换处理、小波分析处理、多分辨率分析处理和独立成分分析处理计算正常胃电节律、慢波、胃动过缓和胃动过速成分;
肌电信号处理和参数计算通过肌电信号去基线处理和小波包自适应阈值去噪处理计算基础值、最小值、最高值、肌电下降能力和肌电曲线;
眼电信号处理和参数计算通过眼电信号去基线处理、加权中值滤波处理和小波变换处理计算R波成分、r波成分、S波成分和s波成分;
多导睡眠信号处理和参数计算通过睡眠脑电信号去基线处理、阈值去噪处理、小波分解处理以及谱分析和谱估计处理,睡眠眼电信号去基线处理、加权中值滤波处理和小波变换处理,睡眠肌电信号去基线处理、小波包自适应阈值去噪处理和睡眠分期处理计算睡眠潜伏期、睡眠总时间、觉醒指数、S1、S2、S3、S4、快速眼动百分比、快速眼动睡眠周期数、快速眼动睡眠潜伏期、快速眼动睡眠强度、快速眼动睡眠密度和快速眼动睡眠时间;
温度信号处理和参数计算通过温度信号去基线处理、阈值滤波处理和建立温度值与图像灰度值的关系式计算人体体内温度分布。
步骤3:利用步骤2计算得到的信号参数进行归一化处理,对经过归一化处理后的信号参数组成的参数集进行特征选择,得到特征参数集,所述的归一化处理方法:
其中,X是指参数集的信号参数,Xi表示第i个进行归一化的信号参数值,Xin表示第i个归一化后的值,Ximean表示第i个参数的正常均值,Xistd表示第i个参数的正常标准差,i是正整数。所述的特征选择分为特征搜索和评价准则两部分,其中搜索算法使用以下算法中一种或一种以上的组合:完全搜索(CompleteSearch)、顺序搜索(SequentialSearch)、随机搜索算法(RandomSearch)、遗传算法(GeneticAlgorithm)、模拟退火搜索算法(SimulatedAnnealing)、可回溯的贪婪搜索扩张算法,评价准则可选择性地使用Wapper模型或CfsSubsetEval属性评估方法。其中在评估过程中获取心电和脉搏波信号,特征选择采用结合完全搜索算法与Wapper模型的方式;评估过程中,获取心电、皮电和多导睡眠信号,特征选择采用结合随机搜索算法与CfsSubsetEval属性评估方法的方式。根据采集信号种类不同,选择合适、准确度高的算法组合。
步骤4:根据步骤3得到的特征参数集进行机器学习,使用特征参数集在机器学习的过程中建立抑郁评估数学模型。其中机器学习的算法可选择性地使用以下算法中一种或一种以上组合:贝叶斯分类器(Bayes)、决策树算法(DecisionTree)、AdaBoost算法、k-近邻法(k-NearestNeighbor)、支持向量机(SVM)。抑郁评估数学模型的表达式为:
其中,Y是抑郁评估数学模型输出值,n是选择使用的机器学习算法数,yi是第i种算法输出值,ai是第i种算法的系数,i是正整数。所述抑郁评估数学模型建立了基于多种生理信息的抑郁评估数学模型后,利用抑郁评估数学模型的输出结果评价抑郁等级,把所述抑郁等级分为五级:正常、一般、轻度抑郁、中度抑郁和重度抑郁。
上述实施例为本实用新型较佳的实施方式,但本实用新型的实施方式并不受上述实施例的限制,其他的任何未背离本实用新型的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本实用新型的保护范围之内。
Claims (4)
1.一种基于生理信息的抑郁症评估系统,其特征在于,包括:依次连接的信息采集模块、信号处理模块、参数计算模块、特征选择模块、机器学习模块和输出结果模块;
信息采集模块采集心电信号并采集脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号和温度信号中的一种信号或一种以上的信号;信息采集模块采集的信号通过USB串口有线传输或蓝牙无线传输的方式传输到信号处理模块中;
信号处理模块处理生理信息,所述生理信息的处理包括去基线处理、滤波去噪处理、提取心搏间期处理、时频变换处理以及谱分析和谱估计处理,信号处理模块输出经过处理的信号到参数计算模块;
参数计算模块计算经过处理的信号的信号参数,所述信号参数包括心率变异性的时域参数、频域参数、时域几何参数以及根据采集的生理信息计算脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号或温度信号中的一种或一种以上信号的时域参数、频域参数、直方图参数和分布图参数,参数计算模块输出信号参数到特征选择模块;
特征选择模块在全部信号参数中获取与抑郁等级相关的特征参数集,特征选择模块输出特征参数集到机器学习模块;
机器学习模块训练抑郁等级量化的分类器,利用特征参数集建立抑郁评估数学模型,量化抑郁等级,机器学习模块输出抑郁等级到输出结果模块;
输出结果模块显示抑郁评估数学模型输出的抑郁等级。
2.根据权利要求1所述的基于生理信息的抑郁症评估系统,其特征在于,所述的信息采集模块采集心电信号,所述的信息采集模块还采集脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号和温度信号中的一种信号或一种以上的信号,所述的数据传输采用USB串口有线传输或蓝牙无线传输。
3.根据权利要求1所述的基于生理信息的抑郁症评估系统,其特征在于,所述的信号处理模块包括:心电信号处理单元、脉搏波信号处理单元、脑电信号处理单元、皮电信号处理单元、胃电信号处理单元、肌电信号处理单元、眼电信号处理单元、多导睡眠信号处理单元和温度信号处理单元;
所述心电信号处理单元进行去基线处理、滤波去噪处理、提取RR间期处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理;
所述脉搏波信号处理单元进行去基线处理、滤波去噪处理、提取PP间期处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理;
所述脑电信号处理单元进行去基线处理、阈值去噪处理、小波分解处理以及谱分析和谱估计处理;
所述皮电信号处理单元进行去基线处理和小波滤波处理;
所述胃电信号处理单元进行去基线处理、Hilbert-Huang变换处理、小波分析、多分辨率分析和独立成分分析;
所述肌电信号处理单元进行去基线处理和小波包自适应阈值去噪处理;
所述眼电信号处理单元进行去基线处理、加权中值滤波处理和小波变换处理;
所述多导睡眠信号处理单元进行处理睡眠脑电信号、睡眠眼电信号、睡眠肌电信号,对所述睡眠脑电信号进行去基线处理、阈值去噪处理、小波分解处理以及谱分析和谱估计处理,对所述睡眠眼电信号进行去基线处理、加权中值滤波处理和小波变换处理,对所述睡眠肌电信号进行去基线处理、小波包自适应阈值去噪处理和睡眠分期处理;
所述温度信号处理单元进行去基线处理、阈值滤波处理、建立温度值与图像灰度值的关系式和绘制人体热能分布图。
4.根据权利要求1所述的基于生理信息的抑郁症评估系统,其特征在于,所述的参数计算模块包括:心电参数计算单元、脉搏波参数计算单元、脑电参数计算单元、皮电参数计算单元、胃电参数计算单元、肌电参数计算单元、眼电参数计算单元、多导睡眠信号参数计算单元、温度参数计算单元;所述的心电参数计算单元包括:时域参数计算、频域参数计算和时域几何参数计算;
所述心电参数计算单元包括计算RR间期、时域参数、频域参数和时域几何参数,所述时域参数包括:Mean、SDNN、RMSSD、PNN50和SDSD,所述频域参数包括:VLF、LF、HF、TP和LF/HF,所述时域几何参数包括:SD1、SD2、a1和a2;
所述脉搏波参数计算单元包括计算PP间期、时域参数、频域参数和时域几何参数,所述时域参数包括Mean、SDNN、RMSSD、PNN50和SDSD,所述频域参数VLF、LF、HF、TP和LF/HF,所述时域几何参数包括SD1、SD2、a1和a2;
所述脑电参数计算单元计算δ波幅值、δ波功率、δ波均值、δ波方差、δ波偏歪度、δ波峭度、θ波幅值、θ波功率、θ波均值、θ波方差、θ波偏歪度、θ波峭度、α波幅值、α波功率、α波均值、α波方差、α波偏歪度、α波峭度、β波幅值、β波功率、β波均值、β波方差、β波偏歪度、β波峭度和小波熵;
所述皮电参数计算单元计算皮肤交感反应潜伏期、皮肤交感反应波幅和皮肤电阻值;
所述胃电参数计算单元计算正常胃电节律、慢波、胃动过缓成分和胃动过速成分;
所述肌电参数计算单元计算基础值、最小值、最高值、肌电下降能力和肌电曲线;
所述眼电参数计算单元计算R波成分、r波成分、S波成分和s波成分;
所述多导睡眠信号参数计算单元计算睡眠潜伏期、睡眠总时间、觉醒指数、S1、S2、S3、S4、快速眼动百分比、快速眼动睡眠周期数、快速眼动睡眠潜伏期、快速眼动睡眠强度、快速眼动睡眠密度和快速眼动睡眠时间;
所述温度参数计算单元计算人体体内温度分布和绘制人体热能图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201520572744.0U CN204931634U (zh) | 2015-07-30 | 2015-07-30 | 基于生理信息的抑郁症评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201520572744.0U CN204931634U (zh) | 2015-07-30 | 2015-07-30 | 基于生理信息的抑郁症评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN204931634U true CN204931634U (zh) | 2016-01-06 |
Family
ID=54999100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201520572744.0U Active CN204931634U (zh) | 2015-07-30 | 2015-07-30 | 基于生理信息的抑郁症评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN204931634U (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105147248A (zh) * | 2015-07-30 | 2015-12-16 | 华南理工大学 | 基于生理信息的抑郁症评估系统及其评估方法 |
CN106407733A (zh) * | 2016-12-12 | 2017-02-15 | 兰州大学 | 基于虚拟现实场景脑电信号的抑郁症风险筛查系统和方法 |
CN106859673A (zh) * | 2017-01-13 | 2017-06-20 | 兰州大学 | 一种基于睡眠脑电的抑郁症风险筛查系统 |
CN106096303B (zh) * | 2016-06-22 | 2018-12-18 | 深圳市是源医学科技有限公司 | 一种自主神经系统的分析方法、服务器及系统 |
CN109044322A (zh) * | 2018-08-29 | 2018-12-21 | 北京航空航天大学 | 一种非接触式心率变异性测量方法 |
CN109106346A (zh) * | 2018-07-24 | 2019-01-01 | 深圳市是源医学科技有限公司 | 抑郁情绪筛查及调节系统 |
CN109567748A (zh) * | 2018-11-09 | 2019-04-05 | 速眠创新科技(深圳)有限公司 | 睡眠分期的确定方法、装置、计算机设备和存储介质 |
CN111317446A (zh) * | 2020-02-27 | 2020-06-23 | 中国人民解放军空军特色医学中心 | 基于人体肌肉表面电信号的睡眠结构自动分析方法 |
CN111723867A (zh) * | 2020-06-22 | 2020-09-29 | 山东大学 | 一种网络游戏迷恋度智能评估系统及方法 |
WO2020224090A1 (zh) * | 2019-05-07 | 2020-11-12 | 平安科技(深圳)有限公司 | 基于体温信息的抑郁症预测系统 |
CN113303796A (zh) * | 2021-04-22 | 2021-08-27 | 华中科技大学同济医学院附属协和医院 | 一种肿瘤患者心理自动测试仪及其测试方法 |
-
2015
- 2015-07-30 CN CN201520572744.0U patent/CN204931634U/zh active Active
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105147248A (zh) * | 2015-07-30 | 2015-12-16 | 华南理工大学 | 基于生理信息的抑郁症评估系统及其评估方法 |
WO2017016086A1 (zh) * | 2015-07-30 | 2017-02-02 | 华南理工大学 | 基于生理信息的抑郁症评估系统及其评估方法 |
CN106096303B (zh) * | 2016-06-22 | 2018-12-18 | 深圳市是源医学科技有限公司 | 一种自主神经系统的分析方法、服务器及系统 |
CN106407733A (zh) * | 2016-12-12 | 2017-02-15 | 兰州大学 | 基于虚拟现实场景脑电信号的抑郁症风险筛查系统和方法 |
CN106859673A (zh) * | 2017-01-13 | 2017-06-20 | 兰州大学 | 一种基于睡眠脑电的抑郁症风险筛查系统 |
CN109106346A (zh) * | 2018-07-24 | 2019-01-01 | 深圳市是源医学科技有限公司 | 抑郁情绪筛查及调节系统 |
CN109044322A (zh) * | 2018-08-29 | 2018-12-21 | 北京航空航天大学 | 一种非接触式心率变异性测量方法 |
CN109567748A (zh) * | 2018-11-09 | 2019-04-05 | 速眠创新科技(深圳)有限公司 | 睡眠分期的确定方法、装置、计算机设备和存储介质 |
CN109567748B (zh) * | 2018-11-09 | 2021-09-28 | 速眠创新科技(深圳)有限公司 | 睡眠分期的确定方法、装置、计算机设备和存储介质 |
WO2020224090A1 (zh) * | 2019-05-07 | 2020-11-12 | 平安科技(深圳)有限公司 | 基于体温信息的抑郁症预测系统 |
CN111317446A (zh) * | 2020-02-27 | 2020-06-23 | 中国人民解放军空军特色医学中心 | 基于人体肌肉表面电信号的睡眠结构自动分析方法 |
CN111723867A (zh) * | 2020-06-22 | 2020-09-29 | 山东大学 | 一种网络游戏迷恋度智能评估系统及方法 |
CN113303796A (zh) * | 2021-04-22 | 2021-08-27 | 华中科技大学同济医学院附属协和医院 | 一种肿瘤患者心理自动测试仪及其测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN204931634U (zh) | 基于生理信息的抑郁症评估系统 | |
CN105147248A (zh) | 基于生理信息的抑郁症评估系统及其评估方法 | |
WO2020119245A1 (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
CN107569226B (zh) | 基于压电传感获取hrv的方法及应用 | |
CN103584872B (zh) | 一种基于多生理参数融合的心理压力评估方法 | |
Karthikeyan et al. | Analysis of stroop color word test-based human stress detection using electrocardiography and heart rate variability signals | |
Balli et al. | Classification of biological signals using linear and nonlinear features | |
CN109674468A (zh) | 一种单导脑电自动睡眠分期方法 | |
CN106333652B (zh) | 一种睡眠状态分析方法 | |
CN109998522A (zh) | 一种基于穿戴式动态心电的运动负荷检测装置及方法 | |
CN114052744B (zh) | 基于脉冲神经网络的心电信号分类方法 | |
Bong et al. | Analysis of electrocardiogram (ECG) signals for human emotional stress classification | |
US11406304B2 (en) | Systems and methods for physiological sign analysis | |
CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及系统 | |
CN111067508A (zh) | 非临床环境下对高血压进行非干预式的监测和评估方法 | |
CN104887198A (zh) | 基于人体生理信号多参数融合的疼痛定量分析系统及方法 | |
Park et al. | Prediction of daily mental stress levels using a wearable photoplethysmography sensor | |
CN114781465A (zh) | 一种基于rPPG的非接触式疲劳检测系统及方法 | |
CN114648040A (zh) | 生命体征多生理信号提取、融合分析方法 | |
CN109394203A (zh) | 精神障碍康复期情绪监测与干预方法 | |
CN110353704A (zh) | 基于穿戴式心电监测的情绪评估方法与装置 | |
CN111317446B (zh) | 基于人体肌肉表面电信号的睡眠结构自动分析方法 | |
CN114587288A (zh) | 一种睡眠监测方法、装置以及设备 | |
Li et al. | Detection of muscle fatigue by fusion of agonist and synergistic muscle semg signals | |
CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |