System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及生物医学,尤其涉及神经科学,具体是指一种基于机器学习实现冰毒成瘾识别和渴求判别的方法、装置、处理器及其计算机可读存储介质。
技术介绍
1、成瘾者表现出对药物持续的精神依赖(高渴求)、异常冲动等行为特征,均介导复吸和暴力等高风险行为。其中,渴求是导致成瘾者复吸的直接原因。通过识别冰毒成瘾者渴求的脑电标志物,可作为戒断期复吸的客观标志物,有助于协助医生对冰毒成瘾者诊断、监测、治疗和预后至关重要。头皮脑电图(eeg)具有高时间分辨率、低成本和易于数据采集的优点,为转换冰毒成瘾者渴求的生物标志物提供了一条可行的途径。然而,传统的32或64通道头皮脑电图在源定位分析中表现不佳,其中体积传导的影响可以显著改变头皮脑电图信号。值得注意的是,使用高密度脑电图(128通道或更高)可以在很大程度上减轻体积传导的影响。高密度脑电图系统可提供对大脑各个区域和全局活动的源重构,通过该系统可以通过应用精确的源成像来重建大脑活动。
2、现有的技术:1.假设驱动型,研究人员比较不同的组(例如,一组冰毒成瘾者和一组健康对照组),以根据先验假设探究特定神经信号的临床相关性。例如,先前的研究表明,甲基苯丙胺滥用者慢波活动(δ和θ)的增加和内侧前额叶皮层(mpfc)β带同步性的增加与线索渴求的增强有关。在这种方法中,使用先前的脑电图证据来确定将要测量的神经指标、将要测试的人群以及将要进行的分析方法。使用这种方法,尽管多个大脑区域已被确定与冰毒的渴求相关,并能够区分健康对照组和冰毒成瘾者,但这些关联和统计上显著的差异并没有为冰毒成瘾者产生强有力
3、2.数据驱动的机器学习方法,该方法使用各种神经生物学特征进行冰毒成瘾者分类和渴求预测。前期提出绝对脑电功率和皮肤电流反应的平均值和标准差对冰毒成瘾个体和健康对照进行分类(3,4),但相对低密度脑电在有效建模输入连接拓扑特征方面提出了挑战。到目前为止,高密度脑电生物标志物还没有成功地用于预测冰毒成瘾,并以可靠的方式在个体水平上识别冰毒成瘾个体。
技术实现思路
1、本专利技术的目的是克服了上述现有技术的缺点,提供了一种基于机器学习实现冰毒成瘾识别和渴求判别的方法、装置、处理器及其计算机可读存储介质。
2、为了实现上述目的,本专利技术的基于机器学习实现冰毒成瘾识别和渴求判别的方法、装置、处理器及其计算机可读存储介质如下:
3、该基于机器学习实现冰毒成瘾识别和渴求判别的方法,其主要特点是,所述的方法包括以下步骤:
4、(1)对受试者进行高密度头皮静息态脑电数据的采集;
5、(2)对采集到的数据进行预处理,去除噪声数据以及伪影,得到经过预处理后的eeg时间序列;
6、(3)根据标准头部模型对获取到的时间序列数据利用预定义的脑模板进行脑区源定位处理;
7、(4)利用功能连接网络检测多个大脑区域之间的时间相关性或者相位同步;
8、(5)通过建立和验证机器学习模型,对受试者进行真实渴求表现的特征判别。
9、较佳地,所述的步骤(1)具体为:
10、对高密度脑电帽的所有头皮通道128导联进行调整,使其阻抗保持在<50kω,采样率为500hz,使用0.01~100hz的带通滤波器或者50hz的陷波滤波器对采集到的经过甲基苯丙胺诱发线索产生的静息态脑电数据进行离线滤波。
11、较佳地,所述的步骤(2)具体包括以下步骤:
12、(2.1)对采集到的高密度脑电数据进行离线预处理,将时间序列降采样到250hz,通过陷波滤波器去除50hz的工频噪声,并通过零相位有限脉冲响应滤波器在1hz~100hz之间进行带通滤波;
13、(2.2)去除包括桥接通道和噪声通道在内的坏通道并进行球面插值,阵发性节段被排斥并切除;使用独立分量分析分解独立分量,以去除眨眼、眼球运动、心跳和肌电等伪影;
14、(2.3)使用主成分分析通过降维来检测和去除不良成分,并将占总方差99.9%以上的最小主成分数确定为维数,以此获得经过预处理的eeg时间序列;
15、(2.4)通过自定义管道和eeg专家验证,将传感器级的预处理时间序列过滤为5个典型频带:delta(1~3hz)、theta(4~7hz)、alpha(8~12hz)、beta(13~30hz)和gamma(31~50hz),以此完成数据预处理。
16、较佳地,所述的步骤(3)具体包括以下步骤:
17、(3.1)使用openmeeg计算头部的三层对称边界元模型,再选择皮层表面3003个顶点的旋转偶极子,使用具有深度加权和正则化的最小范数估计方法估计成像核,且所述的成像核从头皮电极eeg映射到皮层源级电流源密度,再通过主成分分析将每个顶点在三个空间维度上的电流密度时间序列从三个正交轴缩减为一维;
18、(3.2)通过主成分分析生成表示同一感兴趣区中所有顶点的主要变化模式的时间序列,使用奇异值分解提取该时间序列的主导信号,将第一奇异向量视为感兴趣区域级别的信号;
19、(3.3)所述的31个感兴趣区域按照静息状态功能磁共振的功能连通性进行独立划分,包括vis(视觉网络):双侧初级视觉区域(v1);体感网络:双侧初级体感皮层(s1);dan(背侧注意网络):额下交界处(ifj)、顶内沟(ips)、额视野(fef)和附属视野区域(sef);dmn(默认模式网络):后扣带皮层(pcc)、内侧前额叶皮层(mpfc)和角回(ang);fpn(额顶控制网络):额后中回(pmfg)、顶下叶(ipl)、眶回(orb)和颞叶中回(mtg);以及van(腹侧注意网络):额前中回(amfg)、岛状回(ins)、背侧前扣带回皮质(dacc)和上缘回(sup)。
20、较佳地,所述的步骤(4)具体为:
21、使用虚部一致性计算5个频段中的每一个频段和2个静息眼条件中的每种条件下465个独特roi对的虚部一致性的连接性,以获取皮层层面感兴趣脑区之间的相互作用,将sij,t(f)表示为x_i(t)和x_j(t)在时间点或试验t的交叉谱密度,其中,sij,t(f)表示为:
22、sij,t(f)=<xi,t(f)xj,t*(f)>,
23、其中,*表示复共轭,<>表示期望值;
24、将s_i,j(f)表示为交叉谱,虚部一致性定义为:
25、
26、较佳地,所述的步骤(5)具体包括以下步骤:
27、(5.1)对源空间fcn进行组级分析,并使用错误发现率调整校正每对功能连接的p值;
28、(5.2)使用基于成瘾人群渴望预测和异常成瘾人群识别的生物标志物机器学习模型,用于评估两种生物标志物之间的强度;
29、(5.3)使用具有高密度脑电数据线性核的关联向量机来构建稀疏线本文档来自技高网...
【技术保护点】
1.一种基于机器学习实现冰毒成瘾识别和渴求判别的方法,其特征在于,所述的方法包括以下步骤:
2.根据权利要求1所述的基于机器学习实现冰毒成瘾识别和渴求判别的方法,其特征在于,所述的步骤(1)具体为:
3.根据权利要求1所述的基于机器学习实现冰毒成瘾识别和渴求判别的方法,其特征在于,所述的步骤(2)具体包括以下步骤:
4.根据权利要求3所述的基于机器学习实现冰毒成瘾识别和渴求判别的方法,其特征在于,所述的步骤(3)具体包括以下步骤:
5.根据权利要求4所述的基于机器学习实现冰毒成瘾识别和渴求判别的方法,其特征在于,所述的步骤(4)具体为:
6.根据权利要求5所述的基于机器学习实现冰毒成瘾识别和渴求判别的方法,其特征在于,所述的步骤(5)具体包括以下步骤:
7.一种基于机器学习实现冰毒成瘾识别和渴求判别的装置,其特征在于,所述的装置包括:
8.一种基于机器学习实现冰毒成瘾识别和渴求判别的处理器,其特征在于,所述的处理器被配置成执行计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现权利要
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述的计算机程序可被处理器执行以实现权利要求1~6中任一项所述的基于机器学习实现冰毒成瘾识别和渴求判别的方法的步骤。
...【技术特征摘要】
1.一种基于机器学习实现冰毒成瘾识别和渴求判别的方法,其特征在于,所述的方法包括以下步骤:
2.根据权利要求1所述的基于机器学习实现冰毒成瘾识别和渴求判别的方法,其特征在于,所述的步骤(1)具体为:
3.根据权利要求1所述的基于机器学习实现冰毒成瘾识别和渴求判别的方法,其特征在于,所述的步骤(2)具体包括以下步骤:
4.根据权利要求3所述的基于机器学习实现冰毒成瘾识别和渴求判别的方法,其特征在于,所述的步骤(3)具体包括以下步骤:
5.根据权利要求4所述的基于机器学习实现冰毒成瘾识别和渴求判别的方法,其特征在于,所述的步骤(4)具体为:
6.根据权利要求5所述的基...
【专利技术属性】
技术研发人员:袁逖飞,赵迪,吴畏,田维文,
申请(专利权)人:上海市精神卫生中心上海市心理咨询培训中心,
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。