一种基于多频带时空卷积网络的抑郁脑电分类系统技术方案

本发明专利技术提供了一种基于多频带时空卷积网络的抑郁脑电分类系统，包括数据预处理模块，被配置为对获取的被测试者静息状态下额叶三电极的原始脑电时间序列信号进行噪声过滤处理；数据分割模块，被配置为对预处理后的信号进行切割，形成多个设定长度的待测脑电片段，进行归一化处理；数据识别模块，被配置为利用训练后的多频带时空卷积网络模型，对待测脑电片段进行时间维度和空间维度的特征提取与整合，进行类别分类，实现抑郁识别。本发明专利技术根据易获取脑电信号，可以实现对正常人和抑郁症患者的脑电信号的有效辨识并进行正确分类，消除在使用量表进行诊断时医生和患者的主观影响，使得诊断结果更具客观性。得诊断结果更具客观性。得诊断结果更具客观性。

【技术实现步骤摘要】
一种基于多频带时空卷积网络的抑郁脑电分类系统


[0001]本专利技术属于脑电信息分类
，具体涉及一种基于多频带时空卷积网络的抑郁脑电分类系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]作为一种精神和心理方面的病症，抑郁症有着高发病率、高致残性的特点，影响了很多人的健康生活。目前抑郁症的诊断方式主要有量表调查、医师问询等，这些方法往往取决于医生的经验，主观性较大。此外，抑郁个体可能因耻辱感而不愿意寻求帮助，因此有大量的抑郁症患者得不到最佳的治疗。研究方便、高效的诊断方法对促进抑郁症的检测具有重大的意义。
[0004]抑郁症是一种精神障碍，临床表现为明显抑郁和思维缓慢，且总是伴随着异常的大脑活动和明显的情感交替。神经科学的研究表明，大部分心理状态和认知行为可由脑电信号(EEG)来反映。EEG与大脑活动和心理状态有着密切的关系，它能够随时反映情感的转变。脑电信号作为一种以非侵入方式获取的生理信号，已经被广泛应用于各种神经系统疾病的研究和诊断。因此，可以通过脑电图来追踪大脑功能和异常的脑电活动。以往人们对抑郁脑电信号使用特征提取结合机器学习相关算法进行检测，这种方法需要大量先验知识寻找脑电信号的相关特征，而且最重要的特征不一定能被找到，这些因素的存在使得分类过程复杂化。

技术实现思路

[0005]本专利技术为了解决上述问题，提出一种基于多频带时空卷积网络的抑郁脑电分类系统，可以实现正常人和抑郁症患者脑电信号的有效辨识并正确分类，消除在使用量表进行诊断时医生和患者的主观影响，使得诊断结果更具客观性。
[0006]根据一些实施例，本专利技术采用如下技术方案：
[0007]一种基于多频带时空卷积网络的抑郁脑电分类系统，包括：
[0008]数据预处理模块，被配置为对获取的被测试者静息状态下额叶三电极的原始脑电时间序列信号进行噪声过滤处理；
[0009]数据分割模块，被配置为对预处理后的信号进行切割，形成多个设定长度的待测脑电片段，进行归一化处理；
[0010]数据识别模块，被配置为利用训练后的多频带时空卷积网络模型，对待测脑电片段进行时间维度和空间维度的特征提取与整合，进行类别分类，实现抑郁识别。
[0011]作为可选择的实施方式，还包括脑电采集设备，用于获取被测试者在静息状态下额叶三电极的原始脑电时间序列信号。
[0012]作为可选择的实施方式，所述数据预处理模块，被配置为对获取信号进行噪声过
滤处理，用小波变换去除眼动伪迹，提取0.5
‑
50Hz脑电信号，通过50Hz陷波器去除工频干扰。
[0013]作为可选择的实施方式，所述数据分割模块，被配置为使用预定宽度的滑动窗口对脑电数据进行不重叠分割。
[0014]作为可选择的实施方式，所述数据分割模块，被配置为使用零分数归一化方法进行归一化，使处理后的数据符合标准正态分布。
[0015]作为可选择的实施方式，所述多频带时空卷积网络模型包括依次设置的滤波层、时间深度卷积模块、空间深度卷积模块、平均池化层、特征连接层、全连接层和输出层。
[0016]作为进一步的限定，所述滤波层将数据按照δ(0.5
‑
3Hz)，θ(4
‑
7Hz)，α(8
‑
13Hz)，β(14
‑
30Hz)，γ(>30Hz)的频段分布范围进行频谱滤波，获得样本数据的多视图表示。
[0017]作为进一步的限定，所述时间深度卷积模块，被配置为从时间维度提取脑电信号各个频段的时间特征，包括依次连接的一组大小为(1,125)的深度卷积滤波器，一个批标准化层和一个指数线性单元激活函数。
[0018]作为进一步的限定，所述空间深度卷积模块被配置为从空间维度对特征图提取空间特征，包括依次连接的一组大小为(3,1)的深度卷积滤波器，一个批标准化层和一个指数线性单元激活函数。
[0019]作为进一步的限定，所述输出层采用Softmax分类器。
[0020]作为可选择的实施方式，所述多频带时空卷积网络模型经过训练，在训练过程中，样本数据按照受试者的不同，被划分到训练集，验证集和测试集，保证同一人的数据不同时出现在多个数据集中。
[0021]作为可选择的实施方式，所述多频带时空卷积网络模型经过训练，在训练过程中，选择分类交叉熵作为损失函数评估模型性能计算出损失值后，使用Adam梯度下降的算法，寻找最小的损失值，按照最小的损失值更新网络参数。
[0022]与现有技术相比，本专利技术的有益效果为：
[0023](1)本专利技术使用的是作为生理信号之一的脑电信号，其能够实时反映大脑活动状态，且具有无创、经济、易操作等优点；
[0024](2)本专利技术将基于脑电信号的多频带时空卷积网络应用于抑郁症的筛查或临床辅助诊断，可以实现对正常人和抑郁症患者的脑电信号的正确分类，克服了传统诊断方式使用问卷和量表存在的主观性影响，使诊断结果更具客观性；
[0025](3)本专利技术与传统的机器学习方法相比，能够快速、准确地对抑郁症进行初步辨识，不需要手动特征提取，节省了人工特征提取和特征选择的时间；
[0026](4)本专利技术使用的深度卷积能有效减少模型的可训练参数量，降低网络结构的复杂度，提高训练速度；
[0027](5)本专利技术从各个频段脑电信号中自动学习有意义的时间维度和空间维度特征，具有一定的生理意义,对于抑郁脑电的识别，具有很好的分类优势。
[0028]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0029]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0030]图1所示为抑郁脑电分类流程图；
[0031]图2所示为脑电采集设备的3通道分布图；
[0032]图3所示为多频段时空卷积网络图；
[0033]图4所示为深度卷积原理图。
具体实施方式：
[0034]下面结合附图与实施例对本专利技术作进一步说明。
[0035]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0036]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0037]基于多频带时空卷积网络的抑郁脑电分类系统，包括：
[0038]采集模块，被配置为采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多频带时空卷积网络的抑郁脑电分类系统，其特征是：包括：数据预处理模块，被配置为对获取的被测试者静息状态下额叶三电极的原始脑电时间序列信号进行噪声过滤处理；数据分割模块，被配置为对预处理后的信号进行切割，形成多个设定长度的待测脑电片段，进行归一化处理；数据识别模块，被配置为利用训练后的多频带时空卷积网络模型，对待测脑电片段进行时间维度和空间维度的特征提取与整合，进行类别分类，实现抑郁识别。2.如权利要求1中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统，其特征是：还包括脑电采集设备，用于获取被测试者在静息状态下额叶三电极的原始脑电时间序列信号。3.如权利要求1中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统，其特征是：所述数据预处理模块，被配置为对获取信号进行噪声过滤处理，用小波变换去除眼动伪迹，提取0.5
‑
50Hz脑电信号，通过50Hz陷波器去除工频干扰。4.如权利要求1中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统，其特征是：所述数据分割模块，被配置为使用预定宽度的滑动窗口对脑电数据进行不重叠分割。5.如权利要求1中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统，其特征是：所述数据分割模块，被配置为使用零分数归一化方法进行归一化，使处理后的数据符合标准正态分布。6.如权利要求1中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统，其特征是：所述多频带时空卷积网络模型包括依次设置的滤波层、时间深度卷积模块、空间深度卷积模块、平均池化层、特征连接层、全连接层和输...

【专利技术属性】
技术研发人员：杨立才，闫丹丹，宋鑫旺，
申请(专利权)人：山东大学，
类型：发明
国别省市：