【技术实现步骤摘要】
本专利技术涉及eeg脑网络领域，尤其涉及一种基于eeg脑网络的精神分裂症自动检测装置。
技术介绍
1、精神分裂症(schizophrenia,scz)是一组病因、临床表现、治疗反应及病程不同的精神障碍，临床表现涉及感知、思维、情感、认知和行为等方面，多数起病于青壮年时期，是一种对患者影响持久且严重的重性精神疾病[1-2]。目前，精神分裂症的诊断主要依据临床量表评分和医生经验，主观性强，缺乏客观的诊断指标。
2、近年来，越来越多的研究发现了精神分裂症患者基于静息态脑电的脑网络异常[3]。脑电(electroencephalography,eeg)是一种无创、便携、高时间分辨率的神经成像技术，可以捕捉到大脑的神经振荡活动。静息态脑电指受试者在清醒、放松状态下检测到的脑电信号，包含大量生理信息。在静息态实验中，受试者无需执行任何任务，因而较任务态脑电更容易采集。脑网络(brain network)是大脑信息处理和认知表达的生理基础，研究脑网络可以获得患者脑连接的拓扑属性信息[4]。此外，在前期开展的大量工作中，发现了精神分裂症患者的静息态脑网络存在多项拓扑参数异常。
3、参考文献
4、[1]first,m.b.,2013.diagnostic and statistical manual of mentaldisorders,5th edition,and clinical utility.j nerv ment dis 201,727–729.
5、[2]alves,c.l.,pine
6、[3]maran,m.,grent-‘t-jong,t.,uhlhaas,p.j.,2016.electrophysiologicalinsights into connectivity anomalies in schizophrenia:a systematicreview.neuropsychiatric electrophysiology 2,6.
7、[4]racz,f.s.,stylianou,o.,mukli,p.,eke,a.,2020.multifractal andentropy-based analysis of delta band neural activity reveals alteredfunctional connectivity dynamics in schizophrenia.front.syst.neurosci.14.
技术实现思路
1、本专利技术提供了一种基于eeg脑网络的精神分裂症自动检测装置，本专利技术采集用户的静息态eeg信号，通过预处理、脑网络构建、拓扑参数计算和动态特征计算获得用户的特征参数，进而通过基于决策融合的分类识别方法，实现对用户精神分裂症病情的自动检测，以辅助临床早期诊断，帮助患者及时得到治疗，详见下文描述：
2、一种基于eeg脑网络的精神分裂症自动检测装置，所述装置包括：
3、数据采集模块，用于设计静息态交替8分钟睁闭眼的实验范式，利用搭建的脑电信号采集平台对用户的静息态脑电信号进行采集；
4、数据处理模块，用于对采集到的信号进行重参考、滤波、独立成分分析处理，提取感兴趣频段，基于部分定向相干pdc指标构建滑动时间窗的动态有向脑网络，计算聚类系数、局部效率、全局效率和模块度四类拓扑参数，提取均值、变异系数、模糊熵作为拓扑参数动态特征；
5、精分检测模块，用于将数据处理模块中提取到的拓扑参数动态特征进行基于决策融合的支持向量机svm分类识别；
6、输出模块，用于最后输出用户的精神分裂症病情报告供用户查看。
7、其中，所述数据采集模块的工作流程为：
8、用户佩戴电极帽坐于安静、无电磁干扰的实验室内，减少身体活动，保持放松；
9、用户正确佩戴电极帽被告知实验流程，进行8分钟交替睁闭眼的试验，采集用户的脑电信号；
10、用户通过播放的提示音进行睁眼或闭眼的交替，每次交替间隔1分钟；当提示音提示“请睁眼”时，用户保持睁眼状态，直至提示音提示“请闭眼”时，用户转为闭眼状态，直至再次提示“请睁眼”，以此进行交替。
11、其中，所述动态有向脑网络为：
12、利用部分定向相干构建有向的脑网络，利用滑动窗技术实现脑网络的动态捕捉，基于频域格兰杰因果关系，测量电极通道间的有向因果关系，对于通道i和通道j，其在频率f处的pdc公式如下：
13、
14、其中，a为由脑电信号构建的多变量自回归模型的系数矩阵经傅里叶变换后的频域形式，k为信号观测维度，*为矩阵转置和复共轭；
15、对于每组脑电信号，通过设定滑动窗，在每个滑动窗中分别计算pdc指标，可以获得具有时变特性的动态脑网络。滑动窗涉及参数有窗长wl和滑动窗步长ws，在本专利技术实施例中wl为2秒，ws为1秒。
16、对于给定的阈值t，通道i和通道j间的pdc值aij经阈值化表示为：
17、
18、其中，所述计算聚类系数、局部效率、全局效率和模块度为：
19、聚类系数的计算公式为：
20、
21、其中，表示节点i的出度，表示节点i的入度，表示节点i周围的有向三角形数目，aij表示从i到j的有向连接边，n表示网络所有节点的集合，n表示节点数目；
22、局部效率的计算公式为：
23、
24、其中，djh(ni)是从节点j到节点h的的最短路径长度，且j、h节点只包含与i节点相连接的节点；
25、全局效率的计算公式为：
26、
27、其中，表示从节点i到j的最短有向路径长度；
28、模块度的计算公式为：
29、
30、其中，l为网络连接边数目，mi为包含节点i的模块，当mi＝mj时否则
31、其中，所述计算均值、变异系数和模糊熵为：
32、均值的计算公式为：
33、
34、其中n为时间序列维度，xi为时间序列中第i个值；
35、变异系数的计算公式为：
36、
37、其中σ是时间序列的标准差，是时间序列的均值；
38、模糊熵的计算公式为：
39、fuzzyen(m,r,n)＝lnφm(r)-lnφm+1(r)
40、其中，m为相空间嵌本文档来自技高网...
【技术保护点】
1.一种基于EEG脑网络的精神分裂症自动检测装置，其特征在于，所述装置包括：
2.根据权利要求1所述的一种基于EEG脑网络的精神分裂症自动检测装置，其特征在于，所述数据采集模块的工作流程为：
3.根据权利要求1所述的一种基于EEG脑网络的精神分裂症自动检测装置，其特征在于，所述动态有向脑网络为：
4.根据权利要求1所述的一种基于EEG脑网络的精神分裂症自动检测装置，其特征在于，所述计算聚类系数、局部效率、全局效率和模块度为：
5.根据权利要求1所述的一种基于EEG脑网络的精神分裂症自动检测装置，其特征在于，所述计算均值、变异系数和模糊熵为：
6.根据权利要求4所述的一种基于EEG脑网络的精神分裂症自动检测装置，其特征在于，所述对拓扑参数动态特征进行基于决策融合的支持向量机SVM分类识别为：
【技术特征摘要】
1.一种基于eeg脑网络的精神分裂症自动检测装置，其特征在于，所述装置包括：
2.根据权利要求1所述的一种基于eeg脑网络的精神分裂症自动检测装置，其特征在于，所述数据采集模块的工作流程为：
3.根据权利要求1所述的一种基于eeg脑网络的精神分裂症自动检测装置，其特征在于，所述动态有向脑网络为：
4.根据权利要求1所述的一种基于eeg脑网络的...
【专利技术属性】
技术研发人员：明东，常远，刘爽，王孝娟，陈思彤，张波，刘潇雅，
申请(专利权)人：天津大学，
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。