【技术实现步骤摘要】
Electroencephalogram(EEG)Signal Using Alpha Power and Theta Asymmetry[J].Journal of Medical Systems,2020,44(1):1
‑
8.)
;
Erguzel
等
(2015)
利用改进的算法
ACO(Ant Colony Optimization)
提取特征,使用
SVM
区分
46
名双相情感障碍和
55
名重性抑郁症,特征使用
δ
、
θ
和
α
频段,总体分类准确率为
80.19
%
(Erguzel T T,Tas C,Cebi M.Awrapper
‑
based approach for feature selection and classification of major depressive disorder
–
bipolar disorders[J].Computers in Biology and Medicine,2015,64:127
‑
137.)。
[0006]先前的研究在样本容量和样本预测模型性能的量化方面,差别很大,模型构建主要使用小样本,模型的预测准确性有待提高
。
技术实现思路
[0007]本专利技术提供了一种预测准确性较好的基于静息态脑电信号的重性精
【技术保护点】
【技术特征摘要】
1.
一种基于静息态脑电信号的重性精神疾病辅助分类系统,其特征在于,包括辅助分类模型;采集待试者的静息态脑电信号数据,提取特征并进行标准化处理,将标准化处理后的特征输入辅助分类模型中,获得待试者的精神疾病预分类结果;所述的辅助分类模型的构建方法包括:采集受试者的静息态脑电数据,提取特征并进行标准化处理,构建训练集;所述的受试者包括精神分裂症患者
、
双相情感障碍患者
、
抑郁症患者和正常人;采用所述的训练集训练支持向量机,获得辅助分类模型;所述的支持向量机采用高斯核函数
。2.
根据权利要求1所述的基于静息态脑电信号的重性精神疾病辅助分类系统,其特征在于,提取的特征包括
80
个功率谱密度特征和
26
个微状态特征
。3.
根据权利要求2所述的基于静息态脑电信号的重性精神疾病辅助分类系统,其特征在于,所述的
80
个功率谱密度特征包括
δ
、
θ
、
α
、
β
、
γ
各频段的
Fp1、Fp2、F3、F4、F7、F8、C3、C4、P3、P4、O1、O2、T3、T4、T5、T6
各电极通道上的功率谱密度特征;所述的
26
个微状态特征包括平均持续时间的微状态
A、B、C、D
,时间涵盖比例的微状态
A、B、C、D
,每秒出现频率的微状态
A、B、C、D
,转换概率的微状态
A
到
B、A
到
C、A
到
D、B
到
A、B
到
C、B
到
D、C
到
A、C
到
B、C
到
D、D
到
A、D
到
B、D
到
C
,以及整体时间和整体方差比例
。4.
根据权利要求1所述的基于静息态脑电信号的重性精神疾病辅助分类系统,其特征在于,提取的特征包括
58
个功率谱密度特征和5个微状态特征
。5.
根据权利要求4所述的基于静息态脑电信号的重性精神疾病辅助分类系统,其特征在于,所述的
58
个功率谱密度特征包括
δ
频段的
Fp1、Fp2、F3、F4、F7、F8、C3、C4、P3、P4、O1、O2、T3、T4、T5、T6
电极通道上的功率谱密度特征,
θ
频段的
Fp1、Fp2、F3、F4、F7、F8、C...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。