面向焦虑症识别的组稀疏典型相关分析融合方法研究
发布时间：2021-11-06 15:42
随着社会的快速发展,人们承受着来自各方的压力,患有焦虑症的概率也越来越大。为了及时制定治疗方案,对焦虑症的精准识别就至关重要。但是当下对于焦虑症的识别,大多数只是依赖医生的临床经验和相关的自评量表。因为社会对精神疾病的污名化,很多就诊者会刻意隐瞒自己真实的心理状态,为医生提供较为主观的信息,导致误判和误诊时有发生。近年来,随着认知科学和行为学的快速发展,脑电信号和眼动信号由于能够反映大脑的功能活动以及人的注意力偏向而被广泛应用于焦虑症的检测。但是单模态数据很容易受到噪音干扰、数据缺失等因素的影响,本文从多模态融合的角度出发,充分利用脑电信号和眼动信号的相关性来获得它们之间的协同表示,从而实现比单模态更准确的焦虑症识别。本文主要研究工作和成果包括:（1）提出一种基于组稀疏典型相关分析的多模态融合方法:因为每个脑区的结构和功能是异质的,所以同一脑区具有类似功能的脑电信号在刺激过程中会发生相似的变化,且同一脑区的脑电特征具有较强的相关性;同时,同一类别的眼动信号之间的关联性是高于和其他类别特征的关联性。为了充分建模两种信号之间的相关性进而生成更具有特异性的协同融合表示,本文提出了一种基于组稀...
【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】：72 页
【学位级别】：硕士
【部分图文】：
脑电节律波（图片来自网络，https://www.ifanr.com/1297063）
兰州大学硕士学位论文面向焦虑症识别的组稀疏典型相关分析融合方法研究图1-2:眼睛功能结构图（图片来自网络，https://j.17qq.com/article/ihobigddz.html）1.2.3焦虑症的研究及用上文我们提到EEG信号在识别精神障碍疾病上应用广泛[8][9]，1959年，Johnson等人[10]发现焦虑情绪的严重性与EEG的稳定性有一定的关系。2006年，Thibodeau等人[11]通过研究脑电信号，发现了不同的人群的静息态前额叶EEG与焦虑情绪的不对称性。2010年，Julia等人[12]在他们的面部实验过程中发现焦虑症患者的EEG的被激活程度与正常被试有较大的差距。2010年，Megan等人[13]通过记录EEG数据和自我报告情绪数据与机器学习方法结合在一起，发现了与情绪个体差异相关的“杏仁核-海马子网络”，这样的发现有助于更深入地了解焦虑情绪的神经编码，并发现一种可能对焦虑情绪诊断和治疗有用的生物标志物。2015年Giannakakis等人[14]通过让被试观看指定的视频并获取其EEG特征来识别被试是否患有焦虑情绪。2015年Jainammal等人[15]通过使用快速独立分量分析和定向梯度直方图对EEG提取特征，并最使用SVM分类器对特征进行分类，并确定个体是否处于焦虑状态。2017年，Klados等人[16]提出了基于EEG信号的数学焦虑自动检测系统，通过采集EEG信号并提取了466个特征，使用朴素贝叶斯方法进行10折交叉验证实验对数学焦虑进行识别。随着EEG信号的采集技术的提升以及EEG信号质量的提高，越来越多的研究人员选择使用EEG信号研究焦虑症等心理障碍疾病，也得到了很多有突破性的进展。1.2.4焦虑症的研究及用上文我们提到眼动信号是可以反映人的心理状态，因此对于焦虑症患者的眼动研究，已经有很多科学家得出了不错的结论[17]。首先，2000年，Karin等人[
兰州大学硕士学位论文面向焦虑症识别的组稀疏典型相关分析融合方法研究图2-1:数据层融合的结构图特征层融合完成了大量的数据压缩，大幅度降低了数据量，有利于对数据进行实时处理。但是这样很有可能在提取特征的同时损失一些信息，使融合的准确率降低。特征层融合主要应用于情感分析、精神疾病识别和人工智能领域等。图2-2:特征层融合的结构图2.1.3策的多模态融合决策层的多模态数据融合是最高级的数据融合，如图2-3所示：先从各个模态的数据集中抽取特征向量，再由此特征向量做出决策，然后在融合中心完成决策层的数据处理。决策层融合数据量小，对通信宽带要求很低，对传感器精度的要求不高。但是决策层融合对数据的损失非常大，因此可能导致精度下降，这取决于决策时所应用的算法。决策层适用于更复杂的情感分析或匹配分析等。图2-3:决策层融合的结构图11
本文编号：3480095
【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】：72 页
【学位级别】：硕士
【部分图文】：
脑电节律波（图片来自网络，https://www.ifanr.com/1297063）
兰州大学硕士学位论文面向焦虑症识别的组稀疏典型相关分析融合方法研究图1-2:眼睛功能结构图（图片来自网络，https://j.17qq.com/article/ihobigddz.html）1.2.3焦虑症的研究及用上文我们提到EEG信号在识别精神障碍疾病上应用广泛[8][9]，1959年，Johnson等人[10]发现焦虑情绪的严重性与EEG的稳定性有一定的关系。2006年，Thibodeau等人[11]通过研究脑电信号，发现了不同的人群的静息态前额叶EEG与焦虑情绪的不对称性。2010年，Julia等人[12]在他们的面部实验过程中发现焦虑症患者的EEG的被激活程度与正常被试有较大的差距。2010年，Megan等人[13]通过记录EEG数据和自我报告情绪数据与机器学习方法结合在一起，发现了与情绪个体差异相关的“杏仁核-海马子网络”，这样的发现有助于更深入地了解焦虑情绪的神经编码，并发现一种可能对焦虑情绪诊断和治疗有用的生物标志物。2015年Giannakakis等人[14]通过让被试观看指定的视频并获取其EEG特征来识别被试是否患有焦虑情绪。2015年Jainammal等人[15]通过使用快速独立分量分析和定向梯度直方图对EEG提取特征，并最使用SVM分类器对特征进行分类，并确定个体是否处于焦虑状态。2017年，Klados等人[16]提出了基于EEG信号的数学焦虑自动检测系统，通过采集EEG信号并提取了466个特征，使用朴素贝叶斯方法进行10折交叉验证实验对数学焦虑进行识别。随着EEG信号的采集技术的提升以及EEG信号质量的提高，越来越多的研究人员选择使用EEG信号研究焦虑症等心理障碍疾病，也得到了很多有突破性的进展。1.2.4焦虑症的研究及用上文我们提到眼动信号是可以反映人的心理状态，因此对于焦虑症患者的眼动研究，已经有很多科学家得出了不错的结论[17]。首先，2000年，Karin等人[
兰州大学硕士学位论文面向焦虑症识别的组稀疏典型相关分析融合方法研究图2-1:数据层融合的结构图特征层融合完成了大量的数据压缩，大幅度降低了数据量，有利于对数据进行实时处理。但是这样很有可能在提取特征的同时损失一些信息，使融合的准确率降低。特征层融合主要应用于情感分析、精神疾病识别和人工智能领域等。图2-2:特征层融合的结构图2.1.3策的多模态融合决策层的多模态数据融合是最高级的数据融合，如图2-3所示：先从各个模态的数据集中抽取特征向量，再由此特征向量做出决策，然后在融合中心完成决策层的数据处理。决策层融合数据量小，对通信宽带要求很低，对传感器精度的要求不高。但是决策层融合对数据的损失非常大，因此可能导致精度下降，这取决于决策时所应用的算法。决策层适用于更复杂的情感分析或匹配分析等。图2-3:决策层融合的结构图11
本文编号：3480095
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3480095.html
