一种基于eeg信号的脑神经功能状态检测的快速评估方法
阅读说明：本技术 一种基于eeg信号的脑神经功能状态检测的快速评估方法 (EEG signal-based rapid evaluation method for cranial nerve functional state detection ) 是由 董树荣 潘嘉栋 郭维 夏洁 吴金涛 潘梦萍 于 2020-12-18 设计创作，主要内容包括：本发明公开了一种基于EEG信号的脑神经功能状态检测的快速评估方法,该方法采集受试者静息态脑电数据,通过加窗处理提取时域及频域特征参数,对每个特征单独归一化后构造特征矩阵,放入前期训练好的脑神经功能状态检测模型,对受试者的脑功能状态做出快速评估。本发明拓展性强,可适用多种脑功能状态评估,且操作简单,准确率高,应用前景十分广泛。(The invention discloses a rapid evaluation method for detecting the brain nerve function state based on an EEG signal, which comprises the steps of collecting resting state electroencephalogram data of a subject, extracting time domain and frequency domain characteristic parameters through windowing, constructing a characteristic matrix after independently normalizing each characteristic, putting into a brain nerve function state detection model trained in the early stage, and rapidly evaluating the brain function state of the subject. The brain function state evaluation method is high in expansibility, applicable to evaluation of various brain function states, simple to operate, high in accuracy and quite wide in application prospect.)
技术领域
本发明属于生物医学领域，具体涉及一种基于EEG信号检测脑神经功能状态的快速评估方法。
背景技术
近些年来，药物滥用的现象日益突出，由世界卫生组织的统计资料可知，目前全世界药物滥用人数已经突破千万，无论在发达国家还是发展中国家都存在着不同程度的药物滥用。而在我国，这一现象也是十分严峻。药物滥用严重损害滥用者的身体健康，造成机体多系统、多器官的病理损害，同时也会严重影响滥用者的脑神经功能状态，从而对社会造成严重的危害。因此对药物滥用者的快速筛查可以很好的避免潜在的社会危害。
对药物滥用者的筛查，传统的方法多为对被测者的唾液、尿液等进行采样，然后结合生物化学分析的方法进行筛查。如果要追溯吸毒的时长，则可以通过毛发或者血液检测的方法。但是，这几种方法都无法做到快速筛查，在某些应用场合局限性较大，比如毒驾临时检查的情况，十分不便。同时，如果被测者患有某些传染性疾病，唾液、尿液、血液样本的采样过程，极有可能造成检查人员的二次感染，具有很高的风险。
另外，国外一家生物医药公司—FingerPrinting，研发了一种通过分析指纹汗液中的代谢产物来筛查药物滥用的装置，虽然也是一种生物化学分析方式，但是相比唾液、尿液、血液检测更为安全，且全程只需要收集一个指纹样本，就可在一项测试中分析和检测多达四种滥用药物，在不到10分钟的时间内给出阳性或阴性结果，并根据预设的毒品检测截止水平给出简单的通过或失败读数。但是，这种方法在毒驾临检的场景中也不便于应用，由于检测时长的限制，很可能造成交通堵塞，同时，如果药物滥用者对手指涂敷某些特殊溶剂，也可能影响到筛查准确度。
此外，中国专利CN 205144519提出了一种皮肤光吸收率动态变化的检测系统，适用于人体是否吸食毒品即药物滥用，因为当人体吸食毒品或者注射毒品之后，这些毒品就会对人体的内分泌系统造成影响，改变多巴胺、肾上腺素等物质的分泌，破坏这些物质和受体间的相互作用，使得皮肤和皮下组织的血流动力性发生变化，从而改变对入射光束的吸收率，故通过检测皮肤光吸收率动态变化可实现吸毒筛查。但该专利中并未给出明确的系统参数的设置，以及入射光束吸收率的计算方式，并没有说明该方法实际使用的有效性，且人体入射光束的吸收率还容易受到环境的干扰，该专利中也未提及如何去除环境光的干扰。
而现在应用上较为新颖的药物滥用筛查方式是基于人体瞳孔变化的特征进行筛查，比如中国专利CN2080002774和中国专利CN111278351A均提出了类似的方法，但是该原理的检测标准是检测人员的瞳孔动态变化与平常未吸毒的经验值进行比较，但是由于每个检测人员具有个体差异性，所以可能出现不匹配的情况。虽然某些利用此原理的方法还能够获得光刺激前后瞳孔动态变化的数据，但并未明确指出利用光刺激前后瞳孔动态变化筛查吸毒人员的方法和衡量标准。
发明内容
针对现有技术的不足，本发明公开一种基于EEG信号检测脑神经功能状态的快速评估方法，该检测方法可以对脑神经功能状态进行快速评估。
本发明的目的通过如下的技术方案来实现：
一种基于EEG信号的脑神经功能状态检测的快速评估方法，该方法具体包括如下步骤：
S1:将脑电采集设备置于受试者头皮表面一定时间，并保持受试者头部相对静止，采集稳定的脑电EEG信号；
S2：对采集到的EEG信号进行预处理，去除肌肉活动及其他神经电生理信号干扰；
S3：对采集到的每个通道的EEG信号均进行加窗处理，同时设定步长，计算每个窗内的脑电EEG信号中的频域参数和时域参数；其中，频域参数包括δ、θ、α、β、γ节律的功率谱密度；时域参数为Hjorth参数，包括活动性、移动性和复杂性；
S4：对S3中得到的每个受试者的每个时域参数和频域参数单独进行归一化，并构建特征矩阵；
S5：重复S1～S4，根据得到的特征矩阵以及对应的分类标签构建训练集数据，并放入随机森林的算法框架中，对其进行训练，得到优化后的评估模型；
S6：根据S1～S4，对新的受试者进行数据采集，并把采集的数据放入S5得到的优化后的评估模型，得到当前受试者的分类结果，即受试者的脑神经功能状态。
进一步地，所述δ的频率范围为1－3Hz，θ的频率范围为4－7Hz，α的频率范围为8－13Hz，β的频率范围为14－30Hz，γ的频率范围为30－80Hz。
进一步地，采集新的受试者的脑电EEG信号的时间不短于S3中的窗长时间。
进一步地，所述S2中，通过小波变换去除头部运动伪迹的干扰，通过独立成分分析法去除眼动、肌电伪迹的干扰。
与现有技术相比，本发明具有的有益效果为：
(1)本发明的评估方法采样简单，不涉及对受试者唾液、尿液和血液等的采样，因此可以避免检查人员的二次感染；
(2)仅需采集一小段时间的EEG信号，采集便携性和效率都较高；
(3)有针对性地去除采集的信号中的头部运动和肌肉活动及其他神经电生理信号，可以更精确地提取到频域参数和时域参数；
(4)本发明的方法同时提取频域参数和时域参数，并结合机器学习算法，评估模型的泛化能力更好，分类的准确性更高。
附图说明
图1为本发明实施例的评估方法的具体流程图；
图2为当受试者为人时测得的含有运动伪迹、眼动及肌电伪迹的EEG信号波形图；
图3为当受试者为人时测得的去除运动伪迹、眼动及肌电伪迹的EEG信号波形图；
图4为当受试者为小鼠时测得的药物滥用与正常对照的脑电EEG信号功率谱密度对照图；
图5为当受试者为小鼠时测得的药物滥用与正常对照的脑电EEG信号时域Activity参数波形对比图；
图6为当受试者为小鼠时测得的药物滥用与正常对照的脑电EEG信号时域Mobility参数波形对比图；
图7为当受试者为小鼠时测得的药物滥用与正常对照的脑电EEG信号时域Complex参数波形对比图；
图8为当受试者为小鼠时测得的特征参数在评估模型训练中对分类准确度的贡献度的柱状图；
图9为当受试者为小鼠时通过随机森林算法训练的本评估模型的各项评价指标示意图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明的基于EEG信号的脑神经功能状态检测的快速评估方法，具体包括如下步骤：
S1:将脑电采集设备置于受试者头皮表面一定时间，并保持受试者头部相对静止，同时保持闭眼或者持续睁眼状态，尽量减少眨眼动作，采集稳定的脑电EEG信号；
S2：对采集到的EEG信号进行预处理，去除肌肉活动及其他神经电生理信号干扰，具体为：通过小波变换(Wavelet-Methods)去除头部运动伪迹的干扰，通过独立成分分析法(ICA)去除眼动、肌电伪迹的干扰。去除干扰前后的EEG信号波形图如图2和图3所示。
S3：对采集到的每个通道的EEG信号均进行加窗处理，同时设定步长，计算每个窗内的脑电EEG信号中的频域参数和时域参数；其中，频域参数包括δ、θ、α、β、γ节律的功率谱密度；所述δ的频率范围为1－3Hz，θ的频率范围为4－7Hz，α的频率范围为8－13Hz，β的频率范围为14－30Hz，γ的频率范围为30－80Hz。时域参数为Hjorth参数，包括活动性(Activity)、移动性(Mobility)和复杂性(Complexity)；
S4：对S3中得到的每个受试者每个特征参数单独进行归一化，并构建特征矩阵；
这里并不是针对整个数据集中所有特征参数或者某个受试者所有特征参数进行归一化，可以避免当以整个数据集或者单个受试者所有特征参数归一化时，由于个体差异性过大或者个体单个特征差异性过大导致对本评估模型的影响。
S5：重复S1～S4，根据得到的特征矩阵以及对应的分类标签构建训练集数据，并放入随机森林的算法框架中，对其进行训练，得到优化后的评估模型；
S6：根据S1～S4，对新的受试者进行数据采集，采集新的受试者的脑电EEG信号的时间不短于S3中的窗长时间；并把采集的数据放入S5得到的优化后的评估模型，得到当前受试者的分类结果，即受试者的脑神经功能状态。
下面将本发明的评估方法在小鼠实验中进行验证。所有实验均已通过动物实验伦理审查。将电极植入小鼠头部，采集小鼠清醒状态下相对安静时期的脑电数据。
将采集到的脑电信号进行步骤S2-S3的处理，得到某只正常小鼠和某只实验小鼠的脑电EEG信号功率谱密度，如图4所示。从中提取出五种脑电节律所在频段的总功率谱密度值和平均功率谱密度值，并作为这五种脑电节律的特征参数。从图中可以看出，在某些脑电节律处，如在θ(4Hz-7Hz)、β(14Hz-30Hz)频段，注射可卡因的小鼠的对数功率谱密度(LogPSD)比注射生理盐水的要低。
通过(1)—(3)式计算出某只正常小鼠和某只实验小鼠的EEG信号的时域参数，即Hjorth参数，包括活动性(Activity)、移动性(Mobility)和复杂性(Complexity)，如图5～7所示。从图中可以看出，注射生理盐水的小鼠时域活动性参数Activity和复杂性参数Complex比注射可卡因的小鼠要高，而时域移动性参数Mobility要低。上述图4～7仅为展示本发明的评估方法提取到的8个特征参数对分类结果起到一定贡献，并不用于限定单个因素对分类结果的决定性。
Activity＝var(y(t)) (1)
其中，var()表示方差函数，y(t)表示在窗长时间内受试者的脑电EEG时域信号。
本次实验共有28只小鼠，实验小鼠16只，对照小鼠12只，进行5天药物成瘾实验，每只小鼠采集单通道脑电EEG信号总时长为10分钟，设定窗长为30s，步长为1s，，因此数据集共有79940条记录。
28*5*(10*60-30+1)＝79940 (4)
表1为通过随机森林算法训练的本评估模型的各项评价指标，采用十折交叉验证法得到。十折交叉验证法将数据集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验。从表1中可以看出，在十折交叉验证中，4个评价指标的平均值都达90％以上，说明本评估模型达到了很好的分类效果。
表1通过随机森林算法训练的本评估模型的各项评价指标
评估轮次
召回率
精确率
F1指标
准确率
1
0.93346
0.96333
0.96073
0.96184
2
1
0.9714
0.97056
0.96967
3
1
0.96881
0.9678
0.96673
4
1
0.85144
0.82553
0.78865
5
0.94129
0.86907
0.8698
0.8591
6
1
1
1
1
7
0.96183
1
0.98054
0.96184
8
0.97652
1
0.98812
0.97652
9
0.98924
1
0.99459
0.98927
10
1
1
1
1
平均值
0.980234
0.962405
0.955767
0.947362
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：面向动态视频目标检测的时变脑网络重构方法