基于机器学习的抑郁症脑电信号识别研究
发布时间：2021-03-28 09:13
近年来,抑郁症的患病率逐步升高,成为最紧迫的公共健康问题之一。目前,对抑郁症患者的主要诊断方法大多数是通过医生和患者之间的沟通交流以及填写相关的问卷量表。此类方法缺乏客观性,依赖医生的从业经验与相应的专业背景知识且耗时费力。由于脑电信号具有非侵入性、低成本、操作简单、易于记录等优点,研究者开始将脑电信号应用于抑郁症识别研究中,利用机器学习算法对抑郁症脑电信号进行分析,试图找到一种客观、及时并且准确的抑郁症诊断方法。然而,现阶段有关使用深度学习进行抑郁症识别的研究相对较少,并且无论是使用传统的机器学习方法还是深度学习方法,大多数研究都基于脑电信号手动提取多个特征。然后将提取的特征与传统的分类算法或神经网络模型简单地结合在一起。如何找到更好的抑郁症识别方法仍然是一项挑战。为此,我们将利用机器学习和脑电信号探寻新的计算机辅助诊断抑郁症的方法。在本文中,我们基于情绪图片识别任务实验,使用128导HCGSN（Hydro Cel Geodesic Sensor Net）脑电采集系统收集脑电数据。我们选用28名被试的脑电数据进行研究,其中包括14名抑郁症被试与14名正常对照。本文的主要工作如下:（1...
【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】：75 页
【学位级别】：硕士
【部分图文】：
各波段波形展示
浴?F处理高维输入特征时，无需降维，无论样本集的大小都具有极高的准确率。2.1.4深度森林深度森林同样是一种基于集成学习的分类方法[39]。近年来，神经网络在诸多领域都展现出优异的性能，我们可以将神经网络理解为由多层非线性函数堆叠而成的模型。这就引出了一个问题——能否将其他学习器同神经网络一样堆叠起来以获得更好的表示能力。深度森林就是一种通过级联的方式堆叠而成的多层森林模型。与需要大量参数的神经网络相比，深度森林参数较少，训练更加容易并且深度森林在各种规模的数据集上都能表现出优异的性能。图2-1深度森林结构图深度森林由两部分构成，它们分别是多粒度扫描模块和级联森林模块。图2-1描述了深度森林的结构。深度森林的整个数据处理流程分为以下两步：（1）首先使用多粒度扫描模块处理输入数据。以3分类问题为例，假设输入数据为1ⅹ400的序列。根据输入序列的长度，将滑动窗口的大小分别设置为1ⅹ100,1ⅹ200,1ⅹ300。使用1ⅹ100长度的时间窗口时，原来长度为1ⅹ400的序列被划分为301个1ⅹ100的序列。然后将这些得到的1ⅹ100的序列输入到一个完全随机森林和一个随机森林中，分别得到大小为301ⅹ3的特征向量（该分类问题为3分类问题）。接着将得到的两个相同维度的特征向量拼接为一个长度为1ⅹ1806的特征向量。同理，对于长度1ⅹ200的滑动窗口会得到1ⅹ1206的特征向量。对于长度为1ⅹ300的滑动窗口会得到1ⅹ606的特征向量。（2）将经过多粒度扫描模块后得到的特征向量输入到级联森林中用于模型的训练。首先将长度为1ⅹ1806的特征向量输入到第一层级联森林中，训练后得到长度为1ⅹ12的特征向量。将得到的1ⅹ12的特征向
浴?F处理高维输入特征时，无需降维，无论样本集的大小都具有极高的准确率。2.1.4深度森林深度森林同样是一种基于集成学习的分类方法[39]。近年来，神经网络在诸多领域都展现出优异的性能，我们可以将神经网络理解为由多层非线性函数堆叠而成的模型。这就引出了一个问题——能否将其他学习器同神经网络一样堆叠起来以获得更好的表示能力。深度森林就是一种通过级联的方式堆叠而成的多层森林模型。与需要大量参数的神经网络相比，深度森林参数较少，训练更加容易并且深度森林在各种规模的数据集上都能表现出优异的性能。图2-1深度森林结构图深度森林由两部分构成，它们分别是多粒度扫描模块和级联森林模块。图2-1描述了深度森林的结构。深度森林的整个数据处理流程分为以下两步：（1）首先使用多粒度扫描模块处理输入数据。以3分类问题为例，假设输入数据为1ⅹ400的序列。根据输入序列的长度，将滑动窗口的大小分别设置为1ⅹ100,1ⅹ200,1ⅹ300。使用1ⅹ100长度的时间窗口时，原来长度为1ⅹ400的序列被划分为301个1ⅹ100的序列。然后将这些得到的1ⅹ100的序列输入到一个完全随机森林和一个随机森林中，分别得到大小为301ⅹ3的特征向量（该分类问题为3分类问题）。接着将得到的两个相同维度的特征向量拼接为一个长度为1ⅹ1806的特征向量。同理，对于长度1ⅹ200的滑动窗口会得到1ⅹ1206的特征向量。对于长度为1ⅹ300的滑动窗口会得到1ⅹ606的特征向量。（2）将经过多粒度扫描模块后得到的特征向量输入到级联森林中用于模型的训练。首先将长度为1ⅹ1806的特征向量输入到第一层级联森林中，训练后得到长度为1ⅹ12的特征向量。将得到的1ⅹ12的特征向
【参考文献】：
期刊论文
[1]一个测量抑郁症的重要神经指标:静息额叶脑电活动的不对称性[J]. 刘雷,周仁来. 心理科学进展. 2015(06)
[2]抑郁症住院患者静息态的脑磁频谱分析[J]. 汤浩,卢青,韩莉,江海腾,罗国平,姚志剑. 中华精神科杂志. 2012 (06)
[3]中国面孔表情图片系统的修订[J]. 龚栩,黄宇霞,王妍,罗跃嘉. 中国心理卫生杂志. 2011(01)
硕士论文
[1]基于脑电信号和深度学习的抑郁症患者识别研究[D]. 毛万登.兰州大学 2019
[2]基于脑电信号的抑郁识别及数据挖掘算法的研究[D]. 孙淑婷.兰州大学 2017
本文编号：3105279
【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】：75 页
【学位级别】：硕士
【部分图文】：
各波段波形展示
浴?F处理高维输入特征时，无需降维，无论样本集的大小都具有极高的准确率。2.1.4深度森林深度森林同样是一种基于集成学习的分类方法[39]。近年来，神经网络在诸多领域都展现出优异的性能，我们可以将神经网络理解为由多层非线性函数堆叠而成的模型。这就引出了一个问题——能否将其他学习器同神经网络一样堆叠起来以获得更好的表示能力。深度森林就是一种通过级联的方式堆叠而成的多层森林模型。与需要大量参数的神经网络相比，深度森林参数较少，训练更加容易并且深度森林在各种规模的数据集上都能表现出优异的性能。图2-1深度森林结构图深度森林由两部分构成，它们分别是多粒度扫描模块和级联森林模块。图2-1描述了深度森林的结构。深度森林的整个数据处理流程分为以下两步：（1）首先使用多粒度扫描模块处理输入数据。以3分类问题为例，假设输入数据为1ⅹ400的序列。根据输入序列的长度，将滑动窗口的大小分别设置为1ⅹ100,1ⅹ200,1ⅹ300。使用1ⅹ100长度的时间窗口时，原来长度为1ⅹ400的序列被划分为301个1ⅹ100的序列。然后将这些得到的1ⅹ100的序列输入到一个完全随机森林和一个随机森林中，分别得到大小为301ⅹ3的特征向量（该分类问题为3分类问题）。接着将得到的两个相同维度的特征向量拼接为一个长度为1ⅹ1806的特征向量。同理，对于长度1ⅹ200的滑动窗口会得到1ⅹ1206的特征向量。对于长度为1ⅹ300的滑动窗口会得到1ⅹ606的特征向量。（2）将经过多粒度扫描模块后得到的特征向量输入到级联森林中用于模型的训练。首先将长度为1ⅹ1806的特征向量输入到第一层级联森林中，训练后得到长度为1ⅹ12的特征向量。将得到的1ⅹ12的特征向
浴?F处理高维输入特征时，无需降维，无论样本集的大小都具有极高的准确率。2.1.4深度森林深度森林同样是一种基于集成学习的分类方法[39]。近年来，神经网络在诸多领域都展现出优异的性能，我们可以将神经网络理解为由多层非线性函数堆叠而成的模型。这就引出了一个问题——能否将其他学习器同神经网络一样堆叠起来以获得更好的表示能力。深度森林就是一种通过级联的方式堆叠而成的多层森林模型。与需要大量参数的神经网络相比，深度森林参数较少，训练更加容易并且深度森林在各种规模的数据集上都能表现出优异的性能。图2-1深度森林结构图深度森林由两部分构成，它们分别是多粒度扫描模块和级联森林模块。图2-1描述了深度森林的结构。深度森林的整个数据处理流程分为以下两步：（1）首先使用多粒度扫描模块处理输入数据。以3分类问题为例，假设输入数据为1ⅹ400的序列。根据输入序列的长度，将滑动窗口的大小分别设置为1ⅹ100,1ⅹ200,1ⅹ300。使用1ⅹ100长度的时间窗口时，原来长度为1ⅹ400的序列被划分为301个1ⅹ100的序列。然后将这些得到的1ⅹ100的序列输入到一个完全随机森林和一个随机森林中，分别得到大小为301ⅹ3的特征向量（该分类问题为3分类问题）。接着将得到的两个相同维度的特征向量拼接为一个长度为1ⅹ1806的特征向量。同理，对于长度1ⅹ200的滑动窗口会得到1ⅹ1206的特征向量。对于长度为1ⅹ300的滑动窗口会得到1ⅹ606的特征向量。（2）将经过多粒度扫描模块后得到的特征向量输入到级联森林中用于模型的训练。首先将长度为1ⅹ1806的特征向量输入到第一层级联森林中，训练后得到长度为1ⅹ12的特征向量。将得到的1ⅹ12的特征向
【参考文献】：
期刊论文
[1]一个测量抑郁症的重要神经指标:静息额叶脑电活动的不对称性[J]. 刘雷,周仁来. 心理科学进展. 2015(06)
[2]抑郁症住院患者静息态的脑磁频谱分析[J]. 汤浩,卢青,韩莉,江海腾,罗国平,姚志剑. 中华精神科杂志. 2012 (06)
[3]中国面孔表情图片系统的修订[J]. 龚栩,黄宇霞,王妍,罗跃嘉. 中国心理卫生杂志. 2011(01)
硕士论文
[1]基于脑电信号和深度学习的抑郁症患者识别研究[D]. 毛万登.兰州大学 2019
[2]基于脑电信号的抑郁识别及数据挖掘算法的研究[D]. 孙淑婷.兰州大学 2017
本文编号：3105279
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3105279.html
