一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统

摘要

本发明涉及一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵，将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。该方案基于脑神经信号，克服了传统冰毒检测的缺点，提出了一种冰毒检测的新型方法，大大增加了检测的有效时间，最终经过测试，检测准确率也得到了很大提高。

说明书

技术领域

本发明涉及特征检测技术领域，具体涉及一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统。

背景技术

冰毒于90年代进入中国境内，由于对冰毒的认知较少且缺乏有效的检测手段，使得对吸毒者的检测难度很高。

冰毒的主要成分为甲基苯丙胺，又名去氧麻黄碱，因纯度较高的冰毒为透明结晶体，与冰糖极为相似，所以也被称为冰毒。过量吸食冰毒不仅会使人产生极强的依赖性，同时会引起甲基苯丙胺精神病和精神分裂症等症状。目前对于冰毒(甲基苯丙胺)的检测方法多为尿液与血液检测。传统的尿液与血液检测方法主要通过检测人体尿液或者血液中的成分来判断人员是否吸毒，但经过人体正常的新陈代谢，经过一段时间后尿液与血液中的成分恢复正常，便无法检测出其是否吸毒。因此传统方法仅能够检测出近期吸食过冰毒的人员，而对于长时间未接触过冰毒的人员则很难进行准确的检测。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统，提出在冰毒检测技术中采取多通道fNIRS采集方式，并采用有向转移函数算法，对多个通道信号之间有向转移函数的值进行分析，然后将具有显著差异的通道对有向转移函数的值作为分类特征，送入到机器学习算法中实现分类。

本发明解决上述技术问题的技术方案如下：

第一方面，本发明提供一种基于多通道fNIRS信号的冰毒成瘾者检测方法，包括以下步骤：

通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；

对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵，

将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。

进一步的，所述的预处理操作包括滤波、分割、基线校正和叠加平均。

进一步的，所述的预处理操作，具体包括：

对fNIRS信号进行滤波，滤波参数设置分别为0.03-0.1Hz带通滤波；滤波后将刺激前1s至刺激后15s的fNIRS数据作为一个epoch进行分割，称此epoch为一个S2刺激响应；以刺激前1s数据作为基线进行基线校正，接着对数据中每5个epoch进行一次叠加平均。

进一步的，所述的各个通道fNIRS信号之间有向转移函数的值的计算方法如下：

对于给定的时间滞后r，考虑一个维数为M的p阶多变量自回归过程，即同时测量M个信号x

其中A

通过计算功率谱密度矩阵可以得到fNIRS信号的频域表达：

S(f)＝H(f)∑H

其中(.)

根据公式(1)和(2)得到：

h(f)表示转移函数矩阵H(f)的列向量；

j通道fNIRS信号到i通道fNIRS信号的有向转移函数值DTF为：

式(3)中，H

进一步的，在对测试者进行测试之前还包括，对所述分类器进行训练，所述分类器的训练过程包括：

通过多通道fNIRS通道分别对成瘾和健康两类受试者的fNIRS信号进行实时提取，分别得到两类受试者的多通道fNIRS信号并保存；

对两类受试者的各个通道fNIRS信号依次进行预处理操作，得到两类受试者各个通道成瘾刺激对应的fNIRS信号；

分别对两类受试者的各个通道fNIRS信号之间有向转移函数的值进行计算，生成与两类受试者所对应的两组有向转移函数矩阵；

计算两类受试者对应的平均有向转移函数矩阵，对每个连接对的两组有向转移函数的平均值进行t-test统计检验，使用Bonferroni多重校正，得到具有显著性差异的两组有向转移函数平均值对应的邻接边；

利用两类受试者具有显著性差异的邻接边的有向转移函数值构建特征向量作为样本数据，对初始机器学习模型进行K折交叉验证，获得具有最佳参数组合的分类器。

进一步的，所述的K折交叉验证所述的K折交叉验证包括：在交叉验证的每折中，将K-1份成瘾组的样本数据和K-1份健康组的样本数据用于训练集，剩余1份成瘾组的样本数据和1份健康组的样本数据用于测试集。

进一步的，所述分类器采用Fisher分类器。

第二方面，本发明提供一种基于多通道fNIRS信号的冰毒成瘾者检测系统，包括：

信号提取模块，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存；

预处理及矩阵生成模块，对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵，

分类检测模块，将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。

第三方面，本发明提供一种电子设备，包括：

存储器，用于存储计算机软件程序；

处理器，用于读取并执行所述存储器中存储的计算机软件程序，进而实现本发明第一方面所述的一种基于多通道fNIRS信号的冰毒成瘾者检测方法。

第四方面，一种非暂态计算机可读存储介质，该存储介质中存储有用于实现本发明第一方面所述的一种基于多通道fNIRS信号的冰毒成瘾者检测方法。

本发明的有益效果是：

首先，fNIRS(功能性近红外光谱技术)利用血液的主要成分对600-900nm近红外光良好的散射性，从而获得大脑活动时氧合血红蛋白和脱氧血红蛋白的变化情况。现有技术中还没有出现利用fNIRS技术进行冰毒毒瘾检测的案例。

其次，该方法在进行定量描述电活动的传播方向及其频率含量中是一种鲁棒性非常强的方法。即使是在真实信号比噪声幅值低几倍的情况下(信噪比很低的情况下)，依旧可以得出较好的信息流分析结果。相较于其他算法，该方法在面对多于两通道的多通道信号可以得到更好的分析结果。

第三，本发明提供的方法测试时间短，数据处理便捷；在检测的同时可以对冰毒成瘾者的成瘾程度有大致的了解，方便评测冰毒戒除的效果。

附图说明

图1为本发明实施例提供一种基于多通道fNIRS信号的冰毒成瘾者检测方法流程图；

图2为本发明实施例提供的分类器构建方法流程图。

图3为本发明实施例提供的12折交叉验证的fNIRS信号处理流程图；

图4为本发明实施例提供的具体实验流程图；

图5为本发明实施例提供的fNIRS通道图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

由于冰毒主要依靠影响人的中枢神经来使人产生快感从而产生对冰毒的依赖性，因此在执行相同任务时，冰毒成瘾者的fNIRS图信号与正常人之间存在较大差异。

实施例1

本发明实施例公开了一种基于多通道fNIRS信号有向转移函数的冰毒检测方法，包括对两类受试者的各个通道fNIRS信号之间的有向转移函数值进行计算，生成两类受试者的有向转移函数矩阵；将具有显著差异的通道对的有向转移函数的值作为分类特征，送入到机器学习算法中，进行机器学习的模型训练，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存，并将各个通道fNIRS信号进行各个预处理操作后，对测试者的各个通道fNIRS信号之间有向转移函数值的进行计算，生成测试者的有向转移函数矩阵，并作为输入送入到训练好的分类器中，得到检测结果。该方案基于脑神经信号，克服了传统冰毒检测的缺点，提出了一种冰毒检测的新型方法，大大增加了检测的有效时间，最终经过测试，检测准确率也得到了很大提高。

具体的，该方法包括构建分类器和检测两部分，其中：

如图1所示，构建分类器包括以下步骤：

步骤1，构建样本集，通过多通道fNIRS通道分别对成瘾和健康两类受试者的fNIRS信号进行提取；

本实施例选取7，12，29，30，39，40共6个通道，如图5所示，这六个通道分别位于额叶和中央区域。额叶负责判断、计划、做决策、思维、记忆等高级认知活动，与智力与精神活动有密切联系；中央区域具有躯体感觉皮层，可感觉躯体信息。

本实施例选取了36名平均年龄在24.83±4.9岁左右的冰毒成瘾女性及健康女性作为受试者。入组标准为：1)达到冰毒依赖标准，但对其它物质没有依赖或者滥用(如可卡因、海洛因、大麻、酒精、尼古丁等)；2)没有精神疾病或脑部创伤；3)在实验前两周没有使用对精神活动有影响的药物。22位健康对照组被试与冰毒成瘾组被试在年龄和教育程度上进行了匹配，对照组被试没有药物使用经历。

采用改良的双选择oddball实验模式，一共有3个block，每个block有100个试次，其中70个标准试次，15个成瘾偏差试次，15个对照偏差试次，标准刺激的图片为篮球图片，偏差图片冰毒相关图片和中性图片各45张。具体实验流程见下图4，在电脑屏幕上首先呈现注视点“+”300ms,接下来呈现一个jitter刺激间隔(ISI：1000-1500ms),之后呈现目标刺激15s，要求被试对出现的篮球图片按F键，对非篮球图片按J键。

步骤2，fNIRS数据预处理：由于已经有研究证实在S2刺激时者冰毒成瘾者与健康者的fNIRS波形有显著差异，因此本发明主要研究S2刺激对应的fNIRS信号。将连续的fNIRS波形依次进行滤波、分割、基线校正和叠加平均等操作，滤波参数设置分别为0.03-0.1Hz带通滤波。将刺激前1s至刺激后15s的fNIRS数据作为一个epoch进行分割，称此epoch为一个S2刺激响应，以刺激前1s数据作为基线进行基线校正。原始的fNIRS信号信噪比极低，为了去除噪声，本发明使用少次平均技术，将每名受试者所有通道上的每5个epoch进行一次叠加平均，得到两类受试者所需的S2刺激响应的数据集。S2刺激指目标刺激，在本实施例中特指冰毒图片对受试者的刺激。

步骤3，特征提取：分别计算上述预处理后两类人群的S2刺激响应的数据集的有向转移函数值，生成288个6×6×30(通道数×通道数×频率)的有向转移函数矩阵，包括成瘾人群(18人)的144个6×6×30(通道数×通道数×频率)有向转移函数矩阵以及健康人群(18人)的144个6×6×30(通道数×通道数×频率)有向转移函数矩阵。本实施例中只选取6通道fNIRS信号用于分析。本实施例中是利用HERMES工具包生成的有向转移函数矩阵(方阵)，横纵轴代表选定6个通道。对每个连接对的两组有向转移函数值进行t-test统计检验，使用Bonferroni多重校正，将具有显著性差异的邻接边的有向转移函数值作为分类特征。

所述的各个通道fNIRS信号之间有向转移函数的值的计算方法如下：

对于给定的时间滞后r，考虑一个维数为M的p阶多变量自回归过程，即同时测量M个信号x

式(1)中A

通过计算功率谱密度矩阵可以得到fNIRS信号的频域表达：

S(f)＝H(f)∑H

式(2)中(.)

根据公式(1)和(2)得到：

h(f)表示转移函数矩阵H(f)的列向量；

则j通道fNIRS信号到i通道fNIRS信号的有向转移函数值DTF为：

式(3)中，H

步骤4，模式识别分类：对上述特征集进行12折交叉验证，比如如果每组是144份数据，在每折中，将每组的132个样本数据用于训练集，剩余12个样本数据用于测试集。

步骤5，机器学习的模型，选择Fisher分类器。接着将测试集送入该分类器中，依据之前的训练结果，判断出该测试数据属于成瘾人员还是健康人员以完成测试。本研究的FNIRS信号处理流程如图3所示，

分类器构建完成后，进入检测阶段，检测过程如图2所示：通过步骤1的多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存，并将各个通道fNIRS信号进行步骤2的各个预处理操作后，利用步骤3生成测试者的有向转移函数矩阵，并作为输入送入到步骤5得到的分类器中，得到检测结果。

本方案分类准确率结果见表1。

表1分类准确率结果

本发明独辟新径，首次提出在冰毒检测技术中采取多通道fNIRS采集方式，并充分利用多通道信号分析及处理的最新成果技术，采用有向转移函数算法，对多个通道信号之间的相干性进行分析，然后将具有显著差异的通道对的有向转移函数值作为分类特征，送入到机器学习算法中实现分类，进而提高检测准确率。

本方案是采用了上述基于多道fNIRS信号的有向转移函数算法及机器学习的新方法，且本专利发明了一种基于少次刺激的检测系统，可以减少刺激次数，大大减少试验时间，从而大大降低被测试者的疲劳程度，可以大大增加冰毒检测的有效时间。

实施例2

本发明实施例提供一种电子设备，包括存储器和处理器，还包括一些外设，例如多个脑部电极等等，多个脑部电极与所述电子设备进行连接构成基于多通道fNIRS信号的冰毒成瘾者检测系统，该系统包括：

信号提取模块，由脑部电极及其与电子设备的连接通道构成，通过多通道fNIRS通道对测试者的fNIRS信号进行实时提取，得到测试者的多通道fNIRS信号并保存至所述存储器中；

所述存储器中还存储有计算机软件程序，该软件程序被所述处理器读取并执行，用于实现本发明实施例1所公开的一种基于多通道fNIRS信号的冰毒成瘾者检测方法。由此存储器中可以包括：

预处理及矩阵生成模块，对各个通道fNIRS信号进行预处理操作后，计算各个通道fNIRS信号之间有向转移函数的值，生成测试者的有向转移函数矩阵；

分类检测模块，将所述测试者的有向转移函数矩阵作为输入送入到分类器中，得到检测结果。

同时还需说明的是，计算机软件程序中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。