基于脑电信号和深度学习的抑郁症患者识别研究

发布时间：2020-06-17 23:32

【摘要】：当前世界上有着庞大的抑郁症患病人群。受快节奏生活方式和高压力的影响,抑郁症患者数目还在不断增长并预计在2020年达到仅次于心脏病患者的规模。及时的诊断和医治能够减轻抑郁症给患者、患者亲属和社会带来的负担。然而,当前诊断抑郁症的主要手段是基于量表的诊断方法,该方法具有很强的主观性并且诊断准确率低。因此迫切地需要找到一种能够客观、高效识别抑郁症患者的方法。大量研究表明抑郁症患者和正常人群在大脑活动上存在显著差异。脑电(Electroencephalography,EEG)作为能够客观反应大脑活动状态的生物电信号,凭借着非侵入性、易获取和时间分辨率高等特点被广泛应用到抑郁症研究领域。当前,抑郁症的发病机理尚不明确,因而研究人员在基于传统机器学习算法和脑电识别抑郁症患者的研究中,缺乏足够的先验知识来设计和筛选特征。深度学习(Deep Learning,DL)凭借其强大的表征学习能力,在计算能力快速增长和样本获取更加便利的今天被成功地应用到众多领域。相对其它机器学习方法,深度学习能够自发实现特征提取和筛选,不需要复杂的特征工程。本文从17名抑郁症患者和17名正常被试上各采集了时长为5分钟的闭眼静息态脑电数据,基于采集到的脑电数据和深度学习探索抑郁症患者的识别方法。本文的主要工作为:(1)通过把单条脑电记录截取成片段的方法,将可用数据量增加到数千条。使用依照电极序号将对应记录依次排列、基于距离映射和非距离映射三种方法将脑电数据组织成不同的深度学习模型输入样本,以保留原始脑电信号的时域、频域和空间特性;(2)针对构造的三种脑电样本特点,设计了不同网络结构,采用了不同的训练策略;(3)把被试所有片段中被模型预测为某类别的比例作为个体分类的依据,从片段分类准确率和被试分类准确率两方面对本文的方法进行对比;(4)使用深度学习可视化技术验证本文方法的有效性和可靠性。本文的方法在全部片段分类和被试个体分类中分别取得了81.03%和88.24%的最高分类准确率。可视化结果表明本文的方法能够从脑电数据中提取出可以有效区分两类人群的特征,并且大脑前额叶对深度模型的预测有着最大的影响,这与当前的一些研究发现一致。本文的结果验证了将深度学习方法进一步应用该领域的有效性和可行性。
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R749.4
【图文】：

结构示意图,细胞的

生学位论文基于脑电信号和深度学习方法的抑郁症会读取来自前一细胞的状态并在处理后输出新的状态分来自输入到当前细胞的状态信息，即前一细胞的输细胞的输入数据。遗忘门的作用是在生成新状态时，的数据输入，决定在多大程度上保留由前一细胞输入现方法如公式（2-3）所示： = ( д ) 一个细胞的输出，表示当前细胞的输入，表示 Sigm表示遗忘门的输出、权重参数和偏差参数。的大小保留的多少。

结构示意图,卷积核,特征图,卷积

兰州大学硕士研究生学位论文基于脑电信号和深度学习方法的抑郁症患者识别研究前两层都是卷积层，其中第一层使用了 30 个尺寸为 15*1 的一维卷积核来处理时间维度上的信息并得到 30 个特征图，第二层使用了 25 个尺寸为 30*1*16 的卷积核，30 对应着输入到本层的特征图数目，相当于在每个特征图上使用大小为 1*16 的一维卷积核来提取各电极对应记录之间的相关性特征。经过前两层的处理，样本对应的所有特征图都是一维的，这些特征图表征了电极之间的相关性和部分时间特性。第三、五、七和九层为池化层，池化大小为 3*1，步长为 3，池化方式为最大池化。第四、六和八层为卷积层，每层的卷积核尺寸分别为25*10*1、50*10*1 和 100*10*1，卷积核尺寸中的第一个数字都对应输入到每层的特征图个数，卷积核数目分别为 50、100 和 200。所有的 5 个卷积层中，卷积核的移动步长均为1，激活函数均为线性整流函数。第十层到十一层为全连接层，每层的隐单元个数分别为 200、50，最后为 Softmax 输出层，完成预测结果的输出。图 4-1 为该模型结构的示意图，图中 Conv 表示卷积层，Pool 表示池化层，FC 表示全连接层。

【相似文献】