一种基于静息态脑网络的抑郁识别分析系统技术方案

本发明专利技术提出的一种基于静息态脑网络的抑郁识别分析系统，包括(a)静息态脑电数据采集及预处理模块，用于采集被试者静息态脑电数据；对采集的静息态脑电数据进行预处理，(b)提取脑网络度量模块，用于构建个性化脑网络结构，从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，基于两组的共性活动脑区找出差异脑区，提取脑网络度量；(c)分类识别模块，用于对提取的脑网络度量及功能连接特征进行特征选择，并对筛选完特征的数据进行分类，实现抑郁患者和正常被试的识别。其优势是特征维度有效降低，提高计算效率，并且可以有效的实现抑郁识别。

A depression recognition and analysis system based on resting state brain network

A depression recognition and analysis system based on resting state brain network is proposed, which comprises (a) resting state EEG data acquisition and pretreatment module for acquiring resting state EEG data of subjects, pretreatment of resting state EEG data, and (b) extraction of brain network measurement module for constructing personalized brain network node. Construct, find out the common active brain regions of depression group and normal control group respectively from the personalized brain network structure, find out the different brain regions based on the common active brain regions of the two groups, extract the brain network measurement; (c) Classification and recognition module for feature selection of the extracted brain network measurement and functional connectivity features, and complete the screening. The data were classified to realize the recognition of depressive patients and normal subjects. Its advantage is that the feature dimension is effectively reduced, the computational efficiency is improved, and the depression can be effectively recognized.

【技术实现步骤摘要】
一种基于静息态脑网络的抑郁识别分析系统
本专利技术涉及网络分析以及医疗辅助研究领域，特别是涉及一种基于静息态脑网络的抑郁识别分析系统。
技术介绍
抑郁症是一种常见的心理疾病，以显著而持久的心境低落为主要临床特征，具体表现在对生活缺乏兴趣、失眠或过度睡眠、缺乏精力、无法集中注意力、无价值感、充满内疚感以及自杀的反复思考。目前，抑郁症已经影响了全世界超出3.5亿人。在17个国家的世界心理健康调查结果表明平均约20人中有一人报告在前一年中有过抑郁发作。据世界卫生组织估计，到2020年抑郁症将成为世界第二大疾病。所以及时的检测抑郁，理解抑郁的神经机制，对于有效的治疗以及减轻经济压力是至关重要的。但是，现今对于抑郁症的检测并没有一个黄金标准，依然是采用医生问诊和量表相结合的方式，存在的问题有：病人配合度低、主观偏向性强、低敏感性以及低准确性。因此，我们亟需找到一种客观准确的方法检测抑郁，而脑电信号(EEG)已经显示了能够较准确的区分抑郁症患者和正常被试。在过去的几年中，有研究表明主要的抑郁症状与一个分布的神经网络的调节异常有关，它包括皮质和边缘区域，而不是一个单独的脑区的崩溃。因此，功能连接的研究将提供重要的信息，而图论在神经科学领域中越来越多的应用在理解人脑的大规模网络结构，基于功能连接的图论分析将会提供一些网络拓扑的额外信息。从图论分析中所获取的复杂的网络度量可以用来描述人的大脑，且这些度量是可靠的、易于计算的，并且可以与一些疾病或者行为联系起来，例如，揭示精神疾病的异常。一些研究已经基于功能连接或者不同的网络度量使用机器学习技术对抑郁疾病进行分类，并优化治疗方案。但是，大脑具有个体差异性，目前用于分类的网络度量的提取是基于各个被试的整个大脑网络，带来的问题是特征维度高、计算量大。
技术实现思路
本专利技术的目的是提出一种基于静息态脑网络的抑郁识别分析系统，考虑到个体差异性，从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，并基于两组的共性活动脑区找出差异脑区，进而提取脑网络度量，并结合功能连接特征进行分类，其优势是特征维度有效降低，提高计算效率，并且可以有效的实现抑郁识别。本专利技术的技术方案是：1.一种基于静息态脑网络的抑郁识别分析系统，其特征在于，包括(a)静息态脑电数据采集及预处理模块，用于采集被试者静息态脑电数据；对采集的静息态脑电数据进行预处理，(b)提取脑网络度量模块，用于构建个性化脑网络结构，从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，基于两组的共性活动脑区找出差异脑区，提取脑网络度量；(c)分类识别模块，用于对提取的脑网络度量及功能连接特征进行特征选择，并对筛选完特征的数据进行分类，实现抑郁患者和正常被试的识别。2.所述静息态脑电数据采集及预处理模块包括脑电数据采集设备，包括脑电采集仪、128导的脑电帽以及放大器，电极的位置按照国际标准导联10-20系统标准安放，参考电极为Cz，采样频率250Hz，电极的阻抗都低于50kΩ，采集的是被试在设定时间段的闭眼静息状态下的脑电数据。3.所述静息态脑电数据采集及预处理模块的预处理，首先采用0.5Hz高通滤波器和40Hz低通滤波器进行滤波、使用FastICA算法进行去噪处理、再采用REST技术重置参考，最后进行数据分段，提取90s预处理后的脑电数据，对脑电数据按4s进行分割，叠加窗口为2s。4.所述提取脑网络度量模块包括全局相干性计算单元，首先依据预处理后的脑电数据，计算设定频段下全局相干性；依据各频率波段全局相干性做秩和检验，找出抑郁组和正常对照组有显著性差异的频率波段；再计算有显著性差异的频率波段的相干性矩阵。5.所述提取脑网络度量模块还包括脑网络构建单元，采取稀疏阈值法构建脑网络，构建出二值化的脑网络矩阵；所述稀疏阈值法是指在由相干性Cxy值所构成的相干性矩阵中，如果Cxy值大于阈值，则对应的相干性矩阵中的元素值为1；反之，对应的相干性矩阵中的元素值为0，从而完成相干性矩阵的二值化处理，构成的二值化矩阵即称为二值化的脑网络矩阵，其中，Cxy为两个脑电信号在特定频率下的相干性。6.所述提取脑网络度量模块还包括共性脑区求解单元，通过对抑郁组和正常组的二值化矩阵进行求&操作，得出抑郁组和正常组的共性脑区；所述求&操作的计算规则为：1&1＝1，1&0＝0，通过求&操作，分别求取出抑郁组和正常组被试的共同激活电极，根据128导电极的脑区划分规则，分别得出两组被试的共性脑区。7.所述提取脑网络度量模块还包括差异脑区判别单元，通过对抑郁组和正常组的共性脑区中的电极数目进行判别，得出两组的差异脑区；首先将所获得的抑郁组共性脑区和正常组共性脑区中的电极映射到128导电极的脑区划分中，然后统计两组的共性脑区在各个划分脑区中的电极数量；若同时满足以下判别条件，则定义为此脑区为抑郁组和正常组的差异脑区，判别条件a)某一脑区抑郁组或者正常组的电极数量大于或者等于128导电极的脑区划分中该脑区电极总数的二分之一；判别条件b)某一脑区抑郁组的电极总数除以正常组的电极总数≥3/2或者≤2/3。8.所述提取脑网络度量模块还包括差异脑区脑网络特征提取单元，通过对获取的抑郁组和正常组的差异脑区中对应位置上的电极进行特征提取，得到差异脑区中电极的脑网络特征，所述脑网络特征包括度、聚类系数和最短路径长度。9.所述分类识别模块包括特征选择单元，应用Relief算法实现对提取的脑网络特征及功能连接特征进行选择，特征选择是基于训练集，应用基于Relief特征选择方法得到特征子集，然后使用特征子集去筛选训练集和测试集数据。10.所述分类识别模块包括分类识别单元，应用逻辑回归算法LR构建分类器，将筛选完特征的训练集和测试集进一步使用LR分类器进行分类，循环执行n次，其中n为样本数；分类器的评价指标为分类准确率、灵敏性和特效性，采用留一交叉验证方法对构建的分类器进行检验，实现抑郁患者和正常被试的分类。本专利技术的技术效果：本专利技术提出的一种基于静息态脑网络的抑郁识别分析系统，考虑到个体差异性，从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，并基于两组的共性活动脑区找出差异脑区，进而提取脑网络度量，并结合功能连接特征进行分类，其优势是特征维度有效降低，提高计算效率，并且可以有效的实现抑郁识别。已有的EEG的特征提取是基于各个被试的整个大脑网络，而未针对共性脑区进行分析，本专利技术通过对各组的二值化脑网络进行求&操作，能够找出抑郁组与正常组的共性脑区，并且通过比较两组的共性脑区，进一步确定抑郁组与正常组的差异脑区，进而实现扩大差异性，降低特征维度，提高运算效率，有效的实现抑郁症的辅助诊断和分析。附图说明图1为本专利技术提供的一种基于静息态脑网络的抑郁识别分析系统实施例的工作流程图；图2为是本专利技术的静息态脑电数据采集及预处理模块的预处理过程示意图；图3为是本专利技术实施例计算得出的抑郁组和正常组全局相干性的示意图；图4为128导电极的脑区划分图；图5A为theta波段下获取的抑郁组和正常组共性脑区的示意图；图5B为beta波段下获取的抑郁组和正常组共性脑区的示意图；图6为对抑郁组和正常组的共性脑区求解两组的差异脑区的流程图；图本文档来自技高网...

【技术保护点】
1.一种基于静息态脑网络的抑郁识别分析系统，其特征在于，包括(a)静息态脑电数据采集及预处理模块，用于采集被试者静息态脑电数据；对采集的静息态脑电数据进行预处理，(b)提取脑网络度量模块，用于构建个性化脑网络结构，从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，基于两组的共性活动脑区找出差异脑区，提取脑网络度量；(c)分类识别模块，用于对提取的脑网络度量及功能连接特征进行特征选择，并对筛选完特征的数据进行分类，实现抑郁患者和正常被试的识别。

【技术特征摘要】
1.一种基于静息态脑网络的抑郁识别分析系统，其特征在于，包括(a)静息态脑电数据采集及预处理模块，用于采集被试者静息态脑电数据；对采集的静息态脑电数据进行预处理，(b)提取脑网络度量模块，用于构建个性化脑网络结构，从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，基于两组的共性活动脑区找出差异脑区，提取脑网络度量；(c)分类识别模块，用于对提取的脑网络度量及功能连接特征进行特征选择，并对筛选完特征的数据进行分类，实现抑郁患者和正常被试的识别。2.所述静息态脑电数据采集及预处理模块包括脑电数据采集设备，包括脑电采集仪、128导的脑电帽以及放大器，电极的位置按照国际标准导联10-20系统标准安放，参考电极为Cz，采样频率250Hz，电极的阻抗都低于50kΩ，采集的是被试在设定时间段的闭眼静息状态下的脑电数据。3.所述静息态脑电数据采集及预处理模块的预处理，首先采用0.5Hz高通滤波器和40Hz低通滤波器进行滤波、使用FastICA算法进行去噪处理、再采用REST技术重置参考，最后进行数据分段，提取90s预处理后的脑电数据，对脑电数据按4s进行分割，叠加窗口为2s。4.所述提取脑网络度量模块包括全局相干性计算单元，首先依据预处理后的脑电数据，计算设定频段下全局相干性；依据各频率波段全局相干性做秩和检验，找出抑郁组和正常对照组有显著性差异的频率波段；再计算有显著性差异的频率波段的相干性矩阵。5.所述提取脑网络度量模块还包括脑网络构建单元，采取稀疏阈值法构建脑网络，构建出二值化的脑网络矩阵；所述稀疏阈值法是指在由相干性Cxy值所构成的相干性矩阵中，如果Cxy值大于阈值，则对应的相干性矩阵中的元素值为1；反之，对应的相干性矩阵中的元素值为0，从而完成相干性矩阵的二值化处理，构成的二值化矩阵即称为二值化的脑网络矩阵，其中，Cxy为两个脑电信...

【专利技术属性】
技术研发人员：胡斌，孙淑婷，李小伟，祝婧，李建秀，
申请(专利权)人：兰州大学，
类型：发明
国别省市：甘肃,62