基于双分支融合模型的抑郁脑电分类方法技术

本发明专利技术公开了一种基于双分支融合模型的深度学习的抑郁脑电分类方法，包括以下步骤：(1)获取若干组健康人的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，(2)获取若干组轻度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，(3)获取若干组中度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，(4)以步骤(1)、(2)和(3)中的健康对照、轻度抑郁患者和中度抑郁患者的输入形式，对双分支融合模型进行训练学习，(5)将待分析窗口脑电信号转换成对应的小波时频图，输入步骤(4)中训练完成的双分支融合模型，完成该脑电信号的分析。该方法效果良好，能够区分出抑郁和健康以及抑郁程度。能够区分出抑郁和健康以及抑郁程度。能够区分出抑郁和健康以及抑郁程度。

【技术实现步骤摘要】
基于双分支融合模型的抑郁脑电分类方法


[0001]本专利技术涉及一种基于双分支融合模型的抑郁脑电分类方法，属于计算机应用


技术介绍

[0002]抑郁症(Major Depression Disorder，MDD)是一种常见的精神障碍疾病，其临床症状表现为对一切事物的兴趣低下、自我认同感不强和注意力不集中等症状，甚至会出现反复自残和自杀的行为。据世界卫生组织(World Health Organization，WHO)估计，到2030年抑郁症患者人数将超过所有心血疾病患者人数的总和，并且抑郁症将成为世界第一大自残诱因。在中国，抑郁症的发病人数约占总人口的4.2％，并呈现逐年上升和年轻化的趋势。抑郁症不仅会对个人造成严重的伤害，而且还会对患者家庭和社会带来负面的影响。如果能够在抑郁症早期就对患者进行正确的诊断，患者的病情就可以及时通过心理治疗、药物治疗、电休克疗法以及改变生活方式等手段得到显著的改善。因此，对抑郁症的准确率诊断具有重要意义。
[0003]一方面，脑电信号能够捕捉大脑毫秒级的神经元电活动，具有较高的时间分辨率和可靠性，同时价格相对低廉。另一方面，已有研究表明患者的抑郁程度主要与前额叶脑电的活跃程度和左右额叶间EEG的对称性有关。因此，可以选取大脑前额叶三通道脑电数据作为抑郁症诊断的依据。

技术实现思路

[0004]为了准确地区分出健康和抑郁以及抑郁程度，本专利技术提供了一种基于双分支融合的抑郁脑电分类方法。该方法以前额叶三通道脑电数据的小波时频图以及原始脑电序列作为输入，来训练双分支融合模型从而区分出健康和中度抑郁脑电以及轻度脑电和中度脑电。
[0005]本专利技术为解决上述技术问题采用以下技术方案：
[0006]本专利技术提供一种基于深度学习的抑郁脑电分类方法，包括以下步骤：
[0007](1)获取若干组健康人的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入。
[0008](2)获取若干组轻度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入。
[0009](3)获取若干组中度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入。
[0010](4)步骤以(1)、(2)和(3)中的健康对照、轻度抑郁患者和中度抑郁患者的输入形
式，对双分支融合模型进行训练学习。
[0011](5)将待分析窗口脑电信号转换成对应的小波时频图，输入步骤(4)中训练完成的双分支融合模型，完成该脑电信号的分析。
[0012]作为本专利技术的进一步技术方案，大脑前额叶采集使用的是普适化三导脑电采集系统。
[0013]作为本专利技术的进一步技术方案，(1)、(2)和(3)的滑动窗口长度为2秒，重叠率为0。
[0014]作为本专利技术的进一步技术方案，使用的小波变换为小波变换的选取为以复Morlet小波(宽带参数为3，中心波长为3)为基小波的小波变换。
[0015]作为本专利技术的进一步技术方案，双分支融合模型是以卷积神经网络和通道注意力机制为基础搭建的深度学习分类模型。
[0016]有益效果：本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术提出的双分支融合模型能够有效地提取脑电信号的时频特征，并且使用卷积神经网络从两个模态提取脑电的有效信息，在区分健康和中度抑郁、健康和轻度抑郁、轻度抑郁和中度抑郁以及健康和轻度抑郁和中度抑郁上的准确率、精确度、召回率和F1分数均高于现有抑郁脑电方法。
附图说明
[0017]图1为本专利技术的公开的方法流程图；
[0018]图2为本专利技术设计的双分支融合模型；
[0019]图3为本专利技术中的所选取的前额叶三通道脑电位置的示意图。
具体实施方式
[0020]下面结合附图和具体实施方式，进一步阐明本专利技术。
[0021]实施例：如图1所示，为本专利技术公开的基于深度学习的抑郁脑电分类方法的流程图，具体包括以下步骤：
[0022](1)获取若干组健康人的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入。
[0023](2)获取若干组轻度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入。
[0024](3)获取若干组中度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入。
[0025]依据大脑前额叶和抑郁症的关系，选取了前额叶的Fp1、Fpz和Fp2的脑电作为数据来源，并使用普适化三导脑电采集系统作为采集工具。具体的采集步骤为：I、测量鼻根点(眉心)到后脑枕骨粗隆的距离，记为从眉心到头顶取的十分之一处，记为，即为Fpz的位置；II、经过双侧乳突过头顶测量乳突间的距离取左耳乳突向头顶的十分之一处，记为点；III、取枕骨向头顶十分之一处，取经过上左右各十分之一处，分别为Fp1、Fp2的位置。
[0026]将采集到的脑电数据按照如下预处理步骤，得到较为干净的脑电数据：首先，采用0.5Hz到100Hz的巴特沃斯带通滤波器获取脑电的有效频率，然后使用ICA算法去除伪迹和使用50Hz的陷波滤波器去除工频噪声，最后采用min
‑
max数据归一化来防止量纲带来的影响和提高模型的收敛速度。
[0027]其次，使用如下步骤将脑电数据转换成适合双分支融合模型的输入形式：首先，使用滑动窗口截取脑电信号：使用长度为2秒，重叠率为0的滑动窗口来截取采集的原始脑电。然后，通过以复Morlet小波(宽带参数为3，中心波长为3)为基小波的小波变换变成小波系数矩阵。最后取复Morlet小波系数的模作为图片的像素值并将图片的大小采样至224x224大小。
[0028](4)步骤以(1)、(2)和(3)中的健康对照、轻度抑郁患者和中度抑郁患者的输入形式，对双分支融合模型进行训练学习。
[0029](4
‑
1)双分支融合模型是由图片特征提取分支和时序特征提取分支组成。
[0030](4
‑
2)双分支融合模型中的时序特征提取分支在FCN模型中嵌入基于离散傅里叶变换系数的注意力机制。FCN分支是由三个基本块(Conv1d+BN+ReLU)组成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于双分支融合模型的深度学习的抑郁脑电分类方法，其特征在于，所述方法包括以下步骤：(1)获取若干组健康人的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入；(2)获取若干组轻度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入；(3)获取若干组中度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入；(4)以步骤(1)、(2)和(3)中的健康对照、轻度抑郁患者和中度抑郁患者的输入形式，对双分支融合模型进行训练学习，(5)将待分析窗口脑电信号转换成对应的小波时频图，输入步骤(4)中训练完成的双分支融合模型，完成该脑电信号的分...

【专利技术属性】
技术研发人员：杨淳沨，苏天，孔佑勇，陈阳，舒华忠，
申请(专利权)人：东南大学，
类型：发明
国别省市：