一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统技术方案

本发明专利技术涉及一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵，将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。该方案基于脑神经信号，克服了传统冰毒检测的缺点，提出了一种冰毒检测的新型方法，大大增加了检测的有效时间，最终经过测试，检测准确率也得到了很大提高。

【技术实现步骤摘要】
一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
本专利技术涉及特征检测
，具体涉及一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统。
技术介绍
冰毒于90年代进入中国境内，由于对冰毒的认知较少且缺乏有效的检测手段，使得对吸毒者的检测难度很高。冰毒的主要成分为甲基苯丙胺，又名去氧麻黄碱，因纯度较高的冰毒为透明结晶体，与冰糖极为相似，所以也被称为冰毒。过量吸食冰毒不仅会使人产生极强的依赖性，同时会引起甲基苯丙胺精神病和精神分裂症等症状。目前对于冰毒(甲基苯丙胺)的检测方法多为尿液与血液检测。传统的尿液与血液检测方法主要通过检测人体尿液或者血液中的成分来判断人员是否吸毒，但经过人体正常的新陈代谢，经过一段时间后尿液与血液中的成分恢复正常，便无法检测出其是否吸毒。因此传统方法仅能够检测出近期吸食过冰毒的人员，而对于长时间未接触过冰毒的人员则很难进行准确的检测。
技术实现思路
本专利技术针对现有技术中存在的技术问题，提供一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统，提出在冰毒检测技术中采取多通道fNIRS采集方式，并采用有向转移函数算法，对多个通道信号之间有向转移函数的值进行分析，然后将具有显著差异的通道对有向转移函数的值作为分类特征，送入到机器学习算法中实现分类。本专利技术解决上述技术问题的技术方案如下：第一方面，本专利技术提供一种基于多通道fNIRS信号的冰毒成瘾者检测方法，包括以下步骤：通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵，将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。进一步的，所述的预处理操作包括滤波、分割、基线校正和叠加平均。进一步的，所述的预处理操作，具体包括：对fNIRS信号进行滤波，滤波参数设置分别为0.03-0.1Hz带通滤波；滤波后将刺激前1s至刺激后15s的fNIRS数据作为一个epoch进行分割，称此epoch为一个S2刺激响应；以刺激前1s数据作为基线进行基线校正，接着对数据中每5个epoch进行一次叠加平均。进一步的，所述的各个通道fNIRS信号之间有向转移函数的值的计算方法如下：对于给定的时间滞后r，考虑一个维数为M的p阶多变量自回归过程，即同时测量M个信号x1(t)，x2(t)……xM(t)，则fNIRS信号的时域表达：其中Ar是M×M阶系数矩阵，而ε(t)是具有协方差矩阵的独立高斯白噪声，M是fNIRS通道数；通过计算功率谱密度矩阵可以得到fNIRS信号的频域表达：S(f)＝H(f)∑HH(f)(2)其中(.)H表示Hermitian转置，H(f)是转移函数矩阵，f表示频率；根据公式(1)和(2)得到：h(f)表示转移函数矩阵H(f)的列向量；j通道fNIRS信号到i通道fNIRS信号的有向转移函数值DTF为：式(3)中，Hij(f)是H(f)的第i行、第j列的元素，hj(f)表示H(f)的第j列向量。进一步的，在对测试者进行测试之前还包括，对所述分类器进行训练，所述分类器的训练过程包括：通过多通道fNIRS通道分别对成瘾和健康两类受试者的fNIRS信号进行实时提取，分别得到两类受试者的多通道fNIRS信号并保存；对两类受试者的各个通道fNIRS信号依次进行预处理操作，得到两类受试者各个通道成瘾刺激对应的fNIRS信号；分别对两类受试者的各个通道fNIRS信号之间有向转移函数的值进行计算，生成与两类受试者所对应的两组有向转移函数矩阵；计算两类受试者对应的平均有向转移函数矩阵，对每个连接对的两组有向转移函数的平均值进行t-test统计检验，使用Bonferroni多重校正，得到具有显著性差异的两组有向转移函数平均值对应的邻接边；利用两类受试者具有显著性差异的邻接边的有向转移函数值构建特征向量作为样本数据，对初始机器学习模型进行K折交叉验证，获得具有最佳参数组合的分类器。进一步的，所述的K折交叉验证所述的K折交叉验证包括：在交叉验证的每折中，将K-1份成瘾组的样本数据和K-1份健康组的样本数据用于训练集，剩余1份成瘾组的样本数据和1份健康组的样本数据用于测试集。进一步的，所述分类器采用Fisher分类器。第二方面，本专利技术提供一种基于多通道fNIRS信号的冰毒成瘾者检测系统，包括：信号提取模块，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；预处理及矩阵生成模块，对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵，分类检测模块，将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。第三方面，本专利技术提供一种电子设备，包括：存储器，用于存储计算机软件程序；处理器，用于读取并执行所述存储器中存储的计算机软件程序，进而实现本专利技术第一方面所述的一种基于多通道fNIRS信号的冰毒成瘾者检测方法。第四方面，一种非暂态计算机可读存储介质，该存储介质中存储有用于实现本专利技术第一方面所述的一种基于多通道fNIRS信号的冰毒成瘾者检测方法。本专利技术的有益效果是：首先，fNIRS(功能性近红外光谱技术)利用血液的主要成分对600-900nm近红外光良好的散射性，从而获得大脑活动时氧合血红蛋白和脱氧血红蛋白的变化情况。现有技术中还没有出现利用fNIRS技术进行冰毒毒瘾检测的案例。其次，该方法在进行定量描述电活动的传播方向及其频率含量中是一种鲁棒性非常强的方法。即使是在真实信号比噪声幅值低几倍的情况下(信噪比很低的情况下)，依旧可以得出较好的信息流分析结果。相较于其他算法，该方法在面对多于两通道的多通道信号可以得到更好的分析结果。第三，本专利技术提供的方法测试时间短，数据处理便捷；在检测的同时可以对冰毒成瘾者的成瘾程度有大致的了解，方便评测冰毒戒除的效果。附图说明图1为本专利技术实施例提供一种基于多通道fNIRS信号的冰毒成瘾者检测方法流程图；图2为本专利技术实施例提供的分类器构建方法流程图。图3为本专利技术实施例提供的12折交叉验证的fNIRS信号处理流程图；图4为本专利技术实施例提供的具体实验流程图；图5为本专利技术实施例提供的fNIRS通道图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。由于冰毒主要依靠影响人的中枢神经来使人产生快感从而产生对冰毒的依赖性，因此在执行相同任务时，冰毒成瘾者的fNIRS图信号与正常人之间存在较大差异。...

【技术保护点】
1.一种基于多通道fNIRS信号的冰毒成瘾者检测方法，其特征在于，包括以下步骤：/n通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；/n对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵；/n将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。/n

【技术特征摘要】
1.一种基于多通道fNIRS信号的冰毒成瘾者检测方法，其特征在于，包括以下步骤：
通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；
对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵；
将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。


2.根据权利要求1所述的方法，其特征在于，所述的预处理操作包括滤波、分割、基线校正和叠加平均。


3.根据权利要求2所述的方法，其特征在于，所述的预处理操作，具体包括：
对fNIRS信号进行滤波，滤波参数设置分别为0.03-0.1Hz带通滤波；滤波后将刺激前1s至刺激后15s的fNIRS数据作为一个epoch进行分割，称此epoch为一个S2刺激响应；以刺激前1s数据作为基线进行基线校正，接着对数据中每5个epoch进行一次叠加平均。


4.根据权利要求1所述的方法，其特征在于，所述的各个通道fNIRS信号之间有向转移函数的值的计算方法如下：
对于给定的时间滞后r，考虑一个维数为M的p阶多变量自回归过程，即同时测量M个信号x1(t)，x2(t)……xM(t)，则fNIRS信号的时域表达：



式(1)中Ar是M×M阶系数矩阵，而ε(t)是具有协方差矩阵的独立高斯白噪声，M是fNIRS通道数；
通过计算功率谱密度矩阵可以得到fNIRS信号的频域表达：
S(f)＝H(f)∑HH(f)(2)
式(2)中(.)H表示Hermitian转置，H(f)是转移函数矩阵，f表示频率；
根据公式(1)和(2)得到：



h(f)表示构成转移函数矩阵H(f)的列向量；
则j通道fNIRS信号到i通道fNIRS信号的有向转移函数值DTF为：



式(3)中Hij(f)是H(f)的第i行、第j列的元素，hj(f)表示H(f)的第j列向量。


5.根据权利要求1所述的方法，其特征在于，在对测试者进行测试之前还包括，对所述分类器进行训练，所述分类器的训练过程包括：...

【专利技术属性】
技术研发人员：高军峰，张家琦，宋健，魏曙光，黎峰，韦思宏，黄伟安，曾宣威，康倩若，湛慧苗，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：湖北;42