基于多源脑电数据融合的抑郁症识别模型构建方法研究

发布时间：2020-12-29 13:09

　　近年来,随着全球范围内抑郁症的发病率逐年升高,各领域对抑郁症识别的研究随之成为热点。目前,抑郁症的诊断手段仍多采取主观的识别方法,主观法会造成对抑郁症的漏判和误判。为了找到客观的诊断手段,大量研究者企图在抑郁症患者的生理信号或者在行为信号中找到突破,相关的研究也逐渐在开展。脑电信号作为一种典型的生理指标,有研究者将其应用在抑郁症的识别中,取得了不错的效果。然而,由于目前对抑郁症潜在的生理学机制仍不清楚,基于单源脑电数据构建的抑郁症识别模型存在一定的局限性,很难得到普适化的应用。因此,为了探究普适化的抑郁症脑电识别模型,本文通过结合多源数据融合技术,将不同类型情绪刺激下的抑郁脑电数据在特征层进行融合,从而构建相对有效且泛化性能较好的抑郁症识别模型。本文主要的贡献及创新点有以下几点:(1)利用抑郁症患者对外界情绪刺激的反应不同,从正性、负性、中性三类情绪刺激出发,在Fp1、Fp2、Fpz三个电极及theta、alpha、beta、gamma、全波段五个波段下提取了与抑郁症相关的脑电特征,并基于提取的特征构建了45个单源的特征子集。(2)针对多分类器组合学习中,个体分类器权重分配不均及遗传算... 

【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

决策层融合原理图

兰州大学硕士学位论文基于多源脑电数据融合的抑郁症识别模型构建方法研究20第三章基于改进遗传算法的多分类器组合策略研究3.1引言由多分类器组成的多分类器组合学习系统通常由两部分构成：个体分类器的生成以及根据组合策略对多个个体分类器的输出结果进行集成输出。在多分类器组合的过程中，个体分类器的差异性、准确性以及个体分类器之间的组合策略、直接影响着多分类器组合结果的好坏。多分类器组合一般分为三步：①使用有限个基础的分类器对同一个训练集构建子模型即生成个体分类器；②使用子模型对待分类的训练进行预测；③通过某种组合策略对子模型预测出的结果进行融合得到训练最终的类别。如图3-1所示：图3-1多分类器组合学习示意图3.2个体分类器的生成个体分类器的生成是多分类器组合学习的第一步，关乎最终组合学习的效果。在生成的过程中需要考虑采用相同类型的个体分类器还是采用不同类型的个体分类器，如果采用相同类型的个体分类器，需要保证每个个体分类器进行训练的样本是异质的，而采用不同类型的个体分类器相对于采用同类型的个体分类器来说，比较容易满足个体分类器之间的差异性。目前，个体分类器的生成方式有以下三种方式：1、基于样本的训练过程构建个体分类器：这种方法的基本思想是在训练训练集的过程中，通过多次抽样生成多个训练子集，进而采用特定的分类器对每个训练子集构建一个个体分类器。常见的方法有Boosting和Bagging。学习类别样本集子分类器1子分类器2···子分类器n组合方法分类结果

兰州大学硕士学位论文基于多源脑电数据融合的抑郁症识别模型构建方法研究22()={,()=max(())>·+1,(32)其中()=∑()=1,(=1,2,…,)；·为表决的阈值0<<1。目前，常见的投票法有一致投票法、绝对多数投票法、相对多数投票法。一致投票法：如果预测样本在所有的个体分类器上获得同样的标记时，则将该标记作为预测样本属于的类别。绝对多数投票法：如果某个标记获得半数以上的票数，则将预测样本的最终标记设定为该标记；否则，拒绝该标记。相对多数投票法：如果同时有多个标记获得最高的票数，则从标记中随机选择一个。在本文中，文章使用绝对多数投票法作为对多分类器组合策略的初步探索，算法的基本思路如图3-2所示：图3-2多数投票组合策略3.3.2基于加权投票法的多分类器组合策略基于简单投票法的组合策略在组合的过程中只进行了结果的集成，单纯的输出了分类的决策，没有考虑个体分类器在组合决策时的重要性，对所有的个体分类器都一概而论，没有体现出分类性能较好的个体分类器的优势。因此，在这种背景下，加权投票法油然而生，一般情况下，加权投票法比多数投票法能够得到更好的分类效果。加权投票是多分类器组合学习中比较有效的一种方法，其基本思想是根据每个个体分类器的分类结果，给表现好的个体分类器赋予较高的权重，给表现差的分类器赋予较低的权重，最后通过比较权重来决定待标记样本最终的类别。加权投票的结果往往能够利用个体分类器之间的互补功能来弥补个体分类器的误差，预测结果多数投票个体分类器结果训练组合决策结果样本训练集DT分类器LDA分类器KNN分类器SVM分类器LR分类器

【参考文献】：
期刊论文
[1]基于多源异构数据融合的医共体共享技术研究与应用[J]. 王逸新,丁金顺,任宇.  电脑编程技巧与维护. 2019(03)
[2]抑郁症患者脑电地形图改变对认知功能及与疗效的影响[J]. 钱卫娟,刘刚,周群.  中国健康心理学杂志. 2017(10)
[3]脑卒中后抑郁患者正负性情绪刺激后脑电地形图特点探究[J]. 王瑞青,李凌.  精神医学杂志. 2017(05)
[4]基于统计分布熵的抑郁症脑电信号分析[J]. 王凯明,周海燕,郭家梁,杨孝敬,王刚,钟宁.  广西师范大学学报(自然科学版). 2015(02)
[5]农作物遥感识别中的多源数据融合研究进展[J]. 宋茜,周清波,吴文斌,胡琼,余强毅,唐华俊.  中国农业科学. 2015(06)
[6]基于多源数据融合技术的情报侦察系统效能评估体系[J]. 缪彩练,南建设,郭娜.  电讯技术. 2012(04)
[7]基于相位同步分析方法的抑郁症脑电信号的研究[J]. 胡巧莉.  中国医疗器械杂志. 2010(04)
[8]正负性情绪图片编码加工功能磁共振成像研究[J]. 王海宝,谌业荣,余永强,张诚,张达人.  临床放射学杂志. 2008(07)
[9]多源数据融合技术在成矿预测中的应用[J]. 刘星,胡光道.  地球学报. 2003(05)
[10]多源信息融合数字模型[J]. 岳天祥,刘纪远.  世界科技研究与发展. 2001(05)



本文编号：2945693