基于深度学习与脉搏信号的抑郁状态识别系统技术方案

本公开属于生理信号识别技术领域，具体涉及一种基于深度学习与脉搏信号的抑郁状态识别系统，包括：数据采集模块，其被配置为采集被测试者在静息状态下的脉搏数据，将所采集到的脉搏数据转换成一维矩阵形式的脉搏信号；数据处理模块，其被配置为对所述一维矩阵形式的脉搏信号进行降采样和滤波处理，得到处理后的脉搏数据；脉搏序列提取模块，其被配置为在所述处理后的脉搏数据中提取信号特征点，计算蕴含生理信息的脉搏序列，裁剪为统一长度后组成脉搏特征矩阵；抑郁状态识别模块，其被配置为利用预设的识别模型处理所述脉搏特征矩阵，完成抑郁状态的识别；其中，预设的识别模型采用深度神经网络模型，所述抑郁状态包括正常状态和抑郁状态。抑郁状态。抑郁状态。

【技术实现步骤摘要】
基于深度学习与脉搏信号的抑郁状态识别系统


[0001]本公开属于生理信号识别
，具体涉及一种基于深度学习与脉搏信号的抑郁状态识别系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]抑郁症是一种常见精神疾病，具有高致残率、高复发率的特点。目前抑郁症的诊断方式主要是基于量表进行诊断筛查，即医生结合与病人的谈话、量表以及自己经验进行诊断，受主观因素影响较大；而且抑郁症具有隐匿性，很多患者就医意识差，因此很多抑郁症患者得不到及时、最佳的治疗。研究客观、高效的诊断方法对促进抑郁症的筛查具有重大的意义。
[0004]据专利技术人了解，抑郁症可导致大脑神经系统失衡，使大脑的连通性和结构发生变化，这种影响可以通过自主神经系统反映到心脏活动上，因此脉搏信号也可以反映抑郁的有关信息。目前，脑电图(EEG)、功能性磁共振成像(fMRI)等技术可直接、有效地用于抑郁症的诊断，但其专业要求较高，不便于即时采集分析、装置小型化和便携化，此外，脑电检查的费用较高，这些都制约了脑电在抑郁症实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习与脉搏信号的抑郁状态识别系统，其特征在于，包括：数据采集模块，其被配置为采集被测试者在静息状态下的脉搏数据，将所采集到的脉搏数据转换成一维矩阵形式的脉搏信号；数据处理模块，其被配置为对所述一维矩阵形式的脉搏信号进行降采样和滤波处理，得到处理后的脉搏数据；脉搏序列提取模块，其被配置为在所述处理后的脉搏数据中提取信号特征点，计算蕴含生理信息的脉搏序列，裁剪为统一长度后组成脉搏特征矩阵；抑郁状态识别模块，其被配置为利用预设的识别模型处理所述脉搏特征矩阵，完成抑郁状态的识别；其中，预设的识别模型采用深度神经网络模型，所述抑郁状态包括正常状态和抑郁状态。2.如权利要求1中所述的一种基于深度学习与脉搏信号的抑郁状态识别系统，其特征在于，在所述数据采集模块中，使用生理信号采集仪器来采集被测试者在静息状态下的脉搏数据。3.如权利要求2中所述的一种基于深度学习与脉搏信号的抑郁状态识别系统，其特征在于，在数据采集的过程中，观察多通道生理信号采集处理系统中的脉搏信号是否正常，记录符合记录条件的一定时长的脉搏信号数据；若所采集的脉搏信号数据中间出现异常信号，则延长采集时间，按序列号保存采集好的脉搏数据信号。4.如权利要求1中所述的一种基于深度学习与脉搏信号的抑郁状态识别系统，其特征在于，对所述一维矩阵形式的脉搏信号进行降采样和滤波处理的过程中，采用低通滤波来滤除脉搏信号中的肌电干扰信号，采用平滑滤波法来滤除脉搏信号中的工频干扰信号，采用小波变换来滤除脉搏信号中的基线漂移信号。5.如权利要求1中所述的一种基于深度学习与脉搏信号的抑郁状态识别系统，其特征在于，采用自适应差分阈值法提取信号特征点。6.如权利要求5中所述的一种基于深度学习与脉搏信号的抑郁状态识别系统，其特征在于，对所述处理后的脉搏数据进行归一化处理，计算归一化处理后的脉搏数据信号的一阶循环差分，选取预设长度的待检信号确定差分阈值，移动时间窗口，搜索下一时间段内是否有满足差分阈值条件的点，若满足则更新差分阈值，继续搜...

【专利技术属性】
技术研发人员：杨立才，柳昕祎，徐振，宋鑫旺，
申请(专利权)人：山东大学，
类型：发明
国别省市：