【技术实现步骤摘要】
用于评估情绪状态的方法和设备
[0001]本申请涉及信号处理,更具体地,涉及用于基于脑电图(EEG)信号评估情绪状态的方法、设备和计算机存储介质。
技术介绍
[0002]随着社会的发展,情绪相关的疾病成为现代人日益关注的问题。
[0003]常规的情绪状态评估和进一步的情绪疾病的诊疗基于量表评估和医生经验来实现。脑电图EEG信号记录大脑皮层产生的电活动,其具有高分辨率,无创性和低成本的特点,可以用于反映人脑各种功能区(脑区)的神经活动,因此在脑疾病诊断,运动恢复,神经系统疾病的评估辅助中存在应用。
[0004]神经系统疾病属于有器质性病变的脑部疾病,可以通过能够对脑部组织进行扫描成像的设备和方法检测。情绪疾病不属于神经系统疾病,而是属于更精神层面的无法定位病灶的脑部疾病,因此常规的检测手段和数据无法给出令人满意的信息。填写量表再由医生评估受试者的常规情绪评估方式过程繁琐,并且受试者在填表时的情绪状态不稳定也造成一定误诊率。可以说,大部分检测方法无法精确到具体的脑部活动的特征表征上。
[0005]目前基于脑电图EEG信号的评估方案无法做到普适数据而没有稳定的评估效果。近年来在心理学和认知神经科学领域,基于脑电图EEG信号探究情绪的研究也呈上升趋势。
[0006]因此,存在设计和改进情绪状态的评估方案的需求。
技术实现思路
[0007]根据本申请的实施例旨在解决上文中提及的问题,提出用于进行情绪状态评估的方法和设备等。
[0008]根据本申请的一方面,提出一种用于评估 ...
【技术保护点】
【技术特征摘要】
1.一种用于评估情绪状态的方法,包括:获取受试者的原始脑电图(EEG)信号;从所述EEG信号生成用于评估所述受试者的情绪状态的可用特征集合,其中,所述可用特征集合选自从所述EEG信号生成的多维度特征集合,所述多维度特征集合与所述EEG信号的频带能量特征、脑功能连接性特征和频谱特征中的至少一项相关联;使用评估模型基于所述可用特征集合和预定的情绪状态类别确定与所述受试者对应的情绪状态类别。2.根据权利要求1所述的方法,其特征在于,从所述EEG信号生成用于评估所述受试者的情绪状态的可用特征集合进一步包括:从所述EEG信号生成多维度特征集合;从所述多维度特征集合中选择所述可用特征集合。3.根据权利要求2所述的方法,其特征在于,从所述EEG信号生成多维度特征集合进一步包括:基于脑区和信号质量确定与所述受试者的脑区对应的脑区EEG信号,其中所述脑区EEG信号包括多个EEG信号片段;从所述脑区EEG信号生成所述多维度特征集合。4.根据权利要求3所述的方法,其特征在于,基于脑区和信号质量确定与所述受试者的脑区对应的EEG信号进一步包括:针对EEG信号的每个导联通道,移除信号功率值异常的导联通道;针对所述受试者的每个脑区,融合具有正常信号功率值的导联通道的EEG信号以生成所述脑区EEG信号。5.根据权利要求4所述的方法,其特征在于,从所述脑区EEG信号生成所述多维度特征集合进一步包括:基于所述脑区EEG信号和预定频带计算所述脑区EEG信号的频带能量特征,所述频带能量特征包括脑区相对频带能量特征,脑区相对频带能量不对称性和脑区相对频带能量复杂性中的至少一项;基于所述脑区EEG信号和所述预定频带计算所述脑区EEG信号的脑功能连接性特征,所述脑功能连接性特征包括振幅连接性特征和相位连接性特征中的至少一项;将所述脑区EEG信号变换为时频图数据以确定所述脑区EEG信号的频谱特征,所述频谱特征包括频谱熵,频谱质心,频谱带宽,频谱峰值,频谱偏度,频谱峰度,频谱延展度,频谱平坦度,频谱斜率和频谱衰减度中的至少一项;以及分别计算所述脑区EEG信号的所述频带能量特征、所述脑功能连接性特征和所述频谱特征在所述多个EEG信号片段上的中位数和复杂度以构成所述多维度特征集合,其中所述中位数和所述复杂度基于所述预定的情绪状态类别进行标记。6.根据权利要求2所述的方法,其特征在于,从所述多维度特征集合中选择所述可用特征集合进一步包括:从所述多维度特征集合中选择优势特征,以及将所选择的优势特征构成第一候选特征集合;修改所述多维度特征集合中的至少一个特征的所标记的情绪状态类别;
再次从所述多维度特征集合中选择优势特征,以及将所选择的优势特征构成第二候选特征集合;基于所述第一候选特征集合和所述第二候选特征集合确定所述可用特征集合。7.根据权利要求6所述的方法,其特征在于,从所述多维度特征集合中选择优势特征进一步包括:基于所述受试者的年龄和性别对所述多维度特征集合进行分组;从经分组的所述多维度特征集合进行多轮次的特征样本抽取,其中每轮次特征样本抽取获得的特征样本构成一个特征样本批次;针对每个特征样本批次,确定所述多维度特征集合中的每个特征在对应特征样本批次中的排名;基于每个特征在所有特征样本批次中的排名确定每个特征在所述多维度特征集合中的最终排名;选择所述最终排名满足优势条件的特征作为优势特征。8.根据权利要求7所述的方法,其特征在于,从经分组的所述多维度特征集合进行多轮次的特征样本抽取进一步包括:在每轮次特征样本抽取中,基于具有最小特征数量的分组中的特征数量从所有分组中抽取该最小特征数量的特征样本;以及在下一轮次特征样本抽取之前,将每个分组中被抽取的特征样本放回。9.根据权利要求7所述的方法,其特征在于,确定所述多维度特征集合中的每个特征在对应特征样本批次中的排名进一步包括:针对每个特征样本批次,基于每个特征的在交叉验证的分类实验中的重要性确定每个特征在该特征样本批次中的第一排名;基于每个特征的在所述预定的情绪状态类别之间的效应量确定每个特征在该特征样本批次中的第二排名;基于每个特征的在所述预定的情绪状态类别之间的信息熵确定该特征在该特征样本批次中的第三排名。10.根据权利要求9所述的方法,其特征在于,使用有监督学习的分...
【专利技术属性】
技术研发人员:闫宇翔,赵童,崔洢,李珂,
申请(专利权)人:灵犀云医学科技北京有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。