基于脑电信号和深度神经网络的轻度抑郁识别研究

发布时间：2023-06-13 20:51

　　基于脑电信号(Electroencephalography,EEG)的抑郁症研究侧重于使用数据挖掘的方法来识别抑郁症,而对轻度抑郁的研究尚处于起步阶段,尤其是在有效监测和定量测量方面。针对轻度抑郁症的识别,本文提出了两种使用卷积神经网络(Convolutional Neural Network,CNN)的计算机辅助检测(computer-aided detection,CAD)模型。本文使用了24名轻度抑郁和24名健康对照大学生在情绪面孔浏览任务中的脑电数据。在第一个模型——基于脑电功率特征的深度神经网络轻度抑郁识别模型中,受CNN在图片识别领域取得的巨大成功的启发,模型将脑电时序信号转换为RGB三通道图片形式作为深度神经网络的输入。脑电信号包含频域、空间和时间方面的信息,频域特征通常使用信号的频谱图进行研究,于是本文提取了脑电的功率特征;脑电的空间信息通过电极位置体现,电极位置分布在三维空间,为了处理方便,利用方位角等距投影(Azimuthal equidistant projection,AEP)将三维电极位置投影到二维平面形成一张图像来保留脑电的空间信息;脑电信号是时序信号,反映...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 研究现状
        1.2.1 基于脑电信号的抑郁症的CAD系统
        1.2.2 基于功能连接的抑郁识别研究
        1.2.3 深度学习在神经信号分类领域的应用
        1.2.4 抑郁症患者情绪加工异常
        1.2.5 被试相关与被试无关分类
    1.3 主要工作与创新
    1.4 论文结构安排
第二章 深度学习算法及图论理论基础
    2.1 深度学习算法基础
        2.1.1 卷积神经网络
        2.1.2 长短时记忆网络
    2.2 图理论基础知识
        2.2.1 功能连接计算
        2.2.2 图论方法
    2.3 本章小结
第三章 实验设计与数据采集
    3.1 被试对象
    3.2 实验材料和流程
    3.3 脑电信号采集及预处理
    3.4 本章小结
第四章 基于脑电功率特征的深度神经网络轻度抑郁识别模型
    4.1 输入形式
    4.2 网络架构
    4.3 分类结果
        4.3.1 CNN与传统分类算法在轻度抑郁的CAD系统中的性能比较
        4.3.2 EEG空间和时间信息的作用
        4.3.3 按被试划分训练测试集和随机划分训练测试集的对比
        4.3.4 讨论
    4.4 本章小结
第五章 基于功能连接矩阵的卷积神经网络轻度抑郁识别模型
    5.1 输入
    5.2 网络结构及训练
    5.3 基于图论的结果
        5.3.1 小世界属性
        5.3.2 单电极上的平均聚类系数统计分析
        5.3.3 网络的拓扑结构
        5.3.4 讨论
    5.4 CNN分类结果
        5.4.1 CNN对四种功能连接矩阵的分类性能
        5.4.2 我们的CNN方法和经典分类算法的对比
        5.4.3 三通道功能连接矩阵的分类性能
        5.4.4 讨论
    5.5 本章小结
第六章 总结和展望
    6.1 本文的工作总结
    6.2 研究展望
参考文献
附录
在学期间的研究成果
致谢



本文编号：3833273