基于生理信号同步和多特征融合的抑郁状态检测系统技术方案

本发明专利技术公开了基于生理信号同步和多特征融合的抑郁状态检测系统，包括：时间同步采集模块，采用时间同步的方式对心电信号和光电容积脉搏波信号进行采集；预处理模块，对采集的心电信号和光电容积脉搏波信号分别进行预处理；多特征提取模块，对预处理后的心电信号和光电容积脉搏波信号，分别提取出人工经验抑郁状态特征；对预处理后的心电信号和光电容积脉搏波信号，分别提取出深度网络抑郁状态特征；将两种信号的两类特征进行融合，得到最终的抑郁状态特征矩阵；抑郁状态检测模块，被配置为：利用训练后的抑郁状态识别网络，对最终的抑郁状态特征矩阵进行识别，输出检测结果；检测结果，包括：健康、轻度抑郁、中度抑郁和重度抑郁四种状态。四种状态。四种状态。

【技术实现步骤摘要】
基于生理信号同步和多特征融合的抑郁状态检测系统


[0001]本专利技术涉及生物医学信号处理
，特别是涉及基于生理信号同步和多特征融合的抑郁状态检测系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]抑郁症是当今世界范围内的常见心理疾病，以显著而持久的心境低落或丧失兴趣与愉悦感为主要临床特征，其患者常具有心境低落、兴趣丧失、性格孤僻的特点，深度抑郁患者甚至会引发危害生命安全的危险行为，给个人、家庭以及社会的发展带来了严重的负面影响。
[0004]及时诊断是有效治疗的前提，但目前对于抑郁症的精准诊断方法尚不成熟。临床上，医师主要通过综合与受试者的交谈情况和受试者填写的各种量表进行受试者的抑郁状态判断，对医师的经验依赖度极高，主观因素较大，医师的培养也面临着周期长、投入大的困难。同时，因为抑郁症患者大多具有回避性人格，这也对抑郁症的临床诊疗增添了困难。
[0005]近年来，随着计算机技术和数学理论的发展，计算机辅助诊断技术在抑郁症的诊断上得到了应用。现有的抑郁状态辅助诊断技术中，大多以单一的生理信号为分析对象，存在着信息单一、深度不足，所建模型或算法普遍存在鲁棒性差、精确度低等问题；已有的多信号融合辅助诊断技术，所采集分析的多种生理信号并没有保持在时间尺度上的同步性，在分析处理时没有兼顾不同生理信号节律信息的时间一致性，存在着特征提取不够全面等问题。

技术实现思路

[0006]为了解决现有技术的不足，本专利技术提出了一种基于生理信号同步和多特征融合的抑郁状态检测系统；
[0007]第一方面，本专利技术提供了基于生理信号同步和多特征融合的抑郁状态检测系统；
[0008]基于生理信号同步和多特征融合的抑郁状态检测系统，包括：
[0009]时间同步采集模块，其被配置为：采用时间同步的方式对心电信号和光电容积脉搏波信号进行采集；
[0010]预处理模块，其被配置为：对采集的心电信号和光电容积脉搏波信号分别进行预处理；
[0011]多特征提取模块，其被配置为：对预处理后的心电信号和光电容积脉搏波信号，分别提取出人工经验抑郁状态特征；对预处理后的心电信号和光电容积脉搏波信号，分别提取出深度网络抑郁状态特征；将两种信号的两类特征进行融合，得到最终的抑郁状态特征矩阵；
[0012]抑郁状态检测模块，其被配置为：利用训练后的抑郁状态识别网络，对最终的抑郁状态特征矩阵进行识别，输出检测结果；所述检测结果，包括：健康、轻度抑郁、中度抑郁和
重度抑郁四种状态。
[0013]第二方面，本专利技术还提供了一种电子设备，包括：
[0014]存储器，用于非暂时性存储计算机可读指令；以及
[0015]处理器，用于运行所述计算机可读指令，
[0016]其中，所述计算机可读指令被所述处理器运行时，执行以下步骤：
[0017]采用时间同步的方式对心电信号和光电容积脉搏波信号进行采集；
[0018]对采集的心电信号和光电容积脉搏波信号分别进行预处理；
[0019]对预处理后的心电信号和光电容积脉搏波信号，分别提取出人工经验抑郁状态特征；对预处理后的心电信号和光电容积脉搏波信号，分别提取出深度网络抑郁状态特征；将两种信号的两类特征进行融合，得到最终的抑郁状态特征矩阵；
[0020]利用训练后的抑郁状态识别网络，对最终的抑郁状态特征矩阵进行识别，输出检测结果；所述检测结果，包括：健康、轻度抑郁、中度抑郁和重度抑郁四种状态。
[0021]第三方面，本专利技术还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行以下步骤：
[0022]采用时间同步的方式对心电信号和光电容积脉搏波信号进行采集；
[0023]对采集的心电信号和光电容积脉搏波信号分别进行预处理；
[0024]对预处理后的心电信号和光电容积脉搏波信号，分别提取出人工经验抑郁状态特征；对预处理后的心电信号和光电容积脉搏波信号，分别提取出深度网络抑郁状态特征；将两种信号的两类特征进行融合，得到最终的抑郁状态特征矩阵；
[0025]利用训练后的抑郁状态识别网络，对最终的抑郁状态特征矩阵进行识别，输出检测结果；所述检测结果，包括：健康、轻度抑郁、中度抑郁和重度抑郁四种状态。
[0026]与现有技术相比，本专利技术的有益效果是：
[0027](1)本专利技术所使用的光电容积脉搏波信号和心电信号数据获取更为容易，检测过程较为简单，实用性较强，检测费用低；
[0028](2)本专利技术使用了人体生理信号中的光电容积脉搏波信号和心电信号，实现了在抑郁状态的检测中生理信号的融合；
[0029](3)本专利技术对于同一生理信号，提取了人工经验特征和深度网络特征两类抑郁状态特征，完成抑郁状态特征的融合，在抑郁状态的检测中更具优势；
[0030](4)本专利技术所使用的光电容积脉搏波信号和心电信号是时间同步采集的，并在数据段分割、数据存储、特征提取、分类识别整个系统步骤中都遵循时间同步处理的准则，保留了两种生理信号在时间维度上的信息一致性，在生理信号的多级融合中更具优越性；
[0031](5)本专利技术技术输出检测结果为健康、轻度抑郁、中度抑郁和重度抑郁四种状态，进一步实现了对受试者抑郁状态更为准确的检测；
[0032](6)本专利技术将光电容积脉搏波信号与心电信号相结合，应用于抑郁状态的筛查或临床辅助诊断，能够快速、准确地对抑郁症患者进行初步辨识，与临床量表的检测结果相比更加具有客观性，也使得医生更有针对性地进行后续的问诊或治疗。
附图说明
[0033]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示
意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0034]图1是本专利技术实施例所述的一种基于生理信号同步和多级融合的抑郁状态检测系统的结构示意图；
[0035]图2是本专利技术实施例的信号预处理流程示意图；
[0036]图3是本专利技术实施例的三层小波包分解示意图；
[0037]图4是本专利技术实施例的ECG信号去噪效果示意图；
[0038]图5是本专利技术实施例的PPG信号去噪效果示意图；
[0039]图6是本专利技术实施例的时间同步窗口滑动剪切操作示意图；
[0040]图7是本专利技术实施例的数据段存储方式示意图；
[0041]图8是本专利技术实施例的特征提取模块结构示意图；
[0042]图9是本专利技术实施例的ECG信号R波识别效果示意图；
[0043]图10是本专利技术实施例的PPG信号S点和P点识别效果示意图；
[0044]图11是本专利技术实施例的一维卷积神经网络一般性结构示意图；
[0045]图12是本专利技术实施例的抑郁状态深度特征提取器结构示意图；
[0046]图13是本专利技术实施例的抑郁状态识别网络结构示意图。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于生理信号同步和多特征融合的抑郁状态检测系统，其特征是，包括：时间同步采集模块，其被配置为：采用时间同步的方式对心电信号和光电容积脉搏波信号进行采集；预处理模块，其被配置为：对采集的心电信号和光电容积脉搏波信号分别进行预处理；多特征提取模块，其被配置为：对预处理后的心电信号和光电容积脉搏波信号，分别提取出人工经验抑郁状态特征；对预处理后的心电信号和光电容积脉搏波信号，分别提取出深度网络抑郁状态特征；将两种信号的两类特征进行融合，得到最终的抑郁状态特征矩阵；抑郁状态检测模块，其被配置为：利用训练后的抑郁状态识别网络，对最终的抑郁状态特征矩阵进行识别，输出检测结果；所述检测结果，包括：健康、轻度抑郁、中度抑郁和重度抑郁四种状态。2.如权利要求1所述的基于生理信号同步和多特征融合的抑郁状态检测系统，其特征是，所述对采集的心电信号和光电容积脉搏波信号分别进行预处理，包括：对采集的心电信号和光电容积脉搏波信号均进行降采样处理、滤波处理和平滑处理，采用有重叠的时间同步滑动窗口，对平滑处理后的信号进行剪切，将心电信号和光电容积脉搏波信号同步剪切为若干个等长的数据段，将数据段按照时间同步的顺序对应存储。3.如权利要求2所述的基于生理信号同步和多特征融合的抑郁状态检测系统，其特征是，所述滤波处理，包括：采用小波包变换算法去除心电信号中的噪声成分，和采用小波包变换算法去除光电容积脉搏波信号中的噪声成分；所述采用小波包变换算法去除心电信号中的噪声成分，包括：心电信号重采样频率为256Hz，则信号的最高有效频率为128Hz；选用sym8小波基，将信号进行8层小波包分解，在第八层，0
‑
128Hz的信号频段被平均分割为28＝256个子频带，每一个子频带的频带长为128/256＝0.5Hz；基线漂移干扰的频率低于0.5Hz，经过八层小波包分解后，第八层所得子频带中的第一个子频带的频率范围为0～0.5Hz，提取出第八层所得子频带中的第一个子频带的小波包系数，经小波包逆变换得到其时域信号x1(n)，则x1(n)表示基线漂移干扰成分；工频干扰的频率为50Hz，经过小波包分解后，在第八层所得的子频带中，第100和第101个子频带的频率范围分别为49.5Hz～50Hz和50Hz～50.5Hz，提取出这两个频带信号的小波包系数，经小波包逆变换得到时域信号x2(n)，则x2(n)表示工频干扰成分；心电信号的能量成分分布在低于100Hz的频带范围内，对于100Hz以上的高频成分，经过八层小波包分解后，其在第八层所得子频带中，位于第201及其以后的子频带中，提取出这些频带的小波包系数，经小波包逆变换得到时域信号x3(n)，则x3(n)表示高频肌电干扰成分；设经过降采样后的心电信号为x(n)，则去除噪声干扰后的心电信号y(n)可由如下公式计算得到：y(n)＝x(n)
‑
x1(n)
‑
x2(n)
‑
x3(n)。4.如权利要求1所述的基于生理信号同步和多特征融合的抑郁状态检测系统，其特征是，所述对预处理后的心电信号和光电容积脉搏波信号，分别提取出人工经验抑郁状态特征，包括：
对心电信号的特征点进行识别；对光电容积脉搏波信号的特征点进行识别；基于心电信号的特征点，计算出心电信号的人工经验抑郁状态特征；基于光电容积脉搏波信号的特征点，计算出光电容积脉搏波信号的人工经验抑郁状态特征；所述心电信号的人工经验抑郁状态特征，和光电容积脉搏波信号的人工经验抑郁状态特征，均包括：LZ复杂度、模糊熵、排列熵和波形特征点间期序列的均值、标准差、相邻间期序列差的均方根。5.如权利要求4所述的基于生理信号同步和多特征融合的抑郁状态检测系统，其特征是，所述对心电信号的特征点进行识别，具体包括：对心电信号的R波的识别，对心电信号完成归一化后，计算信号的整体均值avr1，设定幅度阈值t1＝2.2avr1，计算大于t1部分信号的前向一阶差分，搜索满足极大值差分条件的点，并记录其时间位置，所记录的时间位置为心电信号R波的位置，过程如下：设归一化后的心电信号为x＝{x1,x2,x3,..,x
n
}，整体均值：根据幅度阈值和整体均值，对心电信号实施以下变换，更新x
i
，其一阶前向差分Y＝{y1,y2,y3,..,y
n
‑1}，其中y
i
＝x
i+1
‑
x
i
,i＝1,2,3,..,n
‑
1；查找Y中的过零点，其中，y
i
>0且y
i+1
<0的点称为一阶前向差分Y的过零点，搜索Y中满...

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