项目9 -生物信息识别

信息技术与人工智能基础项目9

生物信息识别01项目背景02思维导图03思政聚焦04项目相关知识05项目任务目录CONTENTS06项目小结与展望01项目背景生物医学信号概述生物医学信号是人体生命信息的集中体现!是窥视生命现象的一个窗口。因此，深入进行生物医学信号检测与处理理论与方法的研究对于认识生命运动的规律，探索疾病预防与治疗的新方法以及发展医疗仪器这一高新技术产业都具有极其重要的意义。02思维导图项目五思维导图03课程思政近年来，我国发布了多条全国性政策和医疗人工智能专项政策，人工智能医疗上升为国家战略。我国医疗需求不断提升的同时，医疗资源分配不均，医护人员短缺等问题仍然十分严峻，而人工智能刚好弥补了这一短缺，加之人工智能医疗的政策规划不断落地，更加速我国人工智能医疗的发展。现阶段，人工智能+医疗主要有八大应用场景，分别是虚拟助理、医学影像、辅助诊疗、疾病风险预测、药物挖掘、健康管理、医院管理和辅助医学研究平台。

我国居民心理行为问题和精神障碍的人群逐渐增加，民众心理健康问题日益凸显，国家对于心理健康和精神卫生的问题也越来越重视,各种相关政策陆续出台。精神疾病不仅降低个人的生活质量，还会导致医疗支出增加。人工智能的进步正把心理治疗带给更多需要它的人。04项目知识准备常见的生理信号人体给出的信号非常丰富，每一种信号都携带着对应一个或几个器官的生理或病理的信息。这些信号可大致分为电生理信号、非电生理信号、人体生理特征信号、生化信号和生物信息。电生理信号

其中，重要的是心电信号(ECG)、脑电信号(EEG)和肌电信号(EMG)。其次是胃电信号、眼视网膜信号和眼电信号。这些电信号源自于人体内细胞膜内外的电位差。亿万细胞的电活动通过人体组织传到体表，并叠加在人体不同部位形成了相应的电生理信号。只要人的生命特征存在，这些电生理信号总存在。电生理信号

心电信号心电信号是反映人体心脏情况的信号。心电信号的应用已经走进了我们的日常生活。除了医院使用的专业仪器，市场上也有很多穿戴式设备可以用于日常的ECG信号检测，如AppleWatch,华为手表,和Fitbit等。图6-1展示了AppleWatch.

图6-1AppleWatch电生理信号

脑电信号脑电图(EEG)是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息,在临床医学方面,脑电信号处理不仅可为某些脑疾病提供诊断依据,而且还为某些脑疾病提供了有效的治疗手段。在工程应用方面,人们也尝试利用脑电信号实现脑-计算机接口(BCI)。

图6-2EEG脑电信号脑电（Electroencephalogram，EEG）是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。脑电信号的电压很小，需要高精度的仪器才能探测到。常用于脑电分析的频域特征有α、β、δ、θ和γ等。脑电信号α频率于8-13Hz之间，大多发生在成人时期中，是节律性脑电波中最明显的波，通常出现在头的后部，在头两侧都会有，主导侧的振幅会比较高。当清醒的人处于放松或者闭眼状态时，可以在枕叶区探测的EEG中检测到alpha波。α代表放松的状态，是学习与思考的最佳脑波状态。脑电信号

β波频率于13-30Hz之间，通常振幅小于30uV，会出现于所有年龄层的警戒状态以及被个人期望所引发的焦虑情绪中。β波涉及有意识的思想，逻辑思维，适量的β波帮助我们集中精力完成任务，有利于学习等认知行为，但是当β波过多的时候身体处于紧张的状态，容易引发焦虑和压力。脑电信号

γ波频率位于30-70Hz之间，与情绪稳定、正面思考有关。近年研究发现，此波和选择性注意力有关。当此波形出现大幅波动时，表示受试者喜欢被测试的对象。出现该频段时人通常处于十分激动、亢奋的状态，或是受到了强烈的刺激。脑电信号δ波频率范围0-4Hz，与最深层次的放松和恢复，愈合、睡眠有关。有助于我们在睡眠良好后彻底恢复活力。太多的δ波与脑损伤、学习问题有关，太少则可能无法兴奋大脑。脑电信号θ波频率位于4-8Hz之间，有助于帮助改善我们的直觉，创造力，大多出现于幼童时期或是成人半睡半醒的状态以及意识静止的冥想放松状态之间。太多的θ波与多动症、注意力不集中有关，太少则与焦虑、压力大有关。最佳状态时有助于发挥创意和放松。这些意识的组合，形成了一个人的内外在的行为、情绪及学习上的表现。电生理信号

肌电信号肌电信号（EMG）是众多肌纤维中运动单元动作电位（MUAP）在时间和空间上的叠加。表面肌电信号（SEMG）是浅层肌肉EMG和神经干上电活动在皮肤表面的综合效应，能在一定程度上反映神经肌肉的活动。SEMG在临床医学、人机功效学、康复医学以及体育科学等方面均有重要的实用价值。

图6-3肌电信号示意图情绪识别情感是人类在适应社会环境的过程中所逐渐形成的一种机制。情绪本身具有非常高的复杂性和抽象性，通常将情绪分为离散型模型和连续型模型两种。离散型情绪包括生气、讨厌、害怕、高兴、悲伤和惊讶等6种基本情绪类别，连续型情绪模型可以从维度观的角度进行理解，情绪的维度空间模型又可以分为二维、三维等不同类型。二维连续型模型如图6-3所示。图6-4情绪的连续型二维空间表示，情绪识别脑电信号可以用于情绪的识别。在基于脑电信号的情绪识别任务中，需要对脑电信号进行预处理以提高信号的质量，预处理一般包括降采样、滤波、去除伪迹以及特征提取等环节。对情绪的识别主要包含以下步骤：（1）诱导情绪（2）数据预处理（3）特征提取和特征选择（4）训练模型情绪识别如果采用离散情绪模型，那么情绪识别任务将是一个分类任务。对于分类任务，有许多的分类模型可以选择。传统的有监督和无监督等机器学习模型包括KNN、SVM、NaiveBayes、决策树、GBDT、K-means等模型。本任务中，我们选择支持向量机（supportvectormachines，SVM）作为分类器。支持向量机是一种二分类模型，本质上是寻找一个最佳的超平面将数据点区分。图6-5为支持向量机的示意图。图6-4支持向量机专注力分析脑电波含有丰富的特征。我们可以使用δ、θ、α、β和γ这5个基本特征来构建一个或多个特征，然后使用这些特征来代表注意力的程度。θ与β的比率是一个常用的用来观察注意力的特征。当β增加，θ减少时，θ/β的比值将下降，代表注意力程度上升。专注力分析是一个活跃的研究领域，基于脑电图的研究可以帮助我们评估和增强注意力等认知功能。通过绘制脑电波指标的曲线可以观察到一个人的注意力是如何变化的。压力分析传统的压力评估方法依赖于评估者的主观经验，并且受测者可能会试图隐藏自己的真实心理状态。利用生理信号来测试压力更为客观。自主神经系统(ANS)会影响心脏的活动，因此可以通过ECG信号进行心理压力的检测。心率变异性是近年来比较受关注的无创心电检测指标之一，基于心电图(ECG)的时域和频域信息可以分别计算心率(HR)和心率变异性(HRV),利用这些信息可以计算个人的心理压力状况。图6-4心电信号波形04项目任务任务1：情绪识别任务描述在进行情绪识别任务时，既可以使用一种生理信号，也可以将多种生理信号融合为了识别情绪。多种信号融合被认为有助于提高识别的精度，但这需要更多的传感器和更大的计算量。任务1只使用脑电信号进行情绪识别。任务2：专注力分析任务描述专注力分析是一个活跃的研究领域，基于脑电图的研究可以帮助我们评估和增强注意力等认知功能。通过绘制脑电波指标的曲线可以观察到一个人的注意力是如何变化的。任务3：压力分析任务描述一般来说，较低的HRV表示身体正承受一些压力，可能在心理上造成压力的事件都会对HRV有影响;较高的HRV(心跳跳动的变动量较大）通常表示身体能承受较高的压力或是正在从先前累积的压力当中恢复。通过心率变异性的各项指标可以计算得到压力指数，这是一个连续的变量，为了进行分类任务，需要对计算得到的压力指数进行离散化。由于只需要区分“有压力”和“无压力”，因此，只需要指定两种标签就可以了。04展望