电信号处理和参数计算通过脑电信号去基线处理、阔值去噪处理、小波分解处 理W及谱分析和谱估计处理计算5波幅值、5波功率、5波均值、5波方差、5波偏歪度、 5波峭度、0波幅值、0波功率、0波均值、0波方差、0波偏歪度、0波峭度、a波幅 值、a波功率、a波均值、a波方差、a波偏歪度、a波峭度、P波幅值、P波功率、P波 均值、P波方差、P波偏歪度、P波峭度和小波赌；
[0019] 皮电信号处理和参数计算通过皮电信号去基线处理和小波滤波计算皮肤交感反 应潜伏期、皮肤交感反应波幅和皮肤电阻值；
[0020] 胃电信号处理和参数计算通过胃电信号去基线处理、HiAed-Huang变换处理、小 波分析处理、多分辨率分析处理和独立成分分析处理计算正常胃电节律、慢波、胃动过缓和 胃动过速成分；
[0021] 肌电信号处理和参数计算通过肌电信号去基线处理和小波包自适应阔值去噪处 理计算基础值、最小值、最高值、肌电下降能力和肌电曲线；
[0022] 眼电信号处理和参数计算通过眼电信号去基线处理、加权中值滤波处理和小波变 换处理计算R波成分、r波成分、S波成分和S波成分；
[0023] 多导睡眠信号处理和参数计算通过睡眠脑电信号去基线处理、阔值去噪处理、小 波分解处理W及谱分析和谱估计处理，睡眠眼电信号去基线处理、加权中值滤波处理和小 波变换处理，睡眠肌电信号去基线处理、小波包自适应阔值去噪处理和睡眠分期处理计算 睡眠潜伏期、睡眠总时间、觉醒指数、S1、S2、S3、S4、快速眼动百分比、快速眼动睡眠周期数、 快速眼动睡眠潜伏期、快速眼动睡眠强度、快速眼动睡眠密度和快速眼动睡眠时间；
[0024] 溫度信号处理和参数计算通过溫度信号去基线处理、阔值滤波处理和建立溫度值 与图像灰度值的关系式计算人体体内溫度分布。
[00巧]步骤2 :利用步骤1计算得到的信号参数进行归一化处理，对经过归一化处理后的 信号参数组成的参数集进行特征选择，得到特征参数集。所述的归一化处理方法：
[0026]
[0027] 其中，X是指参数集的信号参数，Xi表示第i个进行归一化的信号参数值，X1。表 示第i个归一化后的值，Xime。。表示第i个参数的正常均值，Xut康示第i个参数的正常标 准差，i是正整数。所述的特征选择分为特征捜索和评价准则两部分，其中捜索算法使用 W下算法中一种或一种W上的组合：完全捜索（CompleteSearch)、顺序捜索（Sequential Search)、随机捜索算法（RandomSearch)、遗传算法（GeneticAlgorithm)、模拟退火捜 索算法（SimulatedAnnealing)、可回溯的贪婪捜索扩张算法，评价准则可选择性地使用 Wa卵er模型或CfsSubse巧val属性评估方法。其中在评估过程中获取屯、电和脉搏波信号， 特征选择采用结合完全捜索算法与Wapper模型的方式；评估过程中，获取屯、电、皮电和多 导睡眠信号，特征选择采用结合随机捜索算法与CfsSubsetEval属性评估方法的方式。根 据采集信号种类不同，选择合适、准确度高的算法组合。
[0028] 步骤3 :根据步骤2得到的特征参数集进行机器学习，使用特征参数集在机器学习 的过程中建立抑郁评估数学模型。其中机器学习的算法可选择性地使用W下算法中一种或 一种W上组合：贝叶斯分类器度ayes)、决策树算法值ecision化ee)、AdaBoost算法、k-近 邻法化-NearestNei曲bor)、支持向量机（SVM)。抑郁评估数学模型的表达式为：
[0029]
[0030] 其中，Y是抑郁评估数学模型输出值，n是选择使用的机器学习算法数，是第i 种算法输出值，曰1是第i种算法的系数，i是正整数。建立了基于多种生理信息的抑郁评估 数学模型后，利用抑郁评估数学模型的输出结果评价抑郁等级，所述抑郁等级分为五级：正 常、一般、轻度抑郁、中度抑郁和重度抑郁。
[0031] 相对于现有技术，本发明具备W下的优点及有益效果：
[0032] 1、抑郁评估数学模型的建立具有研究基础，屯、电信号、脉搏波信号、脑电信号、皮 电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号和溫度信号的参数与抑郁相关，因此 利用基于生理信息的抑郁评估数学模型的输出结果评估抑郁等级具有可行性；
[0033] 2、利用抑郁评估数据模型的评估方式通过生理参数客观量化抑郁等级，能够改善 传统量表评估抑郁的方式，避免量表评估的主观性，符合临床需求并具有临床实用性；3、本 发明结合屯、电、脉搏波、脑电、皮电、胃电、肌电、眼电、多导睡眠和溫度的生理参数对抑郁症 进行评估，丰富了神经科学领域与屯、理学领域交叉研究的方法；
[0034] 4、本发明对屯、电信号W及脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、 眼电信号、多导睡眠信号和溫度信号中的一种信号或一种W上的信号的结合进行信号处 理、参数计算、建立数学模型，可选择多种信号组合进行评估，具有灵活性和新颖性；
[0035] 5、本发明提出对信号参数归一化处理的方法，将参数与正常样本中的均值和标准 差进行比较，消除参数在数值大小和偏差方面的差异，使参数集特征选择更加科学有效；
[0036] 6、本发明提出多种特征选择和机器学习的算法组合，根据信号类型的不同，数学 模型的建立方式更加灵活；
【附图说明】
[0037] 图1为基于生理信息的抑郁症评估系统原理图。
[0038] 图2为基于生理信息的抑郁症评估系统结构图。
【具体实施方式】
[0039] 下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限 于此。 阳〇4〇] 实施例
[0041] 如图1所示，一种基于生理信息的抑郁症评估系统，包括：信息采集模块、信号处 理模块、参数计算模块、特征选择模块、机器学习模块、输出结果模块；信息采集模块采集的 信号通过USB串口有线传输或者蓝牙无线传输的方式传输到信号处理模块中。信号处理模 块输出经过处理的信号到参数计算模块。参数计算模块输出信号参数到特征选择模块。特 征选择模块输出特征参数集到机器学习模块。机器学习模块输出抑郁等级到输出结果模 块。
[0042] 所述基于生理信息的抑郁症评估系统的结构如图2所示，所述的信息采集模块， 用于采集屯、电信号并采集脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信 号、多导睡眠信号和溫度信号中的一种信号或一种W上的信号。所述的信号处理模块，用于 处理生理信息，包括去基线处理、滤波去噪处理、提取屯、搏间期处理、时频变换处理W及谱 分析和谱估计处理等。所述的参数计算模块，用于计算经过处理的信号的信号参数，包括屯、 率变异性的时域参数、频域参数和时域几何参数，W及根据采集的生理信息选择性地计算 脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号、溫度信号 中一种或一种W上信号的时域参数、频域参数、直方图参数、分布图参数。所述的特征选择 模块，用于在全部信号参数中获取与抑郁等级相关的特征参数集。所述的机器学习模块，用 于训练抑郁等级量化的分类器，利用特征参数集建立抑郁评估数学模型，量化抑郁等级。所 述的输出结果模块，用于显示抑郁评估数学模型输出的抑郁等级。
[0043] 该系统的基于多种生理信息的抑郁症评估方法具体实施步骤如下： W44] 步骤1 :获取生理信息，生理信息包括屯、电，W及脉搏波、脑电、皮电、胃电、肌电、 眼电、多导睡眠、溫度中一种或一种W上生理信息。其中：
[0045] 屯、电信号采集可选择测量五分钟静息状态下的屯、电信号，屯、电采集采样率可W选 择500Hz或者500Hz W上；
[0046] 脉搏波采集可选择性利用红外光透射尖部位输出反应血管末稍血容积变化的脉 搏传感器采集之间脉搏信号，或者利用震感式测量法采集腕部脉搏信号，脉搏波采集采样 率可W选择500Hz或者500Hz W上；
[0047] 脑电采集可选择采用10-20系统点激发采集大脑皮层的自发脑电活动；
[0048] 皮电采集采用皮肤交感反应测试，单脉冲经皮电刺激腕部正中神经，测试皮肤交 感反应起始潜伏期和波幅，w及测试右手大鱼肌和前臂掌侧的皮肤电阻值； W例 胃电采集采用置于上腹部的体表电极测量胃肌电活动；
[0050] 肌电采集采用生物反馈仪刺激，连接前额的肌电电极测量肌电的信号；
[0051] 眼电采集采用闭眼眼球活动（CEM)测量；
[0052] 多导睡眠采用同时采集眼电、下颂肌电和脑电的方式测量睡眠时间及其参数；