基于多源脑电数据融合的抑郁症辅助识别模型构建方法技术

基于多源脑电数据融合的抑郁症辅助识别模型的构建方法，包括：构建多数据源抑郁症脑电数据的特征矩阵；使用基于个体分类器赋权的多分类器组合策略从已构建的特征矩阵中找出表现较好的特征矩阵；通过对特征矩阵的多元组合形成特征矩阵组合；利用基于权重优化的并行特征层融合策略将最佳的特征矩阵组合进行融合，从而构建具有较高识别准确率的抑郁症辅助识别模型，能提高抑郁症辅助识别模型的泛化能力从而提供客观且普适化的辅助识别的工具。

【技术实现步骤摘要】
基于多源脑电数据融合的抑郁症辅助识别模型构建方法
本专利技术涉及一种疾病诊断的辅助方法，具体来说，本专利技术涉及基于多源脑电数据融合的抑郁症辅助识别模型的构建方法。本专利技术方法首先构建多数据源抑郁症脑电数据的特征矩阵,其次使用基于个体分类器赋权的多分类器组合策略从已构建的特征矩阵中找出准确率较高的特征矩阵，然后通过对特征矩阵的多元组合形成特征矩阵组合，进而再利用基于权重优化的并行特征层融合策略将最佳的特征矩阵组合进行融合，从而构建具有较高识别准确率的抑郁症辅助识别模型。本专利技术方法能够提高抑郁症辅助识别模型的泛化能力，从而提供一种用于抑郁症辅助诊断的客观且普适化的工具。
技术介绍
1.脑电数据与抑郁症脑电数据在情感识别领域的应用研究越来越广，研究表明抑郁症等情感障碍疾病与脑电数据的变化有着极大的相关性，因此，将脑电数据应用在抑郁症识别领域也逐渐成为研究的热点。研究人员通过对比分析患者和健康人群脑电数据的差异，寻找能够作为识别抑郁症的脑电指标来构建抑郁症的辅助识别模型。例如，在有关抑郁症患者脑电数据的研究中，有很多的研究表明抑郁症患者本文档来自技高网...

【技术保护点】
1.一种基于多数据源脑电数据融合的抑郁症辅助识别模型构建方法，该方法包括：/n步骤1)：构建多数据源抑郁症脑电数据的特征矩阵；/n步骤2)：使用基于个体分类器赋权的多分类器组合策略对步骤1)中构建的所述特征矩阵根据其分类准确率进行选择，选取分类准确率较高的特征矩阵/n步骤3)：对所述特征矩阵进行多元组合，即将基于个体分类器赋权的多分类器组合策略所筛选出的特征矩阵进行二元组合、三元组合、四元组合、五元组合直至n元组合，其中n为选取的所述特征矩阵数；/n步骤4)：采用基于权重优化的并行特征层融合策略对步骤3)中得到的所述各特征矩阵组合进行融合，并得出每个特征矩阵组合融合后的融合特征矩阵的分类准确率...

【技术特征摘要】
1.一种基于多数据源脑电数据融合的抑郁症辅助识别模型构建方法，该方法包括：
步骤1)：构建多数据源抑郁症脑电数据的特征矩阵；
步骤2)：使用基于个体分类器赋权的多分类器组合策略对步骤1)中构建的所述特征矩阵根据其分类准确率进行选择，选取分类准确率较高的特征矩阵
步骤3)：对所述特征矩阵进行多元组合，即将基于个体分类器赋权的多分类器组合策略所筛选出的特征矩阵进行二元组合、三元组合、四元组合、五元组合直至n元组合，其中n为选取的所述特征矩阵数；
步骤4)：采用基于权重优化的并行特征层融合策略对步骤3)中得到的所述各特征矩阵组合进行融合，并得出每个特征矩阵组合融合后的融合特征矩阵的分类准确率从而根据融合特征矩阵的分类准确率选出最佳特征矩阵组合；以及
步骤5)：对步骤4)中所述的最佳特征矩阵组合进行融合以构建抑郁症辅助识别模型。


2.根据权利要求1的方法，所述的分类准确率可以是前10％。


3.根据权利要求1的方法，在所述步骤2)中：
基于个体分类器赋权的多分类器组合策略如下：
(1)假定个体分类器的集合E＝(e1，e2，…，en)，个体分类器的初始权重集合W0＝(w01，w02，…，w0n)，其中n为个体分类器的个数；对于特征矩阵x，分类器集合E判定的类别集合L＝(l1，l2，…，ln)，lr＝0或1，1≤r≤n
则此时的组合策略为：
F0＝w01l1+w02l2+…+w0nln
其中w01+w02+…+w0n＝1，当F0＞0.5时，则判定样本x的类别为1，否则类别为0，
当使用n个个体分类器时需要优化n个权重，因此使用n位二进制进行编码；在目标函数设定方面，采用特征矩阵x的分类准确率f(x)作为目标函数，目标函数为最大值问题；初始分类准确率为f0(x)；
(2)更新个体分类器的权重集合Wi＝(wi1，wi2，…，win)，i∈N+，迭代步长为α，若且j≠i，j∈N+使得fj(x)＞fi(x)，则令权重集合Wi＝Wj，否...

【专利技术属性】
技术研发人员：胡斌，蔡涵书，张健，曲志雕，
申请(专利权)人：兰州大学，
类型：发明
国别省市：甘肃;62