Nothing Special   »   [go: up one dir, main page]

CN111671445A - 一种意识障碍程度分析方法 - Google Patents

一种意识障碍程度分析方法 Download PDF

Info

Publication number
CN111671445A
CN111671445A CN202010309910.3A CN202010309910A CN111671445A CN 111671445 A CN111671445 A CN 111671445A CN 202010309910 A CN202010309910 A CN 202010309910A CN 111671445 A CN111671445 A CN 111671445A
Authority
CN
China
Prior art keywords
signal
emotion
crying
feature vector
calculating
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
Application number
CN202010309910.3A
Other languages
English (en)
Inventor
叶丙刚
胡国生
詹菲
郭周义
黄汉传
虞容豪
谢秋幼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Food and Drugs Vocational College
Original Assignee
Guangdong Food and Drugs Vocational College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Food and Drugs Vocational College filed Critical Guangdong Food and Drugs Vocational College
Priority to CN202010309910.3A priority Critical patent/CN111671445A/zh
Publication of CN111671445A publication Critical patent/CN111671445A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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)
  • Psychiatry (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Neurosurgery (AREA)
  • Power Engineering (AREA)
  • Educational Technology (AREA)
  • Social Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种意识障碍程度分析方法，脑机接口收到患者情绪刺激对应的EEG信号后，根据空间特征向量和微分熵特征向量分类所述EEG信号，识别患者的情绪，判断其意识障碍的程度；所述空间特征向量和微分熵特征向量通过在delta，θ，α，β，和γ频带，对健康对照者情绪刺激对应的EEG信号进行分析获得。本发明有针对性地对意识障碍患者的EEG信号进行相关特征向量的提取，而且向量的提取集中在delta，θ，α，β，和γ这5个与情绪反应相关的频带，使提取的特征向量更具代表性，再结合空间滤波器和微分熵的优点，试验证明，本发明可以有效识别意识障碍患者的情绪，判断意识障碍的程度。

Description

一种意识障碍程度分析方法
技术领域
本发明涉及一种意识障碍程度分析方法，具体涉及一种基于EEG(脑电图)的通过脑机接口分析患者意识障碍程度的方法。
背景技术
重型颅脑损伤患者可能患有意识障碍，包括昏迷、植物状态(VS)和最小意识状态(MCS)。诊断这些障碍的关键是获取自主行为响应，如遵嘱活动和功能性交流，分别指示来自VS和MCS的意识征象。目前，意识障碍患者的临床诊断通常基于行为量表，如昏迷恢复量表(CRS-R)，其依赖于观察时外部刺激对外部运动的响应，然而在该患者组中，运动反应可能难以辨别或不一致，并且越来越明显的是，依赖于明显的行为反应可能导致患者意识水平的误诊。近年来，研究者采用脑电图(EEG)和功能磁共振成像技术在某些意识障碍患者中检测剩余脑功能并提供独立于运动的意识证据。
情绪识别是一种重要的脑功能，与许多认知功能相关，包括选择性注意、工作记忆、语言能力和决策。一些神经影像学和电生理学研究已经提出了探索情绪识别的神经机制。例如，功能磁共振成像研究表明杏仁核和眶额皮质是大脑情绪识别系统中的关键区域。情绪识别的两个重要机制是构建感知者感知的情绪模拟，并通过自上而下的影响来调节感觉皮层。许多研究还报道，神经损伤患者的损伤部位可能导致情绪识别的缺陷。例如，一些患有中风的患者在情绪识别方面表现出困难，在有右脑损伤的个体中比在有左脑损伤患者中更频繁地观察到这一点。一些研究也报道了精神分裂症患者的情绪识别缺陷。结果表明，听觉、嗅觉或视觉功能的损害可能导致情绪识别的缺陷。此外，情绪识别任务已被包括在功能性情绪评估量表(FEAS)、发育神经心理评估II(NEPSII)和蒙特利尔认知评估(MOCA)中，这通常用于评估精神分裂症患者的认知损害、注意缺陷多动障碍(ADHD)和帕金森病。然而，情绪识别任务不包括在临床行为量表中，如对意识障碍患者的昏迷恢复量表。到目前为止，意识障碍患者能否识别情绪尚不清楚。一个可能的原因是，这些严重缺乏运动能力的意识障碍患者不能给予情绪识别行为实验足够的运动反应。通过研究意识障碍患者的情绪识别能力，可以更全面地评估其残存的认知功能，并确定与情绪识别相关的多个脑功能在严重脑损伤后受损的程度。
脑-机接口通过将大脑活动直接转换为计算机控制信号，从而实现一种非肌肉的通信和控制通道，使有运动障碍的用户得以向外部世界传达他们的意图。脑-机接口可以探索意识障碍患者残存的认知功能，如情绪识别能力。最近的研究证实，通过情绪激发技术和相关情绪处理方法可以提高脑-机接口检测的准确性和速度。迄今为止，基于镜像神经元系统(MNS)的情绪激发技术得到了广泛的应用。根据MNS机制，对另一个人所做的用于表达情绪的面部表情的简单观察，可能引起相同的大脑活动，就像他们经历了相同的情绪变化一样。EEG常被用于情感识别，EEG的功率谱被评估在不同的频段，以检验它们与情绪状态的关系。先前的研究报道了与情绪反应相关的各种脑区的频谱功率变化，这些变化包括右顶叶上θ(4-7Hz)的功率变化，α(8-13Hz)大脑前部的功率不对称性，β(14-30Hz)顶叶区域的功率不对称性和在右顶叶区域的伽马(31-50Hz)功率变化。但上述研究主要集中在健康个体上。由于意识障碍患者患有严重的脑损伤，在这些患者和健康个体之间存在EEG信号的较大差异。近年来，针对意识障碍患者提出了几种脑-机接口模式。对于听觉刺激脑机接口模式，有人使用4个随机刺激声音来检测13个MCS、3个VS和2个闭锁综合征(LIS)患者的意识。在这18例意识障碍患者中，只有1例LIS患者展示的准确率达到60％。对于运动想象脑机接口模式，有人根据听觉或视觉反馈情况来检测4例MCS患者的意识。结果表明，四例患者展示的准确率均在70％以上。对于稳态视觉诱发电位脑机接口模式，在我们团队成员早起研究中，在八例意识障碍患者(4 VS、3 MCS和1 LIS)检测中，三例患者(1 VS，1 MCS，1 LIS)检测展示的准确率显著高于机会水平。然而，脑-机接口这类意识障碍患者使用的意识检测系统仍处于起步阶段。当前为意识障碍患者设计的脑-机接口普遍表现较差，因为对什么是意识，意识在大脑中如何产生等认知有限，而且患者的响应和其意识的关系也很难在理论上量化。
发明内容
本发明的目的在于提供一种基于EEG的通过脑机接口分析患者意识障碍程度的方法。
本发明的目的通过如下技术方案实现：一种意识障碍程度分析方法，脑机接口收到患者情绪刺激对应的EEG信号后，根据空间特征向量和微分熵特征向量分类所述EEG信号，识别患者的情绪，判断其意识障碍的程度；
所述空间特征向量和微分熵特征向量通过在delta，θ，α，β，和γ频带，对健康对照者情绪刺激对应的EEG信号进行分析获得。
本发明脑机接口软件系统主要有两个特点：一、联合空间特征向量和微分熵特征向量分类EEG信号，二、空间特征向量和微分熵特征向量的提取集中在delta，θ，α，β，和γ这5个特征频段。
所述情绪刺激主要指哭和笑刺激，因为哭、笑是一对典型的对比情绪，具有更为显著的分析价值。
所述方法通过控制音视频内容以随机的方式间隔闪烁出现在音视频设备上来刺激情绪。
用于分析空间特征向量和微分熵特征向量的EEG信号选取与情绪最相关的7个通道即如下7个导联AF3、AF4、F3、F4、Fz、Pz、Cz上的EEG信号。
所述空间特征向量和微分熵特征向量具体通过如下步骤获得：
(1)EEG信号带通滤波，提取情绪刺激对应的EEG信号；
(2)利用训练样本(健康对照者)构造空间滤波器，获得每个训练样本空间特征向量分量(这里的分量，指相对于级联后的特征向量而言，其是一个分量)；
(3)计算每个训练样本每个波段的功率谱密度，获得每个训练样本微分熵特征向量分量(这里的分量，指相对于级联后的特征向量而言，其是一个分量)；
(4)级联每个训练样本的空间特征向量分量和微分熵特征向量分量，利用获得的每个训练样本特征向量进行分类器训练，求得测试样本分类函数；
根据空间特征向量和微分熵特征向量分类所述EEG信号，识别患者的情绪，判断其意识障碍的程度的具体步骤为：
(5)利用测试样本分类函数对测试样本(意识障碍患者)EEG信号进行分类，通过分类函数的得分情况，预测测试样本的情绪状态，进而判断患者意识障碍的程度。
空间特征向量和微分熵特征向量是一种思想，需要自己设计具体提取方法，本发明提取方法如下：
步骤(2)的具体过程如下：
步骤(1)带通滤波之后，每个通道及每个波段上，提取哭、笑两种情绪对应的EEG数据，数据为X35x2NxT，其中2N为训练样本数，T为样本单次采样数，然后利用上述数据计算计算训练样本笑、哭两类情绪信号空间特征向量分量：
计算训练样本两类情绪信号的协方差，计算方法：
Figure BDA0002457297880000041
计算单次X+1，35xT笑情绪信号的协方差为
Figure BDA0002457297880000042
其中i＝1…N
计算单次X-1，35xT哭情绪信号的协方差为
Figure BDA0002457297880000043
其中i＝1…N
计算N次X+1，35xNxT笑情绪信号的协方差为
Figure BDA0002457297880000044
计算N次X-1，35xNxT哭情绪信号的协方差为
Figure BDA0002457297880000045
计算2N次X35x2NxT笑、哭两种情绪信号的混合协方差为
C-1，+1＝C+1，N+C-1，N
计算2N次X35x2NxT笑、哭两种情绪信号的WNxN空间滤波器
C-1，+1＝U-1，+1A-1，+1U-1，+1 T
P＝A-1，+1 -1/2U-1，+1 T
S＝PC+1，NPT
S＝BA+1，NBT
WNxN＝(BTP)T
选取WNxN前后三项列向量，构成特征提取滤波器
Figure BDA0002457297880000046
计算第i次X+1，35xNxT笑情绪信号的特征值fi，其中i＝1…N
Figure BDA0002457297880000047
计算第i次X-1，35xNxT哭情绪信号的特征值fi，其中i＝1…N
Figure BDA0002457297880000048
步骤(3)中计算训练样本笑、哭两类情绪信号微分熵特征向量分量的具体过程如下：
计算单次X+1，35xT笑情绪信号的自相关函数为
Figure BDA0002457297880000051
X+1，35xT(n)、X+1，35xT(n+m)分别表示X+1，35xT中的第n、第n+m个数据
计算单次X+1，35xT笑情绪信号的功率谱密度为
Figure BDA0002457297880000052
其中M≤T
计算i次X+1，35xixT笑情绪信号的微分熵特征值ei，其中i＝1…N
e+1，i＝lg(S+1，i)
计算单次X-1，35xT哭情绪信号的自相关函数为
Figure BDA0002457297880000053
其中M≤T
计算单次X-1，35xT笑情绪信号的功率谱密度为
Figure BDA0002457297880000054
其中M≤T
计算i次X-1，35xixT笑情绪信号的微分熵特征向量ei，其中i＝1…N
e-1，i＝lg(S-1，i)。
步骤(4)中求解笑、哭两类情绪信号测试样本分类函数的具体过程如下：
构建笑、哭两类情绪信号训练样本特征向量xi
xi＝(fi，ei)
其中fi为空间特征向量，ei为微分熵特征向量，i＝1…2N
特征向量xi导入训练函数，求解出a和b
Figure BDA0002457297880000055
训练函数依据特征向量间隔最大化原理得来，yi为-1或+1，由fi属于哭或笑情绪信号的特征值决定，yj也为-1或+1，其则由fj属于哭或笑情绪信号的特征值决定；
其中约束条件：
ai＞0
Figure BDA0002457297880000056
根据a和b，建立测试样本分类函数
Figure BDA0002457297880000061
b表示常数项，x表示待测样本特征向量，该特征向量由空间特征向量和微分熵特征向量组成。
步骤(5)中预测测试样本的情绪状态的具体过程为：
将测试样本特征向量导入测试样本分类函数，求值
Figure BDA0002457297880000062
测试样本情绪分类
Figure BDA0002457297880000063
有益效果：
本发明方法有针对性地对意识障碍患者的EEG信号进行相关特征向量的提取，而且向量的提取集中在delta，θ，α，β，和γ这5个与情绪反应相关的频带，使提取的特征向量更具代表性，再结合空间滤波器和微分熵的优点，试验证明，本发明可以有效识别意识障碍患者的情绪，判断意识障碍的程度。
具体实施方式
一种意识障碍程度分析方法，其通过控制音视频内容以随机的方式间隔闪烁出现在音视频设备上来刺激情绪，具体：
构建两对视听刺激，其中一对视听刺激对应于一个笑电影剪辑，另一对应于一个哭泣的电影剪辑(哭笑是一对典型的对比情绪，具有分析意义，其它情绪对比性不显著，分析意义不大)。这些视听刺激是从两组情感电影片段中随机选择的，分别由40个笑声片段和40个与快乐和悲伤情绪状态对应的哭泣电影片段组成。在给出指令之后，给出了如上所述构建的两对视听刺激。两个视频剪辑闪烁(出现和消失)，每个出现1400毫秒。当视频剪辑出现时，相应的音频剪辑同时从扬声器播放。两个连续视听刺激之间的间隔从500，600，700、800，900，1000、1100和1200毫秒中随机选择。
使用放大器和脑电帽记录30个电极导联头皮EEG信号。EEG信号被放大，采样率在250Hz，带通滤波在0.1和60Hz之间，并参照右乳突。所有电极的阻抗均保持在5kΩ以下。
EEG信号采样后，本发明基于EEG的脑机接口软件系统通过如下方式提取空间特征向量和微分熵特征向量、分析意识障碍患者的情绪，判断其意识障碍的程度：
一、对原始EEG信号带通滤波，获取滤波后数据
选取与情绪最相关7个导联(AF3、AF4、F3、F4、Fz、Pz、Cz)上的EEG信号，并在五个波段上进行带通滤波：δ(1～3Hz)、θ(4～7Hz)、α(8～13Hz)、β(14～30Hz)和γ(31～50Hz)(大脑的五种特征脑电波)。带通滤波之后，每个通道及每个波段上，提取两种音视频片段中哭泣和笑声情绪对应的EEG数据，数据为X35x2NxT，其中2N为训练样本数，T为样本单次采样数；
二、计算训练样本笑哭两类情绪信号空间特征向量分量
计算训练样本两类情绪信号的协方差，计算方法：
Figure BDA0002457297880000071
计算单次X+1，35xT笑情绪信号的协方差为
Figure BDA0002457297880000072
其中i＝1…N
计算单次X-1，35xT哭情绪信号的协方差为
Figure BDA0002457297880000073
其中i＝1…N
计算N次X+1，35xNxT笑情绪信号的协方差为
Figure BDA0002457297880000074
计算N次X-1，35xNxT哭情绪信号的协方差为
Figure BDA0002457297880000075
计算2N次X35x2NxT笑哭两种情绪信号的混合协方差为
C-1，+1＝C+1，N+C-1，N
计算2N次X35x2NxT笑哭两种情绪信号的WNxN空间滤波器
C-1，+1＝U-1，+1A-1，+1U-1，+1 T
P＝A-1，+1 -1/2U-1，+1 T
S＝PC+1，NPT
S＝BA+1，NBT
WNxN＝(BTP)T
选取WNxN前后三项列向量，构成特征提取滤波器
Figure BDA0002457297880000081
计算第i次X+1，35xNxT笑情绪信号的fi特征值，其中i＝1…N
Figure BDA0002457297880000082
计算第i次X-1，35xNxT哭情绪信号的fi特征值，其中i＝1…N
Figure BDA0002457297880000083
三、计算训练样本笑哭两类情绪信号微分熵特征向量分量
计算单次X+1，35xT笑情绪信号的自相关函数为
Figure BDA0002457297880000084
X+1，35xT(n)、X+1，35xT(n+m)表示X+1，35xT中的第n、第n+m个数据
计算单次X+1，35xT笑情绪信号的功率谱密度为
Figure BDA0002457297880000085
其中M≤T
计算i次X+1，35xixT笑情绪信号的微分熵特征值ei，其中i＝1…N
e+1，i＝lg(S+1，i)
计算单次X-1，35xT哭情绪信号的自相关函数为
Figure BDA0002457297880000086
其中M≤T
计算单次X-1，35xT笑情绪信号的功率谱密度为
Figure BDA0002457297880000087
其中M≤T
计算i次X-1，35xixT笑情绪信号的微分熵特征向量ei，其中i＝1…N
e-1，i＝lg(S-1，i)
上面下标中的”+1”表示笑情绪信号，”-1”表示哭情绪信号，”-1，+1”表示笑哭两种情绪的合集。
四、求解笑哭两类情绪信号测试样本分类函数
构建笑哭两类情绪信号训练样本特征向量xi
xi＝(fi，ei)
其中fi为空间特征向量，ei为微分熵特征向量，i＝1…2N
特征向量xi导入训练函数，求解出a和b
Figure BDA0002457297880000091
训练函数依据特征向量间隔最大化原理得来，yi为-1或+1，由fi属于哭或笑情绪信号的特征值决定，yj也为-1或+1，其则由fj属于哭或笑情绪信号的特征值决定。本文中，字母与字母加下标之间的关系，如a与ai的关系，ai代表总体a中的一个值。
其中约束条件：
ai＞0
Figure BDA0002457297880000092
根据a和b，建立测试样本分类函数
Figure BDA0002457297880000093
b表示常数项，x表示待测样本特征向量，该特征向量由空间特征向量和微分熵特征向量组成。
五、预测测试样本笑、哭两类情绪
测试样本特征向量(测试样本特征向量求值过程与训练样本相同)导入测试样本分类函数，求值
Figure BDA0002457297880000094
测试样本情绪分类
Figure BDA0002457297880000095
对于一个意识障碍患者的EEG测试，如果对应于笑电影剪辑的f(x)得分是+1，则预测的情绪状态是幸福，如果对应于哭泣电影剪辑的f(x)得分是-1的，则预测的情绪状态是悲伤。意识障碍患者的EGG信号通过频谱分析，获得delta，θ，α，β，和γ波段中的数据，再通过本发明的数学分析方法(空间特征向量和微分熵特征向量是一种思想，需要自己设计具体的提取方法)，对哭泣和笑声电影片段刺激得到的EEG信号进行分类，实现情绪识别。采用本发明系统对八例意识障碍患者(3例VS患者和5例MCS患者)和八例健康对照者(健康对照者是作为训练样本，患者是作为测试样本)进行情绪刺激脑机接口模式实验。实验中，八例患者中有三例获得了显著高于机会水平的在线准确性，情绪识别和遵从命令的能力得到了证实。
本发明的实施方式不限于此，在本发明上述基本技术思想前提下，按照本领域的普通技术知识和惯用手段对本发明内容所做出其它多种形式的修改、替换或变更，均落在本发明权利保护范围之内。

Claims (9)

1.一种意识障碍程度分析方法，其特征在于，脑机接口收到患者情绪刺激对应的EEG信号后，根据空间特征向量和微分熵特征向量分类所述EEG信号，识别患者的情绪，判断其意识障碍的程度；
所述空间特征向量和微分熵特征向量通过在delta，θ，α，β，和γ频带，对健康对照者情绪刺激对应的EEG信号进行分析获得。
2.根据权利要求1所述的方法，其特征在于，所述情绪刺激指哭和笑刺激。
3.根据权利要求2所述的方法，其特征在于，所述方法通过控制音视频内容以随机的方式间隔闪烁出现在音视频设备上来刺激情绪。
4.根据权利要求3所述的方法，其特征在于，用于分析空间特征向量和微分熵特征向量的EEG信号选取与情绪最相关的7个通道即如下7个导联AF3、AF4、F3、F4、Fz、Pz、Cz上的EEG信号。
5.根据权利要求4所述的方法，其特征在于，所述空间特征向量和微分熵特征向量具体通过如下步骤获得：
(1)EEG信号带通滤波，提取情绪刺激对应的EEG信号；
(2)利用训练样本构造空间滤波器，获得每个训练样本空间特征向量分量；
(3)计算每个训练样本每个波段的功率谱密度，获得每个训练样本微分熵特征向量分量；
(4)级联每个训练样本的空间特征向量分量和微分熵特征向量分量，利用获得的每个训练样本特征向量进行分类器训练，求得测试样本分类函数；
根据空间特征向量和微分熵特征向量分类所述EEG信号，识别患者的情绪，判断其意识障碍的程度的具体步骤为：
(5)利用测试样本分类函数对测试样本EEG信号进行分类，通过分类函数的得分情况，预测测试样本的情绪状态，进而判断患者意识障碍的程度。
6.根据权利要求5所述的方法，其特征在于，步骤(2)的具体过程如下：
步骤(1)带通滤波之后，每个通道及每个波段上，提取哭、笑两种情绪对应的EEG数据，数据为X35x2NxT，其中2N为训练样本数，T为样本单次采样数，然后利用上述数据计算计算训练样本笑、哭两类情绪信号空间特征向量分量：
计算训练样本两类情绪信号的协方差，计算方法：
Figure FDA0002457297870000021
计算单次X+1，35xT笑情绪信号的协方差为
Figure FDA0002457297870000022
其中i＝1…N
计算单次X-1,35xT哭情绪信号的协方差为
Figure FDA0002457297870000023
其中i＝1…N
计算N次X+1，35xNxT笑情绪信号的协方差为
Figure FDA0002457297870000024
计算N次X-1，35xNxT哭情绪信号的协方差为
Figure FDA0002457297870000025
计算2N次X35x2NxT笑、哭两种情绪信号的混合协方差为
C-1，+1＝C+1，N+C-1，N
计算2N次X35x2NxT笑、哭两种情绪信号的WNxN空间滤波器
C-1，+1＝U-1，+1A-1，+1U-1，+1 T
P＝A-1，+1 -1/2U-1，+1 T
S＝PC+1，NPT
S＝BA+1，NBT
WNxN＝(BTP)T
选取WNxN前后三项列向量，构成特征提取滤波器
Figure FDA0002457297870000026
计算第i次X+1,35xNxT笑情绪信号的特征值fi，其中i＝1…N
Figure FDA0002457297870000027
计算第i次X-1,35xNxT哭情绪信号的特征值fi，其中i＝1…N
Figure FDA0002457297870000028
7.根据权利要求6所述的方法，其特征在于，步骤(3)中计算训练样本笑、哭两类情绪信号微分熵特征向量分量的具体过程如下：
计算单次X+1,35xT笑情绪信号的自相关函数为
Figure FDA0002457297870000029
X+1,35xT(n)、X+1,35xT(n+m)分别表示X+1,35xT中的第n、第n+m个数据计算单次X+1,35xT笑情绪信号的功率谱密度为
Figure FDA0002457297870000031
其中M≤T
计算i次X+1,35xixT笑情绪信号的微分熵特征值ei，其中i＝1…N
e+1,i＝lg(S+1，i)
计算单次X-1，35xT哭情绪信号的自相关函数为
Figure FDA0002457297870000032
其中M≤T
计算单次X-1,35xT笑情绪信号的功率谱密度为
Figure FDA0002457297870000033
其中M≤T
计算i次X-1,35xixT笑情绪信号的微分熵特征向量ei，其中i＝1…N
e-1,i＝lg(S-1，i)。
8.根据权利要求7所述的方法，其特征在于，步骤(4)中求解笑、哭两类情绪信号测试样本分类函数的具体过程如下：
构建笑、哭两类情绪信号训练样本特征向量xi
xi＝(fi，ei)
其中fi为空间特征向量，ei为微分熵特征向量，i＝1…2N
特征向量xi导入训练函数，求解出a和b
Figure FDA0002457297870000034
训练函数依据特征向量间隔最大化原理得来，yi为-1或+1，由fi属于哭或笑情绪信号的特征值决定，yj也为-1或+1，其则由fj属于哭或笑情绪信号的特征值决定；
其中约束条件：
ai＞0
Figure FDA0002457297870000035
根据a和b，建立测试样本分类函数
Figure FDA0002457297870000036
b表示常数项，x表示待测样本特征向量，该特征向量由空间特征向量和微分熵特征向量组成。
9.根据权利要求8所述的方法，其特征在于，步骤(5)中预测测试样本的情绪状态的具体过程为：
将测试样本特征向量导入测试样本分类函数，求值
Figure FDA0002457297870000041
测试样本情绪分类
Figure FDA0002457297870000042
CN202010309910.3A 2020-04-20 2020-04-20 一种意识障碍程度分析方法 Pending CN111671445A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010309910.3A CN111671445A (zh) 2020-04-20 2020-04-20 一种意识障碍程度分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010309910.3A CN111671445A (zh) 2020-04-20 2020-04-20 一种意识障碍程度分析方法

Publications (1)

Publication Number Publication Date
CN111671445A true CN111671445A (zh) 2020-09-18

Family

ID=72451650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010309910.3A Pending CN111671445A (zh) 2020-04-20 2020-04-20 一种意识障碍程度分析方法

Country Status (1)

Country Link
CN (1) CN111671445A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163518A (zh) * 2020-09-28 2021-01-01 华南理工大学 情绪监测的情绪建模方法及情绪监测调节系统
CN113116306A (zh) * 2021-04-21 2021-07-16 复旦大学 一种基于听觉诱发脑电信号分析的意识障碍辅助诊断系统
CN117204856A (zh) * 2023-10-07 2023-12-12 清华大学 基于脑电数据的驾驶员情绪状态检测方法和装置
WO2024040423A1 (zh) * 2022-08-23 2024-02-29 北京太阳电子科技有限公司 基于脑电图的急性意识障碍预后评估方法、装置、介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102715911A (zh) * 2012-06-15 2012-10-10 天津大学 基于脑电特征的情绪状态识别方法
CN104091172A (zh) * 2014-07-04 2014-10-08 北京工业大学 一种运动想象脑电信号的特征提取方法
CN107157477A (zh) * 2017-05-24 2017-09-15 上海交通大学 脑电信号特征识别系统及方法
CN108888264A (zh) * 2018-05-03 2018-11-27 南京邮电大学 Emd和csp融合功率谱密度脑电特征提取方法
CN108904980A (zh) * 2018-08-01 2018-11-30 国家康复辅具研究中心 基于脑电和功能性电刺激的上肢主动康复方法及装置
CN110269611A (zh) * 2019-07-31 2019-09-24 上海诺诚电气股份有限公司 患者意识障碍程度监测、预警系统及方法
CN110353702A (zh) * 2019-07-02 2019-10-22 华南理工大学 一种基于浅层卷积神经网络的情感识别方法及系统
CN110403602A (zh) * 2019-06-06 2019-11-05 西安电子科技大学 用于脑电信号情感分析的改进公共空间模式特征提取方法
CN111012340A (zh) * 2020-01-07 2020-04-17 南京邮电大学 一种基于多层感知机的情绪分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102715911A (zh) * 2012-06-15 2012-10-10 天津大学 基于脑电特征的情绪状态识别方法
CN104091172A (zh) * 2014-07-04 2014-10-08 北京工业大学 一种运动想象脑电信号的特征提取方法
CN107157477A (zh) * 2017-05-24 2017-09-15 上海交通大学 脑电信号特征识别系统及方法
CN108888264A (zh) * 2018-05-03 2018-11-27 南京邮电大学 Emd和csp融合功率谱密度脑电特征提取方法
CN108904980A (zh) * 2018-08-01 2018-11-30 国家康复辅具研究中心 基于脑电和功能性电刺激的上肢主动康复方法及装置
CN110403602A (zh) * 2019-06-06 2019-11-05 西安电子科技大学 用于脑电信号情感分析的改进公共空间模式特征提取方法
CN110353702A (zh) * 2019-07-02 2019-10-22 华南理工大学 一种基于浅层卷积神经网络的情感识别方法及系统
CN110269611A (zh) * 2019-07-31 2019-09-24 上海诺诚电气股份有限公司 患者意识障碍程度监测、预警系统及方法
CN111012340A (zh) * 2020-01-07 2020-04-17 南京邮电大学 一种基于多层感知机的情绪分类方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163518A (zh) * 2020-09-28 2021-01-01 华南理工大学 情绪监测的情绪建模方法及情绪监测调节系统
CN112163518B (zh) * 2020-09-28 2023-07-18 华南理工大学 情绪监测的情绪建模方法及情绪监测调节系统
CN113116306A (zh) * 2021-04-21 2021-07-16 复旦大学 一种基于听觉诱发脑电信号分析的意识障碍辅助诊断系统
WO2024040423A1 (zh) * 2022-08-23 2024-02-29 北京太阳电子科技有限公司 基于脑电图的急性意识障碍预后评估方法、装置、介质
CN117204856A (zh) * 2023-10-07 2023-12-12 清华大学 基于脑电数据的驾驶员情绪状态检测方法和装置

Similar Documents

Publication Publication Date Title
CN111671445A (zh) 一种意识障碍程度分析方法
Kim et al. Wedea: A new eeg-based framework for emotion recognition
Acharya et al. A long short term memory deep learning network for the classification of negative emotions using EEG signals
CN110013250B (zh) 一种抑郁症自杀行为的多模式特征信息融合预测方法
Yuvaraj et al. Hemispheric asymmetry non-linear analysis of EEG during emotional responses from idiopathic Parkinson’s disease patients
Ahmadi et al. Automated detection of driver fatigue from electroencephalography through wavelet-based connectivity
WO2021237429A1 (en) A systematic device and scheme to assess the level of consciousness disorder by using language related brain activity
Cao et al. EEG-based vigilance analysis by using fisher score and PCA algorithm
KR20150029969A (ko) 뇌파 측정을 이용한 감성상태 분류 방법
Cao et al. A hybrid vigilance monitoring study for mental fatigue and its neural activities
Fathima et al. Discriminant analysis for epileptic seizure detection
Hadiyoso et al. Mild cognitive impairment classification using Hjorth descriptor based on EEG signal
Zeng et al. EMCI: a novel EEG-based mental workload assessment index of mild cognitive impairment
CN114557708B (zh) 基于脑电双特征融合的体感刺激意识检测装置和方法
CN110569968A (zh) 基于电生理信号的创业失败恢复力评估方法及评估系统
Sulaiman et al. Offline LabVIEW-Based EEG Signals Analysis to Detect Vehicle Driver Microsleep
Kalafatovich et al. Prediction of memory retrieval performance using ear-eeg signals
PATHAPATI et al. Comparative Evaluation of EEG signals for Mild Cognitive Impairment using Scalograms and Spectrograms with Deep Learning Models
Sanggarini et al. Hjorth descriptor as feature extraction for classification of familiarity in EEG signal
Geetha et al. Emotional Recognition System Using EEG and Psycho Physiological Signals
Yauri et al. Mental workload detection based on EEG analysis
CN115474947A (zh) 一种基于深度学习的两类基本情绪强度脑电信号识别方法
Saini et al. Information detection in brain using wavelet features and K-nearest neighbor
Abdullah et al. EEG Emotion Detection Using Multi-Model Classification
Guleva et al. Personality traits classification from EEG signals using EEGNet

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