一种基于深度学习和静息态脑电数据的抑郁分析方法技术

本发明专利技术公开了一种基于深度学习和静息态脑电数据的抑郁分析方法，所述方法包括：采集被测试人包括横位电极和侧位电极的多通道脑电信号，参照汉密尔顿抑郁量表对被试人进行初步的抑郁程度识别，并与之前收集的多通道脑电信号进行一一对应标记；对所述标记后的脑电信号进行数据预处理，将被测试者的脑电信号截成多段生成脑电样本数据；将所述脑电样本数据按照时序排列输入到卷积神经网络中训练，得到抑郁预测模型；利用带惩罚项的熵交叉损失函数降低抑郁预测模型中同一测试者相邻脑电数据片段的预测差异；采用十折交叉验证算法验证所述抑郁预测模型的抑郁预测结果。抑郁预测模型的抑郁预测结果。抑郁预测模型的抑郁预测结果。

【技术实现步骤摘要】
一种基于深度学习和静息态脑电数据的抑郁分析方法


[0001]本专利技术涉及心理健康分析
，特别涉及一种基于深度学习和静息态脑电数据的抑郁分析方法。

技术介绍

[0002]脑电图是脑神经细胞生理活动在大脑皮层或头皮表层的总体反映。脑电信号中包含了大量的生理与疾病信息，在临床医学方面，脑电信号处理不仅可为某些疾病提供诊断依据，而且还为某些疾病提供了有效的治疗手段。当个体处于不同的思维状态、精神状态或者病理状态时，不同脑区的脑电信号存在显著性差异。通常按照一定的位置可以将大脑皮质划分为：额叶，主要处理与认知、情感等密切相关的信息；顶叶，主要与各种感觉、方向等相关；颞叶，主要处理与语言、听觉相关的信息；枕叶，主要处理与视觉相关的信息。大量的研究已经表明，抑郁症患者与正常人之间的脑电信号存在着明显的差异。其中，已有实验证明头部前额区与抑郁障碍具有较强的相关性。目前关于识别抑郁水平的方法和水平还比较落后，主要通过医生的经验和主观判断进行，另外，识别的参考指标比较单一，主要依据患者体内的激素水平和各种生化指标。而脑电信号(EEG)作为一种生物电信号，具有检测成本低、容易获得、时间分辨率高等特点，可以有效弥补传统识别方法指标单一的问题。另外，脑电信号与传统的机器学习结合存在着一个主要的障碍，即取输入特征需要大量先验知识。而抑郁程度识别的先验知识不足，这将导致传统学习方法评估效果较差。

技术实现思路

[0003]本专利技术其中一个专利技术目的在于提供一种基于深度学习和静息态脑电数据的抑郁分析方法，所述方法利用深度学习结合静息态脑电数据识别人的抑郁程度，其中本专利技术通过头部和面部的多个关联的电极输出脑电信号，脑电信号显示了大脑皮层多个区域放电结果在一定时间段内在电极上的叠加输出，因此通过深度学习的强泛化能力结合脑电数据可以深度挖掘脑电信号电极之间和抑郁程度的关联性，提高抑郁分析结果的准确性。
[0004]本专利技术另一个专利技术目的在于提供一种基于深度学习和静息态脑电数据的抑郁分析方法，所述方法将被测试者的测试结果采用时间窗截取片段的方式，生成不同脑电数据片段样本，因此可以大批量地增加样本数据，减少重复实验的时间损耗，提高深度学习模型的训练效果。
[0005]本专利技术另一个专利技术目的在于提供一种基于深度学习和静息态脑电数据的抑郁分析方法，所述方法在训练卷积神经网络时，采用带惩罚项的熵交叉函数进行向邻时间序列上的脑电数据片段引导模型，使得相邻时序上的样本片段之间的预测结果尽可能相似，使模型关注在相邻片段中比较稳定的信息，提高对单个被试所有片段的分类表现。
[0006]为了实现至少一个上述专利技术目的，本专利技术进一步提供一种基于深度学习和静息态脑电数据的抑郁分析方法，所述方法包括：
[0007]采集被测试人包括横位电极和侧位电极的多通道脑电信号，参照汉密尔顿抑郁量
表对所述多通道脑电信号进行标记；
[0008]对所述标记后的脑电信号进行数据预处理，将被测试者的脑电信号截成多段生成脑电样本数据；
[0009]将所述脑电样本数据按照时序排列输入到卷积神经网络中训练，得到抑郁预测模型；
[0010]利用带惩罚项的熵交叉损失函数降低抑郁预测模型中同一测试者相邻脑电数据片段的预测差异；
[0011]采用十折交叉验证算法验证所述抑郁预测模型的抑郁预测结果。
[0012]根据本专利技术其中一个较佳实施例，在采集到所述脑电信号并标记后，需要对标记后的脑电数据进行去噪操作，所述去噪操作包括：采用高通滤波器和低通滤波器去除脑电信号中的肌电、高频噪声和低频漂移。
[0013]根据本专利技术另一个较佳实施例，在采集到所述脑电信号并标记后，对所述脑电数据进行规范化处理，所述规范化处理操作包括：
[0014][0015]μ
t
＝0.0001*X
t
+0.999*μ
t
‑1[0016][0017]上式中X
t
为标准化前的数值，x
′
t
为标准化后的数值，μ
t
和σ
t
分别代表均值和标准差，μ0和σ0的取值分别为每个电极前N个采样点的均值和标准差。
[0018]根据本专利技术另一个较佳实施例，所述脑电数据截取方法包括：设置一个一定长度的时间窗，并设置时间窗的移动步长，利用所述时间窗对一个完整的脑电数据进行截取，得到长度等于时间窗长度的脑电数据片段样本。
[0019]根据本专利技术另一个较佳实施例，将截取好的脑电数据样本作为二维数据输入到卷积神经网络，其中所述二维数据分别为记载时间的时间序列维度和对应记载脑电信号的电极序列，并且采用一维卷积核对所述电极序列维度进行卷积，得到同一时间不同电极之间的相关性信息，并且采用一维卷积核对所述时间序列维度进行卷积，得到单个电极在时序上的信息。
[0020]根据本专利技术另一个较佳实施例，将所述脑电数据进行预处理操作后，进一步采用t
‑
SNE降维方法对预处理后的脑电数据进行降维并做可视化呈现。
[0021]根据本专利技术另一个较佳实施例，所述抑郁预测模型分别采用交叉熵损失函数和带惩罚项的熵交叉损失函数对所述抑郁预测模型进行训练和优化，其中所述带惩罚项的熵交叉函数包括：
[0022][0023]其中T代表窗口长度，t代表时间序列值，y
j
为样本的实际标签，l
k
为模型对样本的预测标签，代表模型将样本预测为第k类的概率，α为惩罚项的系数。
[0024]根据本专利技术另一个较佳实施例，采用MSRA算法初始化卷积核参数，并将Adam算法优化神经网络，使用L2正则化来惩罚模型中的所有可训练参数，其中利用所述MSRA算法可以根据每层输入的数量来调整初始权重的方差。
[0025]为了实现至少一个上述专利技术目的，本专利技术进一步提供一种基于深度学习和静息态
脑电数据的抑郁分析系统，所述系统执行上述一种基于深度学习和静息态脑电数据的抑郁分析方法。
[0026]本专利技术进一步提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现上述一种基于深度学习和静息态脑电数据的抑郁分析方法。
附图说明
[0027]图1显示的是本专利技术一种基于深度学习和静息态脑电数据的抑郁分析方法的流程示意图。
[0028]图2显示的是本专利技术中利用t
‑
SNE降维方法对预处理后脑电数据降维得到的抑郁症和无抑郁症用户的光点图。
[0029]图3显示的是本专利技术中抑郁预测模型的训练示意图。
[0030]图4显示的是本专利技术中不同损失函数的模型对应的损失函数值和验证集准确率在训练过程中的变化情况示意图。
[0031]图5显示的是本专利技术中抑郁预测模型在数据处理过程中所有卷积层的输出以及中间结果。
[0032]图6显示的是时长为3s的片段和使用交叉熵损失函数的模型这一组合的可视化结果示意图。
具体实施方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和静息态脑电数据的抑郁分析方法，其特征在于，所述方法包括：采集被测试人包括横位电极和侧位电极的多通道脑电信号，参照汉密尔顿抑郁量表对被试人进行初步的抑郁程度识别，并与之前收集的多通道脑电信号进行一一对应标记；对所述标记后的脑电信号进行数据预处理，将被测试者的脑电信号截成多段生成脑电样本数据；将所述脑电样本数据按照时序排列输入到卷积神经网络中训练，得到抑郁预测模型；利用带惩罚项的熵交叉损失函数降低抑郁预测模型中同一测试者相邻脑电数据片段的预测差异；采用十折交叉验证算法验证所述抑郁预测模型的抑郁预测结果。2.根据权利要求1所述的一种基于深度学习和静息态脑电数据的抑郁分析方法，其特征在于，在采集到所述脑电信号并标记后，需要对标记后的脑电数据进行去噪操作，所述去噪操作包括：采用高通滤波器和低通滤波器去除脑电信号中的肌电、高频噪声和低频漂移。3.根据权利要求1所述的一种基于深度学习和静息态脑电数据的抑郁分析方法，其特征在于，在采集到所述脑电信号并标记后，对所述脑电数据进行规范化处理，所述规范化处理操作包括：μ
t
＝0.0001*X
t
+0.999*μ
t
‑1上式中X
t
为标准化前的数值，X
′
t
为标准化后的数值，μ
t
和σ
t
分别代表均值和标准差，μ0和σ0的取值分别为每个电极前N个采样点的均值和标准差。4.根据权利要求1所述的一种基于深度学习和静息态脑电数据的抑郁分析方法，其特征在于，所述脑电数据截取方法包括：设置一个一定长度的时间窗，并设置时间窗的移动步长，利用所述时间窗对一个完整的脑电数据进行截取，得到长度等于时间窗长度的脑电数据片段样本。5.根据权利要求1所述的一种...

【专利技术属性】
技术研发人员：潘煜，金佳，马宝君，方俊兵，
申请(专利权)人：上海外国语大学，
类型：发明
国别省市：