CH716863A2

CH716863A2 - Depression detection system based on channel selection of multi-channel electroencephalography made using training sets.

Info

Publication number: CH716863A2
Application number: CH01419/20A
Authority: CH
Inventors: Hu Bin; Zhang Xiaowei; Li Na; Pan Jing; Li Junlei; Wu Manxi
Original assignee: Univ Lanzhou
Priority date: 2019-11-22
Filing date: 2020-11-04
Publication date: 2021-05-31
Also published as: CH716863B1; CN110876626A; CN110876626B; CH716863A8

Abstract

Die Erfindung betrifft ein Depressionserkennungssystem basierend auf einer unter Verwendung von Trainingssatzen getroffenen Kanalauswahl von Mehrkanal-Elektroenzephalographie (EEG). Das System beseitigt effektiv durch Mehrkanal-EEG-Signale verursachte Informationsredundanz, reduziert die Berechnungskomplexität, und verbessert die Genauigkeit der Depressionserkennung. Das System umfasst ein Mehrkanal-EEG-Signalerhaltungsmodul, ein EEG-Signalvorverarbeitungsmodul, ein Merkmalsextraktionsmodul, ein Kanalauswahlmodul und ein Depressionserkennungsmodul. Das Mehrkanal-EEG-Signalerhaltungsmodul ist konfiguriert, Mehrkanal-EEG-Signale zu erhalten, die in einem Ruhezustand erfasst werden; das EEG-Signalvorverarbeitungsmodul ist konfiguriert, die erhaltenen Mehrkanal-EEG-Signale vorzuverarbeiten; das Merkmalsextraktionsmodul ist konfiguriert, effektive Merkmale zu extrahieren, die für eine optimale Kanalauswahl verwendet werden; das Kanalauswahlmodul ist konfiguriert, mit modifizierter Kernel-Zielausrichtung (modified Kernel Target Alignment (mKTA)) als eine Zielfunktion, eine Kanalauswahl auf der Zielfunktion unter Verwendung eines Neuen-Binären-Partikel-Schwarm-Optimierungs (New Binary Particle Swarm Optimization (NBPSO))-Verfahrens durchzuführen, um eine optimale Kanalteilmenge zu erhalten; und das Depressionserkennungsmodul ist konfiguriert, die ausgewählte optimale Kanalteilmenge zu erkennen und ein optimales Depressionserkennungs-Klassifikationsmodell zu erstellen, um eine Depression zu erkennen.The invention relates to a depression detection system based on a channel selection of multi-channel electroencephalography (EEG) made using training sets. The system effectively eliminates information redundancy caused by multi-channel EEG signals, reduces computational complexity, and improves the accuracy of depression detection. The system comprises a multi-channel EEG signal maintenance module, an EEG signal preprocessing module, a feature extraction module, a channel selection module and a depression detection module. The multi-channel EEG signal maintenance module is configured to receive multi-channel EEG signals that are detected in an idle state; the EEG signal preprocessing module is configured to preprocess the received multi-channel EEG signals; the feature extraction module is configured to extract effective features that are used for optimal channel selection; the channel selection module is configured with modified kernel target alignment (mKTA) as an objective function, channel selection on the objective function using New Binary Particle Swarm Optimization (NBPSO) -Perform method to obtain an optimal channel subset; and the depression detection module is configured to detect the selected optimal channel subset and to build an optimal depression detection classification model to detect depression.

Description

TECHNISCHES GEBIETTECHNICAL AREA

[0001] Die Offenbarung bezieht sich auf ein Depressionserkennungssystem, das auf einer optimalen Kanalauswahl von Mehrkanal-Elektroenzephalographie (EEG) basiert und zu dem technischen Gebiet der Hilfsbehandlung für Depression gehört. The disclosure relates to a depression detection system based on optimal channel selection of multi-channel electroencephalography (EEG) and belonging to the technical field of auxiliary treatment for depression.

HINTERGRUNDBACKGROUND

[0002] Depression ist eine häufige psychische Störung, die Wochen, Monate oder sogar Jahre dauern kann. Sie beeinträchtigt die Fähigkeit eines Menschen, Aktivitäten des täglichen Lebens auszuführen. Wie von der WHO vorhergesagt, wird Depression bis 2020 zur zweithäufigsten Bedrohung für das menschliche Leben werden. Depression kann die Gedanken, das Verhalten, die Gefühle und das Wohlbefinden einer Person erheblich beeinträchtigen. Darüber hinaus leiden nach der Vorhersage der WHO weltweit mehr als 350 Millionen Menschen an Depression, und fast eine Million Depressionspatienten begehen jedes Jahr Selbstmord. Depression ist zu einer ernsthaften Bedrohung für das menschliche Leben geworden. Obwohl Depression mit einigen effektiven klinischen Mitteln behandelt werden kann, leidet weltweit eine große Zahl von Depressionspatienten aufgrund von Vernachlässigung, verspäteter Diagnose und Fehldiagnose unter durch Depression verursachte Schmerzen. Daher ist die Früherkennung von Depression entscheidend, um Depression zu heilen, die Lebensqualität zu verbessern und die psychische und physische Gesundheit von Depressionspatienten zu gewährleisten, und sie kann auch die durch Depression verursachte soziale und wirtschaftliche Belastung direkt verringern. Depression is a common mental disorder that can last weeks, months, or even years. It affects a person's ability to carry out activities of daily living. As predicted by the WHO, depression will become the second most common threat to human life by 2020. Depression can significantly affect a person's thoughts, behavior, feelings, and well-being. In addition, according to WHO predictions, more than 350 million people worldwide suffer from depression, and nearly a million people with depression commit suicide each year. Depression has become a serious threat to human life. Although depression can be treated with some effective clinical agents, large numbers of depression patients worldwide suffer from depression-related pain due to neglect, late diagnosis, and misdiagnosis. Therefore, early detection of depression is critical to curing depression, improving the quality of life, and ensuring the mental and physical health of depression sufferers, and it can also directly reduce the social and economic burden caused by depression.

[0003] Gegenwärtig sind die Selbstbeurteilungs-Depressionsskala und das klinische Interview die wichtigsten klinischen Mittel zur Diagnose und Erkennung von Depression. Die Selbstbeurteilungs-Depressionsskala ist jedoch im Allgemeinen subjektiv, und das klinische Interview wird in der Regel von den klinischen Fähigkeiten und diagnostischen Verfahren von Allgemeinmedizinern beeinflusst. Darüber hinaus gibt es in der klinischen Praxis kein objektives Beurteilungskriterium für die Diagnose und Erkennung von Depression. Da die Zahl der Depressionspatienten zunimmt, wird es dringend notwendig, eine effektive Nachversorgung für Depressionspatienten durch Früherkennung und Beurteilung bereitzustellen. Um ein objektiveres Erkennungsergebnis zu erhalten, führen Forscher Depressionserkennung auf der Basis von Verhaltenssignalen wie Ausdrücken, Stimme und Körperhaltungen durch, und haben durch den Einsatz verschiedener Verfahren des maschinellen Lernens und des Tiefenlernens einige Erfolge erzielt. Da die Verhaltenssignale jedoch indirekte Signale sind, die leicht zu kontrollieren und zu verschleiern sind, können die Signale durch subjektive Faktoren eines Probanden gestört werden und können manchmal nicht den möglichen realen psychischen Zustand des Probanden widerspiegeln. Ein EEG-Signal, welches eine spontane Entladungsaktivität der Großhirnrinde ohne künstliche Kontrolle ist, kann einen internen Arbeitszustand eines Gehirns direkt widerspiegeln und hat eine hohe zeitliche Auflösung. Darüber hinaus hat das EEG Eigenschaften wie, dass es sicher und einfach zu erwerben, nicht-invasiv und kostengünstig ist. Daher ist es machbar und vielversprechend, eine objektive Erkennung von Depression unter Verwendung von EEG-Signalen bereitzustellen. Die Forschung der EEG-basierten Depressionserkennung stellt einen bequemeren neuen Ansatz für die klinische Diagnose und Behandlung von Depression bereit. In den letzten Jahren hat die Forschung der EEG-basierten Depressionserkennung auch bei Experten und Gelehrten große Beachtung gefunden. At present, the self-rated depression scale and clinical interview are the most important clinical tools for diagnosis and detection of depression. However, the self-rated depression scale is generally subjective and the clinical interview is usually influenced by the clinical skills and diagnostic procedures of general practitioners. Furthermore, in clinical practice there is no objective assessment criterion for the diagnosis and detection of depression. As the number of depression sufferers increases, there is an urgent need to provide effective follow-up care for depression sufferers through early detection and assessment. To get a more objective detection result, researchers are performing depression detection based on behavioral cues such as expression, voice, and posture, and have had some success using various machine learning and deep learning techniques. However, since the behavioral signals are indirect signals that are easy to control and obscure, the signals can be disrupted by subjective factors of a subject and sometimes may not reflect the subject's possible real psychological state. An EEG signal, which is a spontaneous discharge activity of the cerebral cortex without artificial control, can directly reflect an internal working state of a brain and has a high temporal resolution. In addition, the EEG has properties such as that it is safe, easy to purchase, non-invasive, and inexpensive. Therefore, it is feasible and promising to provide objective detection of depression using EEG signals. Research into EEG-based depression detection provides a more convenient new approach to the clinical diagnosis and treatment of depression. In the last few years, research into EEG-based depression detection has also received a great deal of attention from experts and scholars.

[0004] Die Erkennungsgenauigkeit der aktuellen Forschung von EEG-basierter Depressionserkennung muss noch verbessert werden. Da klinisch erfasste EEG-Signale im Allgemeinen Eigenschaften wie mehrere Kanäle, eine hohe Abtastrate und eine hohe Dichte aufweisen, sind zudem die Informationsredundanz und Berechnungskomplexität der klinischen EEG-Signale stark erhöht, was die Technologien des maschinellen Lernens und des Tiefenlernens vor große Herausforderungen stellt. Eine große Anzahl von Kanälen kann zu einer Überanpassung der Modelle für maschinelles Lernen und Tiefenlernen führen, und irrelevante Kanäle können sogar zu einem Verlust der Erkennungsgenauigkeit der Depressionserkennung führen. Darüber hinaus dauert es während der klinischen Erfassung von EEG-Signalen ein lange Zeit, eine große Anzahl von Kanälen einzustellen, und es ist auch für den Probanden unangenehm. Infolgedessen können die erfassten EEG-Signale des Probanden den psychischen Zustand des Probanden nicht genau widerspiegeln. The detection accuracy of current research into EEG-based depression detection has yet to be improved. Since clinically recorded EEG signals generally have properties such as multiple channels, a high sampling rate and a high density, the information redundancy and computational complexity of the clinical EEG signals are also greatly increased, which poses major challenges for machine learning and deep learning technologies. A large number of channels can lead to overfitting of the machine learning and deep learning models, and irrelevant channels can even lead to a loss of detection accuracy for depression detection. In addition, during the clinical acquisition of EEG signals, it takes a long time to set a large number of channels, and it is also inconvenient for the subject. As a result, the subject's EEG signals recorded cannot accurately reflect the subject's psychological state.

ZUSAMMENFASSUNGSUMMARY

[0005] Um das in dem Stand der Technik bestehende Problem zu lösen, stellt die Offenbarung ein Depressionserkennungssystem bereit, das auf einer optimalen Kanalauswahl von Mehrkanal-EEG basiert, welches durch Mehrkanal-EEG-Signale verursachte Informationsredundanz effektiv beseitigen, die Berechnungskomplexität reduzieren und eine Erkennungsgenauigkeit der Depressionserkennung verbessern kann, wodurch die Probleme einer geringen Erkennungsgenauigkeit, Informationsredundanz von Mehrkanal-EEG-Signalen und einer hohen Berechnungskomplexität bei der klinischen Erkennung von Depression gelöst werden. In order to solve the problem in the prior art, the disclosure provides a depression detection system based on optimal channel selection of multi-channel EEG, which effectively eliminates information redundancy caused by multi-channel EEG signals, reduces computational complexity and a Can improve the detection accuracy of depression detection, thereby solving the problems of poor detection accuracy, information redundancy of multi-channel EEG signals, and high computational complexity in clinical detection of depression.

[0006] Technische Lösungen der Offenbarung sind wie folgt: 1. Ein Depressionserkennungssystem basierend auf einer optimalen Kanalauswahl von Mehrkanal-EEG umfasst ein Mehrkanal-EEG-Signalerhaltungsmodul, ein EEG-Signalvorverarbeitungsmodul, ein Merkmalsextraktionsmodul, ein Kanalauswahlmodul und ein Depressionserkennungsmodul. Das Mehrkanal-EEG-Signalerhaltungsmodul ist konfiguriert, Mehrkanal-EEG-Signale zu erhalten, die in einem Ruhezustand erfasst werden; das EEG-Signalvorverarbeitungsmodul ist konfiguriert, die erhaltenen Mehrkanal-EEG-Signale vorzuverarbeiten; das Merkmalsextraktionsmodul ist konfiguriert, effektive Merkmale zu extrahieren, die für eine optimale Kanalauswahl verwendet werden; das Kanalauswahlmodul ist konfiguriert, mit modifizierter Kernel-Zielausrichtung (modified Kernel Target Alignment (mKTA)) als eine Zielfunktion, eine Kanalauswahl auf der Zielfunktion unter Verwendung eines Neuen-Binären-Partikel-Schwarm-Optimierungs (New Binary Particle Swarm Optimization (NBPSO))-Verfahrens durchzuführen, um eine optimale Kanalteilmenge zu erhalten; und das Depressionserkennungsmodul ist konfiguriert, die ausgewählte optimale Kanalteilmenge zu erkennen und ein optimales Depressionserkennungs-Klassifikationsmodell zu erstellen, um eine Depression zu erkennen. 2. 64-Kanal-EEG-Signale, die durch das Mehrkanal-EEG-Signalerhaltungsmodul erhalten werden, werden in einer Brain Products-Plattform erfasst, eine Erfassungsvorrichtung verwendet Elektrodenkappen in einem Internationalen 10-20-System mit 64 Kanälen, eine Kopfhautimpedanz eines Sensors ist niedriger als 20 Kiloohm, eine Abtastrate ist auf 1000 Hz eingestellt, und eine Referenzelektrode und eine Erdungselektrode sind jeweils auf FCz und AFz eingestellt. 3. Das Mehrkanal-EEG-Signalerhaltungsmodul erhält Ruhezustands-64-Kanal-EEG-Signale eines gesunden Probanden und eines Depressionspatienten in einem Ruhezustand bei geschlossenen Augen innerhalb von 5 Minuten unter der gleichen Bedingung. 4. Das EEG-Signalvorverarbeitungsmodul führt eine Datenvorverarbeitung an den erfassten 64-Kanal-EEG-Signalen durch, umfassend vier Schritte: Wechseln der Referenzelektrode, Downsampling, Bandpassfilterung und Artefaktenentfernung: 1) Wechseln der Referenzelektrode: Zurücksetzen der ursprünglichen Referenzelektrode FCz auf Mastoidteile auf zwei Seiten; Downsampling: Reduzieren der Abtastrate der EEG-Signale von 1000 Hz auf 256 Hz; Bandpassfilterung: Durchführen einer Bandpassfilterung bei 1 Hz bis 40 Hz, um Gleichstrominterferenzen und hochfrequente Störsignale zu entfernen; und Artefaktenentfernung: visuelles Überprüfen der Originalsignale, um innerhalb von 70 Sekunden Ruhezustands-EEG-Signale auszuwählen, die ein Minimum an Artefaktsignalen und defekten Elektroden enthalten, und des Weiteren Entfernen von Artefaktsignalen aus den ausgewählten Ruhezustands-EEG-Signalen innerhalb von 70 Sekunden unter Verwendung eines unabhängigen Komponentenanalyseverfahrens. 5. Das Merkmalsextraktionsmodul umfasst einen Schritt der linearen Merkmalsextraktion: Extrahieren von drei linearen Merkmalen aus den vorverarbeiteten EEG-Signalen, wobei die drei linearen Merkmale eine maximale Leistungsspektralfrequenz, eine mittlere Leistungsspektralfrequenz und eine Schwerpunkts-Leistungsspektralfrequenz umfassen; zuerst wird ein Leistungsspektrum jedes Segments des EEG-Signals unter Verwendung einer Welch-Methode berechnet, und dann wird unter Verwendung eines Leistungsspektrumssignals eines entsprechenden Segments ein Maximalwert des Leistungsspektrumssignals berechnet, um die maximale Leistungsspektralfrequenz zu erhalten; ein Mittelwert des Leistungsspektrumssignals wird berechnet, um die mittlere Leistungsspektralfrequenz zu erhalten; und eine Schwerpunktsfrequenz wird berechnet, um die Schwerpunkts-Leistungsspektralfrequenz zu erhalten. 6. Das Merkmalsextraktionsmodul umfasst einen Schritt der nichtlinearen Merkmalsextraktion: Extrahieren von zwei nichtlinearen Merkmalen aus den vorverarbeiteten EEG-Signalen, wobei die beiden nichtlinearen Merkmale die Kolmogorov-Entropie und LZ-Komplexität umfassen; die Kolmogorov-Entropie stellt einen chaotischen Grad eines Systems unter Verwendung von Korrelationsintegralen einer Vielzahl von zunehmenden Einbettungsdimensionen dar: wobei m eine Einbettungsdimension ist, und Cm(r) ein Korrelationsintegral der Einbettungsdimension ist; und die LZ-Komplexität wird zum Berechnen der Signalkomplexität auf der Basis eines groben Messwerts verwendet; es ist erwiesen, dass eine obere Grenze der LZ-Komplexität ist: und durch b(n) c(n) normalisiert werden kann als: wobei n eine Signallänge ist, c(n) die Komplexität eines Signals ist und b(n) die Komplexität des Signals ist, nachdem es binarisiert wurde. 7. Das Kanalauswahlmodul umfasst einen Schritt der optimalen Kanalgewichtsauswahl: zuerst Unterteilen eines Merkmalssatzes umfassend das gesamte Segment von EEG-Signalen in einen Trainingssatz und einen Testsatz, und Durchführen des folgenden Kanalgewichtsauswahlschritts auf dem Trainingssatz: zuerst Organisieren einer Merkmalsmatrix f von Merkmalsdaten in dem Trainingssatz basierend auf Kanälen und Berechnen einer Zielmatrix L gemäß einem Klassenlabel y<T>; dann Erzeugen von P Gruppen von Kanalauswahlgewichten w unter Verwendung des NBPSO-Verfahrens gemäß P Anfangsgewichten w, Berechnen von P Kanalteilmengen S, , Berechnen einer Kanalauswahlkernelmatrix KSder P Kanalteilmengen, dann Messen der Qualität der ausgewählten Kanalteilmengen unter Verwendung der mKTA als eine Zielfunktion, und Berechnen von P Gruppen der mKTA-Werte; dann Aktualisieren gemäß den P Gruppen der mKTA-Werte von p_best, welches Gewichte von all den Kanälen darstellt, die P Gruppen von persönlich besten mKTA-Werten entsprechen, und von g_best, welches Gewichte von all den Kanälen darstellt, die einem global besten mKTA-Wert entsprechen, Aktualisieren der P Gruppen von Kanalgewichten unter Verwendung der NBPSO und Aktualisieren der Kanalteilmengen; dann Aktualisieren der P Kanalteilmengen Siunter Verwendung der aktualisierten P Gruppen von Kanalgewichten w, und Berechnen der Kanalauswahlkernelmatrix KS; und Durchführen von Iterationen auf diese Weise, bis optimale Kanalgewichte w ausgegeben werden. 8. Das Depressionserkennungsmodul umfasst einen Schritt des Erstellens eines optimalen Depressionserkennungs-Klassifikationsmodells: zuerst Berechnen eines optimalen Kanalteilmengen-TrainingssatzesStrund eines optimalen Kanalteilmengen-Testsatzes Ste, die dem Trainingssatz und dem Testsatz jeweils entsprechen, entsprechend den berechneten optimalen Kanalgewichten; und Suchen optimierter Depressionserkennungsparameter unter Verwendung eines 10-fachen Kreuzvalidierungsverfahrens, um das optimale Depressionserkennungs-Klassifikationsmodell zu erstellen: zufälliges Unterteilen des berechneten optimalen Kanalteilmengen-Trainingssatzes Strund eines Trainingsklassenlabels gleichermaßen in 10 Teile, abwechselndes Verwenden von 9 Teilen als ein Trainingssatz, um das Modell zu trainieren, und des verbleibenden 1 Teils als ein Validierungssatz, um das Modell zu validieren, um optimale Depressionserkennungsmodellparameter zu finden; und dann Erstellen des optimalen Depressionserkennungs-Klassifikationsmodells f(Str) auf dem berechneten optimalen Kanalteilmengen-Trainingssatz unter Verwendung der optimalen Parameter, f(Str)=Wmod elk(Str, Str) + b, wobei Wmod elein Gewichtskoeffizient ist, k eine Kernelfunktion ist und b eine Vorspannung ist. 9. Das Depressionserkennungsmodul umfasst einen Schritt des Testens des optimalen Depressionserkennungs-Klassifikationsmodells: Eingeben des berechneten optimalen Kanalteilmengen-Testsatzes Ste in das erstellte optimale Depressionserkennungs-Klassifikationsmodell: f(Ste)=Wmod elk(Ste,Str)+b, Erhalten eines Depressionserkennungsergebnisses durch Berechnung, Vergleichen eines Testklassenlabels mit dem Depressionserkennungsergebnis, das von dem optimalen Depressionserkennungsmodell ausgegeben wird, und Berechnen entsprechender Modellleistungsbewertungsindizes wie Genauigkeit, Empfindlichkeit und Spezifität. 10. Das Depressionserkennungsmodul umfasst einen Schritt der Hilfsdiagnose zur Depressionserkennung: zuerst Vorverarbeiten von erfassten EEG-Signaldaten und Extrahieren der effektiven Merkmale, um eine Merkmalsmatrix fnewzu erhalten; Berechnen einer optimalen Kanalmerkmalsteilmenge zur Hilfsdiagnose Snewunter Verwendung der optimalen Kanalgewichte; dann Eingeben der berechneten optimalen Kanalmerkmalsteilmenge zur Hilfsdiagnose in das optimale Depressionserkennungs-Klassifikationsmodell, um ein Depressionserkennungsergebnis zu berechnen: f(Snew)=Wmod elk(Snew, Str)+b. Technical solutions of the disclosure are as follows: 1. A depression detection system based on optimal channel selection of multi-channel EEG comprises a multi-channel EEG signal maintenance module, an EEG signal preprocessing module, a feature extraction module, a channel selection module and a depression detection module. The multi-channel EEG signal maintenance module is configured to receive multi-channel EEG signals that are detected in an idle state; the EEG signal preprocessing module is configured to preprocess the received multi-channel EEG signals; the feature extraction module is configured to extract effective features that are used for optimal channel selection; the channel selection module is configured with modified kernel target alignment (mKTA) as an objective function, channel selection on the objective function using New Binary Particle Swarm Optimization (NBPSO) -Perform method to obtain an optimal channel subset; and the depression detection module is configured to detect the selected optimal channel subset and to build an optimal depression detection classification model to detect depression. 2. 64-channel EEG signals obtained by the multi-channel EEG signal maintenance module are detected in a Brain Products platform, a detection device uses electrode caps in an international 10-20 system with 64 channels, a scalp impedance of a sensor is lower than 20 kilohms, a sampling rate is set to 1000 Hz, and a reference electrode and a ground electrode are set to FCz and AFz, respectively. 3. The multi-channel EEG signal maintenance module receives resting state 64-channel EEG signals of a healthy subject and a depressed patient in a resting state with their eyes closed within 5 minutes under the same condition. 4. The EEG signal preprocessing module carries out data preprocessing on the acquired 64-channel EEG signals, comprising four steps: changing the reference electrode, downsampling, bandpass filtering and artifact removal: 1) Changing the reference electrode: resetting the original reference electrode FCz on mastoid parts on two sides; Downsampling: reducing the sampling rate of the EEG signals from 1000 Hz to 256 Hz; Band Pass Filtering: Performing band pass filtering at 1 Hz to 40 Hz to remove DC interference and high frequency spurious signals; and Artifact Removal: Visually inspecting the original signals to select resting EEG signals containing a minimum of artifact signals and defective electrodes within 70 seconds, and further removing artifact signals from the selected resting EEG signals within 70 seconds using a independent component analysis method. 5. The feature extraction module comprises a step of linear feature extraction: extracting three linear features from the preprocessed EEG signals, the three linear features including a maximum power spectral frequency, an average power spectral frequency and a center of gravity power spectral frequency; first, a power spectrum of each segment of the EEG signal is calculated using a Welch method, and then a maximum value of the power spectrum signal is calculated using a power spectrum signal of a corresponding segment to obtain the maximum power spectrum frequency; a mean value of the power spectrum signal is calculated to obtain the mean power spectrum frequency; and a center of gravity frequency is calculated to obtain the center of gravity power spectral frequency. 6. The feature extraction module comprises a step of non-linear feature extraction: extracting two non-linear features from the preprocessed EEG signals, the two non-linear features comprising Kolmogorov entropy and LZ complexity; Kolmogorov entropy represents a chaotic degree of a system using correlation integrals of a plurality of increasing embedding dimensions: where m is an embedding dimension and Cm (r) is a correlation integral of the embedding dimension; and the LZ complexity is used to calculate the signal complexity based on a rough measurement value; it has been proven that an upper bound on the LZ complexity is: and can be normalized by b (n) c (n) as: where n is a signal length, c (n) is the complexity of a signal, and b (n) is the Complexity of the signal is after it has been binarized. 7. The channel selection module comprises a step of optimal channel weight selection: first dividing a feature set comprising the entire segment of EEG signals into a training set and a test set, and performing the following channel weight selection step on the training set: first organizing a feature matrix f based on feature data in the training set on channels and calculating a target matrix L according to a class label y <T>; then generating P groups of channel selection weights w using the NBPSO method according to P initial weights w, calculating P channel subsets S,, calculating a channel selection kernel matrix KS of the P channel subsets, then measuring the quality of the selected channel subsets using the mKTA as an objective function, and calculating of P groups of the mKTA values; then update according to the P groups of the mKTA values of p_best, which represents weights of all the channels corresponding to P groups of personally best mKTA values, and of g_best, which represents weights of all the channels that represent a globally best mKTA- Value, updating the P groups of channel weights using the NBPSO and updating the channel subsets; then updating the P channel subsets Si using the updated P groups of channel weights w, and calculating the channel selection kernel matrix KS; and performing iterations in this manner until optimal channel weights w are output. 8. The depression detection module comprises a step of creating an optimal depression detection classification model: first, calculating an optimal channel subset training set Str and an optimal channel subset test set Ste, which correspond to the training set and the test set, respectively, according to the calculated optimal channel weights; and searching for optimized depression detection parameters using a 10-fold cross-validation method to create the optimal depression detection classification model: randomly dividing the calculated optimal channel subset training set Str and a training class label equally into 10 parts, alternately using 9 parts as a training set to train the model train and the remaining 1 part as a validation set to validate the model to find optimal depression detection model parameters; and then building the optimal depression detection classification model f (Str) on the calculated optimal channel subset training set using the optimal parameters, f (Str) = Wmod elk (Str, Str) + b, where Wmod el is a weight coefficient, k is a kernel function and b is a bias. 9. The depression detection module includes a step of testing the optimal depression detection classification model: inputting the calculated optimal channel subset test set Ste into the created optimal depression detection classification model: f (Ste) = Wmod elk (Ste, Str) + b, obtaining a depression detection result by Calculating, comparing a test class label with the depression detection result output by the optimal depression detection model, and calculating corresponding model performance evaluation indices such as accuracy, sensitivity and specificity. 10. The depression detection module comprises a step of auxiliary diagnosis for depression detection: first pre-processing of detected EEG signal data and extraction of the effective features in order to obtain a feature matrix fnew; Calculating an optimal channel feature subset for auxiliary diagnosis Snew using the optimal channel weights; then inputting the calculated optimal channel feature subset for auxiliary diagnosis into the optimal depression detection classification model in order to calculate a depression detection result: f (Snew) = Wmod elk (Snew, Str) + b.

Technische Wirkungen der Offenbarung:Technical effects of the disclosure:

[0007] Das in der Offenbarung bereitgestellte Depressionserkennungssystem basierend auf einer optimalen Kanalauswahl von Mehrkanal-EEG kann durch Mehrkanal-EEG-Signale verursachte Informationsredundanz effektiv beseitigen, die Berechnungskomplexität reduzieren und eine Erkennungsgenauigkeit der Depressionserkennung verbessern, wodurch die Probleme einer geringen Erkennungsgenauigkeit, Informationsredundanz von Mehrkanal-EEG-Signalen und einer hohen Berechnungskomplexität bei der klinischen Erkennung von Depression gelöst werden. Die Offenbarung löst auch die Probleme wie schlechte Interpretation, einen schlechten Erkennungseffekt, unzureichende Berücksichtigung von Kanalkombinationen, hohen Rechenverlust und Überanpassung des bestehenden Kanalauswahlverfahrens. The depression detection system provided in the disclosure based on optimal channel selection of multi-channel EEG can effectively eliminate information redundancy caused by multi-channel EEG signals, reduce calculation complexity, and improve detection accuracy of depression detection, thereby eliminating the problems of poor detection accuracy, information redundancy of multi-channel -EEG signals and a high level of computational complexity in the clinical detection of depression. The disclosure also solves the problems such as poor interpretation, poor recognition effect, insufficient consideration of channel combinations, high computational loss and over-adaptation of the existing channel selection method.

[0008] Bei dem Depressionserkennungsverfahren basierend auf einer optimalen Kanalauswahl von Mehrkanal-EEG gemäß der Offenbarung wird die modifizierte Kernel-Zielausrichtung (modified Kernel Target Alignment (mKTA)) als eine Zielfunktion der Kanalauswahl verwendet, und ausgewählte Kanalteilmengen werden unter Verwendung der Neuen-Binären-Partikel-Schwarm-Optimierung (New Binary Particle Swarm Optimization (NBPSO)) optimiert, um schließlich eine optimale Kanalteilmenge zu erhalten. In dem Prozess des Berechnens der optimalen Kanalteilmenge wird der mKTA-Wert minimiert. Mit anderen Worten, ein Abstand zwischen Klassen zwischen EEG-Signalen eines Depressionspatienten und eines normalen Probanden in einem Merkmalsraum wird maximiert. Daher kann eine ideale Erkennungsgenauigkeit der Depressionsdiagnose erhalten werden, wenn die optimale Kanalteilmenge, ausgewählt durch das Kanalauswahlverfahren gemäß der Offenbarung, für die Depressionsdiagnose verwendet wird, und EEG-Signale eines Depressionspatienten und eines normalen Probanden genau voneinander unterschieden werden können. In der Zwischenzeit wird die in der Offenbarung bereitgestellte Zielfunktion mKTA zum Messen eines Ähnlichkeitsgrades zwischen einer Kernelfunktion und einer Zielfunktion verwendet, und weist eine gute Interpretation auf. Die in der Offenbarung bereitgestellte NBPSO ist ebenfalls ein einfaches und effektives Funktionsoptimierungsverfahren, das ebenfalls eine gute Interpretation aufweist. Darüber hinaus kann die in der Offenbarung bereitgestellte mKTA auch eine Überanpassung effektiv vermeiden. Die in der Offenbarung bereitgestellte NBPSO wählt die Kanalteilmenge global aus, und die optimale Kanalteilmenge wird unter vollständiger Berücksichtigung von Kombinationen verschiedener Kanäle ausgewählt. Wie allen bekannt ist, ist die Partikel-Schwarm-Optimierung ein evolutionäres Verfahren, und mehrere Gruppen von Gewichten von allen Kanälen können parallel berechnet werden. Daher kann die in der Offenbarung bereitgestellte NBPSO auch das Problem eines hohen Rechenverlusts des konventionellen Kanalauswahlalgorithmus lösen. In the depression detection method based on optimal channel selection of multi-channel EEG according to the disclosure, the modified kernel target alignment (mKTA) is used as an objective function of the channel selection, and selected channel subsets are using the new binary -Particle swarm optimization (New Binary Particle Swarm Optimization (NBPSO)) optimized in order to finally obtain an optimal channel subset. In the process of calculating the optimal channel subset, the mKTA value is minimized. In other words, a distance between classes between EEG signals of a depression patient and a normal subject in a feature space is maximized. Therefore, ideal recognition accuracy of the depression diagnosis can be obtained when the optimal channel subset selected by the channel selection method according to the disclosure is used for the depression diagnosis and EEG signals of a depression patient and a normal subject can be accurately distinguished from each other. In the meantime, the objective function mKTA provided in the disclosure is used for measuring a degree of similarity between a kernel function and an objective function, and has good interpretation. The NBPSO provided in the disclosure is also a simple and effective function optimization method that is also well interpreted. In addition, the mKTA provided in the disclosure can also effectively avoid overfitting. The NBPSO provided in the disclosure selects the channel subset globally, and the optimal channel subset is selected with full consideration of combinations of different channels. As everyone knows, particle swarm optimization is an evolutionary process and several sets of weights from all channels can be calculated in parallel. Therefore, the NBPSO provided in the disclosure can also solve the problem of high computation loss of the conventional channel selection algorithm.

KURZBESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF THE DRAWINGS

[0009] FIG. 1 ist ein Arbeitsflussdiagramm eines Depressionserkennungssystems basierend auf einer optimalen Kanalauswahl von Mehrkanal-EEG gemäß der Offenbarung. FIG. 2 ist ein Diagramm der Elektrodenpositionen in einem Internationalen 10-20-System mit 64 Kanälen. FIG. 3 ist ein Flussdiagramm der Kanalgewichtsauswahl, die von einem Kanalauswahlmodul durchgeführt wird. FIG. 4 ist ein Flussdiagramm der Depressionserkennung, die von einem Depressionserkennungsmodul durchgeführt wird.FIG. 1 is a workflow diagram of a depression detection system based on optimal channel selection of multi-channel EEG in accordance with the disclosure. FIG. Figure 2 is a diagram of electrode positions in a 64-channel 10-20 International System. FIG. 3 is a flow diagram of the channel weight selection performed by a channel selection module. FIG. 4 is a flow diagram of depression detection performed by a depression detection module.

DETAILLIERTE BESCHREIBUNGDETAILED DESCRIPTION

[0010] Die Offenbarung wird unter Bezugnahme auf die begleitenden Zeichnungen und die nachstehenden Ausführungsformen weiter beschrieben. The disclosure is further described with reference to the accompanying drawings and the following embodiments.

[0011] Ein Depressionserkennungssystem basierend auf einer optimalen Kanalauswahl von Mehrkanal-EEG umfasst ein Mehrkanal-EEG-Signalerhaltungsmodul, ein EEG-Signalvorverarbeitungsmodul, ein Merkmalsextraktionsmodul, ein Kanalauswahlmodul und ein Depressionserkennungsmodul. Das Mehrkanal-EEG-Signalerhaltungsmodul ist konfiguriert, Mehrkanal-EEG-Signale zu erhalten, die in einem Ruhezustand erfasst wurden; das EEG-Signalvorverarbeitungsmodul ist konfiguriert, die erhaltenen Mehrkanal-EEG-Signale vorzuverarbeiten; das Merkmalsextraktionsmodul ist konfiguriert, effektive Merkmale zu extrahieren, die für eine optimale Kanalauswahl verwendet werden; das Kanalauswahlmodul ist konfiguriert, mit modifizierter Kernel-Zielausrichtung (modified Kernel Target Alignment (mKTA)) als eine Zielfunktion, eine Kanalauswahl auf der Zielfunktion unter Verwendung der Neuen-Binären-Partikel-Schwarm-Optimierung (New Binary Particle Swarm Optimization (NBPSO)) durchzuführen, um eine optimale Kanalteilmenge zu erhalten; und das Depressionserkennungsmodul ist konfiguriert, die ausgewählte optimale Kanalteilmenge zu erkennen und ein optimales Depressionserkennungs-Klassifikationsmodell zu erstellen, um eine Depressionserkennung durchzuführen. A depression detection system based on optimal channel selection of multi-channel EEG comprises a multi-channel EEG signal maintenance module, an EEG signal preprocessing module, a feature extraction module, a channel selection module and a depression detection module. The multichannel EEG signal maintenance module is configured to receive multichannel EEG signals that were acquired in an idle state; the EEG signal preprocessing module is configured to preprocess the received multi-channel EEG signals; the feature extraction module is configured to extract effective features that are used for optimal channel selection; the channel selection module is configured with modified kernel target alignment (mKTA) as an objective function, channel selection on the objective function using New Binary Particle Swarm Optimization (NBPSO) perform to obtain an optimal channel subset; and the depression detection module is configured to detect the selected optimal channel subset and build an optimal depression detection classification model to perform depression detection.

[0012] FIG. 1 ist ein Arbeitsflussdiagramm eines Depressionserkennungssystems basierend auf einer optimalen Kanalauswahl von Mehrkanal-EEG gemäß der Offenbarung. FIG. 1 is a workflow diagram of a depression detection system based on optimal channel selection of multi-channel EEG in accordance with the disclosure.

[0013] Ein Arbeitsablauf des Depressionserkennungssystems basierend auf einer optimalen Kanalauswahl von Mehrkanal-EEG gemäß der Offenbarung umfasst die folgenden 5 Stufen: (1) Datenerfassungsstufe des Mehrkanal-EEG-Signalerhaltungsmoduls: es werden 64-Kanal-EEG-Signale eines gesunden Probanden und eines Depressionspatienten, die alters-, geschlechts- und bildungsgleich sind, in einem Ruhezustand bei geschlossenen Augen unter der gleichen Bedingung erfasst. (2) Datenvorverarbeitungsstufe des EEG-Signalvorverarbeitungsmoduls: vier Verarbeitungsschritte, umfassend Wechseln der Referenzelektrode, Downsampling, Bandpassfilterung und Artefaktenentfernung, werden an den erfassten EEG-Signalen durchgeführt. (3) Merkmalsextraktionsstufe des Merkmalsextraktionsmoduls: drei lineare Merkmale, umfassend eine maximale Leistungsspektralfrequenz, eine mittlere Leistungsspektralfrequenz und eine Schwerpunkts-Leistungsspektralfrequenz, und zwei nichtlineare Merkmale, umfassend die Kolmogorov-Entropie und LZ-Komplexität, werden aus den vorverarbeiteten EEG-Signalen extrahiert. (4) Kanalauswahlstufe des Kanalauswahlmoduls: mit dem mKTA-Verfahren als eine Zielfunktion wird die Kanalauswahl auf der Zielfunktion unter Verwendung des NBPSO-Algorithmus durchgeführt, um eine optimale Kanalteilmenge zu berechnen. (5) Depressionserkennungsstufe des Depressionserkennungsmoduls: nachdem die Kanalauswahl abgeschlossen ist, wird die optimale Kanalteilmenge erkannt, indem ein Klassifikator wie etwa eine Support-Vektor-Maschine verwendet wird, um ein optimales Klassifikationsmodell zum Erkennen von Depression zu erstellen.A workflow of the depression detection system based on an optimal channel selection of multi-channel EEG according to the disclosure comprises the following 5 stages: (1) data acquisition stage of the multi-channel EEG signal maintenance module: there are 64-channel EEG signals of a healthy subject and a Depression patients of the same age, sex and educational level recorded in a resting state with their eyes closed under the same condition. (2) Data preprocessing stage of the EEG signal preprocessing module: four processing steps, including changing the reference electrode, downsampling, bandpass filtering and artifact removal, are carried out on the recorded EEG signals. (3) Feature extraction stage of the feature extraction module: three linear features including a maximum power spectral frequency, an average power spectral frequency and a center of gravity power spectral frequency, and two non-linear features including Kolmogorov entropy and LZ complexity are extracted from the preprocessed EEG signals. (4) Channel selection stage of the channel selection module: with the mKTA method as an objective function, the channel selection is performed on the objective function using the NBPSO algorithm to calculate an optimal channel subset. (5) Depression detection stage of the depression detection module: after the channel selection is completed, the optimal channel subset is detected using a classifier such as a support vector machine to create an optimal classification model for detecting depression.

[0014] Die 5 Stufen der Depressionserkennung basierend auf einer optimalen Kanalauswahl von Mehrkanal-EEG gemäß der Offenbarung werden im Folgenden einzeln beschrieben: (1) DatenerfassungsstufeThe 5 stages of depression detection based on an optimal channel selection of multi-channel EEG according to the disclosure are individually described below: (1) Data acquisition stage

[0015] In der Datenerfassungsstufe werden 15 Depressionspatienten und 20 alters-, geschlechts- und bildungsgleiche gesunde Probanden anhand der Selbstbeurteilungs-Depressionsskala und Diagnose von Allgemeinmedizinern ausgewählt. Alle Probanden sind Rechtshänder mit normaler oder auf normal korrigierter Sehschärfe, mit keiner Vorgeschichte von neurologischen Problemen. Vor der Datenerfassung nahm keiner der Probanden psychotrope, neurologische oder psychiatrische Medikamente ein. Während der Datenerfassung befinden sich die Probanden in einem guten psychischen Zustand. Daten aller Probanden werden unter der gleichen Umgebungsbedingung erfasst. In the data acquisition stage, 15 depression patients and 20 healthy subjects of the same age, sex and education are selected using the self-assessment depression scale and diagnosis by general practitioners. All subjects are right-handed with normal or corrected visual acuity, with no history of neurological problems. Prior to data collection, none of the subjects were taking any psychotropic, neurological, or psychiatric medication. During the data acquisition, the subjects are in good mental health. Data from all subjects are recorded under the same environmental conditions.

[0016] Wir sammelten 5 Minuten ruhende EEG-Signale für jeden Probanden bei geschlossenen Augen unter Verwendung einer 64-Kanal-Elektrodenkappe (Brain Products, Gilching, Deutschland) mit dem Internationalen 10-20-Elektrodensystem des internationalen Verbandes, wobei die Elektrodenpositionen wie in FIG. 2 dargestellt sind. Eine Kopfhautimpedanz eines Sensors ist niedriger als 20 Kiloohm. Eine Abtastrate ist auf 1000 Hz eingestellt. Eine Referenzelektrode und eine Erdungselektrode sind jeweils auf FCz und AFz eingestellt. We collected 5 minutes of resting EEG signals for each subject with their eyes closed using a 64-channel electrode cap (Brain Products, Gilching, Germany) with the international 10-20 electrode system of the international association, the electrode positions as in FIG. 2 are shown. A sensor's scalp impedance is less than 20 kilo ohms. A sampling rate is set to 1000 Hz. A reference electrode and a ground electrode are set to FCz and AFz, respectively.

(2) Datenvorverarbeitungsstufe(2) Data preprocessing stage

[0017] Datenvorverarbeitung wird an den erfassten 64-Kanal-EEG-Signalen durchgeführt. Die Datenvorverarbeitung umfasst hauptsächlich vier Schritte: Wechseln der Referenzelektrode, Downsampling, Bandpassfilterung und Artefaktenentfernung. Data preprocessing is carried out on the captured 64-channel EEG signals. Data preprocessing mainly comprises four steps: changing the reference electrode, downsampling, bandpass filtering and artifact removal.

[0018] Da die Referenzelektrode während der Erfassung der EEG-Signale auf FCz eingestellt ist, sind Signalamplituden von Kanälen in den Regionen des Präfrontallappens und des Parietallappens niedrig. Daher wird das Potential der ursprünglichen Referenzelektrode auf ein Kanalpotential von Mastoidteilen auf zwei Seiten zurückgesetzt, um die Signalamplituden der Kanäle in den Regionen des Präfrontallappens und des Parietallappens zu erhöhen, um die nachfolgende Verarbeitung zu erleichtern. Die ursprüngliche Abtastrate der EEG-Signale ist 1000 Hz, und die übermäßig hohe Abtastrate wird auf eine übermäßig große Datenmenge hinauslaufen, was die nachfolgende Verarbeitung und Analyse beeinträchtigt. Daher werden die erfassten EEG-Signale heruntergetastet, um die Abtastrate der EEG-Signale von 1000 Hz auf 256 Hz zu reduzieren. In der Offenbarung wird eine Bandpassfilterung bei 1 Hz bis 40 Hz durchgeführt, um Gleichstrominterferenzen und hochfrequente Störsignale zu entfernen. In der Offenbarung sind, obwohl die EEG-Signale im Ruhezustand bei geschlossenen Augen erfasst werden, Auswirkungen verursacht durch Elektrookulogramm-, Augenbewegungs- und Elektromyogrammsignale trotzdem unvermeidlich. Daher müssen Artefakte der erfassten EEG-Signale entfernt werden. Die Artefaktenentfernung umfasst visuelles Überprüfen der Originalsignale, um innerhalb von 70 Sekunden Ruhezustands-EEG-Signale auszuwählen, die ein Minimum an Artefaktsignalen und defekten Elektroden enthalten, wobei die Artefaktsignale zum Beispiel Körperbewegung, Blinzelsignale, Augenbewegungssignale und Elektromyogrammsignale sein können, und des Weiteren Entfernen von Artefaktsignalen aus den ausgewählten Ruhezustands-EEG-Signalen innerhalb von 70 Sekunden unter Verwendung eines unabhängigen Komponentenanalyseverfahrens. Since the reference electrode is set to FCz during the acquisition of the EEG signals, signal amplitudes of channels in the regions of the prefrontal lobe and the parietal lobe are low. Therefore, the potential of the original reference electrode is reset to a channel potential of mastoid parts on two sides in order to increase the signal amplitudes of the channels in the regions of the prefrontal lobe and the parietal lobe to facilitate the subsequent processing. The original sampling rate of the EEG signals is 1000 Hz and the excessively high sampling rate will result in an excessively large amount of data, which affects subsequent processing and analysis. The captured EEG signals are therefore downsampled in order to reduce the sampling rate of the EEG signals from 1000 Hz to 256 Hz. In the disclosure, band pass filtering is performed at 1 Hz to 40 Hz to remove DC interference and high frequency spurious signals. In the disclosure, although the EEG signals are detected at rest with the eyes closed, effects caused by electrooculogram, eye movement, and electromyogram signals are inevitable. Therefore artifacts of the recorded EEG signals have to be removed. Artifact removal includes visually reviewing the original signals to select, within 70 seconds, resting EEG signals containing a minimum of artifact signals and defective electrodes, which artifact signals may be, for example, body movement, blink signals, eye movement signals, and electromyogram signals, and further removal of Artifact signals from the selected resting state EEG signals within 70 seconds using an independent component analysis method.

(3) Merkmalsextraktionsstufe(3) Feature extraction stage

[0019] Drei lineare Merkmale und zwei nichtlineare Merkmale, die gewöhnlich verwendet werden und sich bei der Depressionsdiagnose als effektiv erwiesen haben, werden in der Offenbarung verwendet, um Merkmale aus jedem Segment des vorverarbeiteten EEG-Signals zu extrahieren. 1) Die drei linearen Merkmale umfassen die maximale Leistungsspektralfrequenz, die mittlere Leistungsspektralfrequenz und die Schwerpunkts-Leistungsspektralfrequenz.Three linear features and two non-linear features that are commonly used and have been found to be effective in diagnosing depression are used in the disclosure to extract features from each segment of the preprocessed EEG signal. 1) The three linear characteristics include the maximum power spectral frequency, the mean power spectral frequency and the center of gravity power spectral frequency.

[0020] Das Leistungsspektrum jedes Segments des EEG-Signals wird unter Verwendung einer Welch-Methode berechnet, und dann werden unter Verwendung eines Leistungsspektrumssignals eines entsprechenden Segments jeweils ein Maximalwert, ein Mittelwert und ein Schwerpunkts-Leistungsspektralfrequenzsignal berechnet, um die maximale Leistungsspektralfrequenz, die mittlere Leistungsspektralfrequenz und die Schwerpunkts-Leistungsspektralfrequenz zu erhalten. The power spectrum of each segment of the EEG signal is calculated using a Welch method, and then using a power spectrum signal of a corresponding segment, a maximum value, a mean value and a center of gravity power spectral frequency signal are calculated to determine the maximum power spectral frequency, the mean Obtain power spectral frequency and the center of gravity power spectral frequency.

[0021] 2) Die beiden nichtlinearen Merkmale umfassen die Kolmogorov-Entropie und die LZ-Komplexität; die Kolmogorov-Entropie stellt einen chaotischen Grad eines Systems unter Verwendung von Korrelationsintegralen einer Vielzahl von zunehmenden Einbettungsdimensionen dar: wobei m eine Einbettungsdimension ist, und Cm(r) ein Korrelationsintegral der Einbettungsdimension ist; und die LZ-Komplexität wird zum Berechnen der Signalkomplexität auf der Basis eines groben Messwerts verwendet; es ist erwiesen, dass eine obere Grenze der LZ-Komplexität ist: 2) The two nonlinear features include Kolmogorov entropy and LZ complexity; Kolmogorov entropy represents a chaotic degree of a system using correlation integrals of a plurality of increasing embedding dimensions: where m is an embedding dimension and Cm (r) is a correlation integral of the embedding dimension; and the LZ complexity is used to calculate the signal complexity based on a rough measurement value; it has been proven that an upper limit of the LZ complexity is:

[0022] und durch b(n) c(n) normalisiert werden kann als: wobei n eine Signallänge ist, c(n) die Komplexität eines Signals ist und b(n) die Komplexität des Signals ist, nachdem es binarisiert wurde. And can be normalized by b (n) c (n) as: where n is a signal length, c (n) is the complexity of a signal, and b (n) is the complexity of the signal after it has been binarized.

(4) Kanalauswahlstufe(4) Channel selection level

[0023] Zuerst wird ein Merkmalssatz umfassend das gesamte Segment von EEG-Signalen in einen Trainingssatz und einen Testsatz unterteilt. Der folgende Kanalgewichtsauswahlschritt wird auf dem Trainingssatz durchgeführt. FIG. 3 ist ein Flussdiagramm der Kanalgewichtsauswahl, die von dem Kanalauswahlmodul durchgeführt wird. Zunächst wird eine Merkmalsmatrix fi=[ci1,...,ciE], f=[f1,...,fn]<T>von Merkmalsdaten in dem Trainingssatz auf der Basis der Kanäle organisiert, wobei cieMerkmalsdaten des e-ten Kanals darstellt; E stellt die Anzahl der Kanäle eines EEG-Signals dar, und E ist in dieser Ausführungsform 64; n ist die Anzahl der EGG-Signale in dem Trainingssatz, und n stellt die Anzahl der Segmente der EEG-Signale dar. Eine Zielmatrix L wird entsprechend einem Klassenlabel y<T>erhalten, L= yy<T>, y=[y1,...,yn]<T>, yi∈{+1,-1}, wobei yidas Klassenlabel darstellt. Dann werden P Gruppen von Kanalauswahlgewichten w unter Verwendung des NBPSO-Verfahrens gemäß P zufällig initialisierten Gewichten w erzeugt; P Kanalteilmengen S, werden berechnet,Si=wofi(o stellt ein Hadamard-Produkt dar); und eine KanalauswahlkernelmatrixKSder P Kanalteilmengen wird berechnet,KSij=k(Si,Sj)=k(wofi,wofj), wobei k eine Kernelfunktion darstellt. First, a feature set comprising the entire segment of EEG signals is divided into a training set and a test set. The following channel weight selection step is performed on the training set. FIG. 3 is a flow diagram of the channel weight selection performed by the channel selection module. First, a feature matrix fi = [ci1, ..., ciE], f = [f1, ..., fn] <T> of feature data in the training set is organized on the basis of the channels, cie representing feature data of the e-th channel ; E represents the number of channels of an EEG signal, and E is 64 in this embodiment; n is the number of EGG signals in the training set, and n represents the number of segments of the EEG signals. A target matrix L is obtained according to a class label y <T>, L = yy <T>, y = [y1, ..., yn] <T>, yi∈ {+ 1, -1}, where y is the class label. Then P groups of channel selection weights w are generated using the NBPSO method according to P randomly initialized weights w; P channel subsets S i are calculated, Si = wofi (o represents a Hadamard product); and a channel selection kernel matrix KS of the P channel subsets is calculated, KSij = k (Si, Sj) = k (wofi, wofj), where k represents a kernel function.

[0024] Die Qualität der ausgewählten Kanalteilmengen wird unter Verwendung der mKTA als eine Zielfunktion gemessen, und P Gruppen von mKTA-Werten werden berechnet: L ist die Zielmatrix,L=yy<T>, y=[y1,...,yn]<T>, yi∈{+1,-1}, yistellt das Klassenlabel dar, und n stellt die Anzahl der Segmente der EEG-Signale dar;f=[f1,...,fn]<T>,fi=[ci1,...,ciE], w=[w1,...,wE], we∈ {0,1},Si=wofi,f, stellt Merkmale aller Kanäle des i-ten Segments des EEG-Signals dar, ciestellt ein Merkmal des e-ten Kanals des i-ten Segments des EEG-Signals dar, und westellt ein Gewicht des e-ten Kanals dar. Wenn we=1 wird angezeigt, dass der e-te Kanal ausgewählt ist, und wenn We=0 wird angezeigt, dass der e-te Kanal nicht ausgewählt ist; w stellt die Gewichte aller Kanäle dar (daher kann w als die ausgewählte Kanalteilmenge angesehen werden). Sistellt eine Merkmalsteilmenge des i-ten Segments des EEG-Signals nach der Kanalauswahl dar, wobei ein Merkmalswert eines nicht ausgewählten Kanals auf 0 gesetzt wird, während ein Merkmalswert eines ausgewählten Kanals unverändert bleibt.KSist eine Kernelmatrix für die Kanalauswahl,KSij=k(Si,Sj)=k(wofi, wofj). Mit der mKTA als der Zielfunktion können die ausgewählten Kanalteilmengen optimiert werden, um den Unterschied zwischen der Zielmatrix L und der KanalauswahlkernelmatrixKSzu minimieren. Gemäß der Definition der mKTA zeigt ein kleinerer mKTA-Wert einen höheren Grad an Ähnlichkeit zwischen der Zielmatrix L und der KanalauswahlkernelmatrixKSan, und bedeutet auch, dass die ausgewählten Kanalteilmengen eine gute Erkennungsgenauigkeit bei der Depressionsdiagnose erreichen können. Daher ist ein minimierter mKTA-Wert auch gleichbedeutend mit einem maximierten Abstand zwischen den Klassen in einem Merkmalsraum. The quality of the selected channel subsets is measured using the mKTA as an objective function, and P groups of mKTA values are calculated: L is the objective matrix, L = yy <T>, y = [y1, ..., yn ] <T>, yi∈ {+ 1, -1}, yis represents the class label, and n represents the number of segments of the EEG signals; f = [f1, ..., fn] <T>, fi = [ci1, ..., ciE], w = [w1, ..., wE], we∈ {0,1}, Si = wofi, f, represents features of all channels of the i-th segment of the EEG signal , ci represents a characteristic of the e-th channel of the i-th segment of the EEG signal, and w represents a weight of the e-th channel. When we = 1, it is indicated that the e-th channel is selected, and when We = 0 indicates that the e-th channel is not selected; w represents the weights of all channels (hence w can be viewed as the selected channel subset). Represents a feature subset of the i-th segment of the EEG signal after the channel selection, whereby a feature value of an unselected channel is set to 0 while a feature value of a selected channel remains unchanged. KS is a kernel matrix for channel selection, KSij = k (Si , Sj) = k (wofi, wofj). With the mKTA as the objective function, the selected channel subsets can be optimized to minimize the difference between the objective matrix L and the channel selection kernel matrix KS. According to the definition of the mKTA, a smaller mKTA value shows a higher degree of similarity between the target matrix L and the channel selection kernel matrix KSan, and also means that the selected channel subsets can achieve good detection accuracy in the diagnosis of depression. A minimized mKTA value is therefore synonymous with a maximized distance between the classes in a feature space.

[0025] Anschließend werden gemäß den P Gruppen von mKTA-Werten p_best, welches Gewichte von all den Kanälen darstellt, die P Gruppen von persönlich besten mKTA-Werten entsprechen, und g_best, welches Gewichte von all den Kanälen darstellt, die einem global besten mKTA-Wert entsprechen, unter Verwendung der NBPSO aktualisiert, die P Gruppen von Kanalgewichten werden unter Verwendung der NBPSO aktualisiert, und die Kanalteilmengen werden aktualisiert: Subsequently, according to the P groups of mKTA values p_best, which represents weights of all the channels corresponding to P groups of personally best mKTA values, and g_best, which represents weights of all the channels that represent a globally best mKTA Value is updated using the NBPSO, the P groups of channel weights are updated using the NBPSO, and the channel subsets are updated:

[0026] Wtstellt Gewichte all der Kanäle (Kanalteilmenge) in der t-ten Iterationsrunde dar; vtstellt eine Geschwindigkeit der Gewichte wtall der Kanäle in der t-ten Iterationsrunde dar; vt+1stellt eine Geschwindigkeit der Gewichte wtall der Kanäle in der (t+1)<-ten>Iterationsrunde nach der Aktualisierung dar; ist eine Trägheitsmoment-Koeffizientenkonstante; C1und C2sind positive Konstanten; rand() und Rand() sind Zufallsfunktionen in einem Bereich von [0,1]; p_best stellt Gewichte all der Kanäle dar, die einem persönlich besten mKTA-Wert entsprechen; g_best stellt Gewichte all der Kanäle dar, die einem global besten mKTA-Wert entsprechen; Sig(vt+1) stellt eine Sigmodfunktion der Geschwindigkeit vt+1dar; S(vt+1) ist eine Transformationsfunktion zum Transformieren der Geschwindigkeit vt+1; exchange(wt) stellt Transformationswerte der Gewichte wtall der Kanäle in der t-ten Iterationsrunde dar, um 1 zu 0 und umgekehrt zu transformieren; wt+1stellt Gewichte von all den Kanälen in der (t+1)<-ten>Iterationsrunde nach der Aktualisierung dar. Eine Kanalteilmenge wird unter Verwendung der NBPSO ausgewählt, und der der Teilmenge entsprechende mKTA-Wert wird berechnet, um den persönlich besten mKTA-Wert und den global besten mKTA-Wert zu aktualisieren; die Aktualisierungsgeschwindigkeit der nächsten Runde vt+1der aktuell ausgewählten Kanalteilmenge wird entsprechend den Gewichten von all den Kanälen aktualisiert, die dem persönlich besten mKTA-Wert und dem global besten mKTA-Wert entsprechen, und die Geschwindigkeit wird transformiert. Dann werden die Gewichte wt+1aller Kanäle in der nächsten Runde entsprechend der Geschwindigkeit aktualisiert, bis die optimalen Kanalgewichte berechnet sind. Die in der Offenbarung bereitgestellte NBPSO ist ein paralleles Optimierungsverfahren, das mehrere Gruppen von Kanalgewichten parallel berechnen und aktualisieren kann. Beispielsweise werden während der Initialisierung P Gruppen von Kanalgewichten festgelegt, so dass die P Gruppen von Kanalgewichten während der Aktualisierung und Iterationen parallel berechnet werden können, bis die optimalen Kanalgewichte berechnet sind. Wt represents weights of all the channels (channel subset) in the t-th iteration round; vt represents a speed of the weights wtall of the channels in the t-th iteration round; vt + 1 represents a speed of the weights wtall of the channels in the (t + 1) <-th> iteration round after the update; is a moment of inertia coefficient constant; C1 and C2 are positive constants; rand () and rand () are random functions in a range of [0,1]; p_best represents the weights of all the channels that correspond to a personally best mKTA value; g_best represents the weights of all the channels that correspond to a globally best mKTA value; Sig (vt + 1) represents a sigmod function of the speed vt + 1; S (vt + 1) is a transform function for transforming the speed vt + 1; exchange (wt) represents transformation values of the weights wtall of the channels in the t-th iteration round in order to transform 1 to 0 and vice versa; wt + 1 represents weights from all the channels in the (t + 1) <-th> iteration round after the update. A channel subset is selected using the NBPSO, and the mKTA value corresponding to the subset is calculated to determine the personally best mKTA -Value and the globally best mKTA-value to be updated; the update speed of the next round vt + 1 of the currently selected channel subset is updated according to the weights of all the channels corresponding to the personal best mKTA value and the globally best mKTA value, and the speed is transformed. Then the weights wt + 1 of all channels in the next round are updated according to the speed until the optimal channel weights are calculated. The NBPSO provided in the disclosure is a parallel optimization method that can compute and update multiple groups of channel weights in parallel. For example, P groups of channel weights are established during initialization so that the P groups of channel weights can be calculated in parallel during the update and iterations until the optimal channel weights are calculated.

[0027] Die P-KanalteilmengenS, werden unter Verwendung der aktualisierten P Gruppen von Kanalgewichten aktualisiert, und die KanalauswahlkernelfunktionKSwird berechnet; Iterationen werden auf diese Weise durchgeführt, bis eine optimale Kanalteilmenge S berechnet ist. In der Ausführungsform der Offenbarung umfasst die berechnete optimale Kanalteilmenge Fp1, C4, P3, O2, F7, CP1, FC5, TP9, F1, F2, C1, FC3, F5, C5, AF7, FT8, TP7, FT9, FT10 und Fpz. Regionen, in denen sich diese Kanäle befinden, stimmen mit bekannten Gehirnregionen überein, die mit Depression in Verbindung stehen. The P-channel subsets S i are updated using the updated P groups of channel weights and the channel selection kernel function KS is calculated; Iterations are performed in this way until an optimal channel subset S is calculated. In the embodiment of the disclosure, the calculated optimal channel subset includes Fp1, C4, P3, O2, F7, CP1, FC5, TP9, F1, F2, C1, FC3, F5, C5, AF7, FT8, TP7, FT9, FT10 and Fpz. Regions in which these channels are located correspond to known areas of the brain that are associated with depression.

(5) Depressionserkennungsstufe(5) Depression detection level

[0028] FIG. 4 ist ein Flussdiagramm der Depressionserkennung, die von einem Depressionserkennungsmodul durchgeführt wird. FIG. 4 is a flow diagram of depression detection performed by a depression detection module.

[0029] Die optimale Kanalteilmenge wird entsprechend den in Stufe (4) berechneten optimalen Kanalgewichten erhalten, optimale KanalteilmengenStr= woftrundSte= wofteentsprechend dem Trainingssatz und dem Testsatz werden jeweils berechnet, wobei w die berechneten optimalen Kanalgewichte ist,ftrein Trainingsmerkmalssatz ist,Strein optimaler Kanalteilmengen-Trainingssatz ist,fteein Testmerkmalssatz ist, undSteein optimaler Kanalteilmengen-Testsatz ist. Bei der Hilfsdiagnose wird eine optimale Kanalteilmenge für die HilfsdiagnoseSnew= wofnewfür EEG-Merkmale der Hilfsdiagnose unter Verwendung der optimalen Kanalgewichte berechnet, wobeifnewein Hilfsdiagnose-Merkmalssatz ist, undSnewein Merkmalssatz der optimalen Kanalteilmenge für die Hilfsdiagnose ist. Das Klassenlabel y<T>ist in ein Testklassenlabel und ein Trainingsklassenlabel unterteilt. The optimal channel subset is obtained according to the optimal channel weights calculated in step (4), optimal channel subsetsStr = woftrundSte = wofte according to the training set and the test set are calculated in each case, where w is the calculated optimal channel weights, ft is a training feature set, Strein is optimal channel subsets. Is training set, fte is a test feature set, and stone is an optimal channel subset test set. In the auxiliary diagnosis, an optimal channel subset for the auxiliary diagnosis Snew = wofnew for EEG features of the auxiliary diagnosis is calculated using the optimal channel weights, where if new is an auxiliary diagnosis feature set, and New is a feature set of the optimal channel subset for the auxiliary diagnosis. The class label y <T> is divided into a test class label and a training class label.

[0030] Zuerst wird ein Schritt des Erstellens eines optimalen Depressionserkennungs-Klassifikationsmodells durchgeführt: Suchen optimierter Depressionserkennungsparameter unter Verwendung eines 10-fachen Kreuzvalidierungsverfahrens, um das optimale Depressionserkennungs-Klassifikationsmodell zu erstellen. Der berechnete optimale Kanalteilmengen-TrainingssatzStrund das Trainingsklassenlabel werden zufällig gleichermaßen in 10 Teile unterteilt, wobei 9 Teile als ein Trainingssatz verwendet werden, um das Modell zu trainieren, und der verbleibende 1 Teil als ein Validierungssatz verwendet wird, um das Modell abwechselnd zu validieren, um optimale Depressionserkennungsmodellparameter zu finden. Mit anderen Worten, jeder Teil der Daten wird als ein Validierungssatz verwendet werden, um die Leistung des Trainingsmodells zu validieren, das unter Verwendung anderer Daten erzeugt wurde. Im Allgemeinen werden Modellparameter mit höchster Validierungsgenauigkeit als die optimalen Depressionserkennungsmodellparameter ausgewählt. Dann wird das optimale Depressionserkennungs-Klassifikationsmodell f(Str) auf dem berechneten optimalen Kanalteilmengen-Trainingssatz unter Verwendung der optimalen Parameter erstellt. In der Offenbarung wird eine Support-Vektor-Maschine für das Klassifikationsmodell verwendet, und das auf der Basis eines solchen Klassifikators erstellte Klassifikationsmodell ist wie folgt: f(Str)=Wmod elk(Str,Str)+b, wobei Wmod elein Gewichtskoeffizient ist, k eine Kernelfunktion ist und b eine Vorspannung ist.First, a step of building an optimal depression detection classification model is performed: finding optimized depression detection parameters using a 10-fold cross-validation method to build the optimal depression detection classification model. The calculated optimal channel subset training set Str and the training class label are equally divided randomly into 10 parts, with 9 parts used as a training set to train the model and the remaining 1 part used as a validation set to alternately validate the model to Find optimal depression detection model parameters. In other words, each piece of data will be used as a validation set to validate the performance of the training model created using other data. In general, model parameters with the highest validation accuracy are selected as the optimal depression detection model parameters. Then, the optimal depression detection classification model f (Str) is built on the calculated optimal channel subset training set using the optimal parameters. In the disclosure, a support vector machine is used for the classification model, and the classification model created on the basis of such a classifier is as follows: f (Str) = Wmod elk (Str, Str) + b, where Wmod el is a weight coefficient, k is a kernel function and b is a bias.

[0031] Zweitens wird ein Schritt des Testen des optimalen Depressionserkennungs-Klassifikationsmodells durchgeführt: der berechnete optimale Kanalteilmengen-TestsatzStewird in das erstellte Depressionserkennungs-Klassifikationsmodell eingegeben: f (Ste)=Wmodelk(Ste,S)+b, und ein Depressionserkennungsergebnis wird berechnet; ein Testklassenlabel wird mit dem Depressionserkennungsergebnis verglichen, das von dem optimalen Depressionserkennungsmodell ausgegeben wird, und entsprechende Modellleistungsbewertungsindizes wie Genauigkeit, Empfindlichkeit und Spezifität werden berechnet. Second, a step of testing the optimal depression detection classification model is performed: the calculated optimal channel subset test set St is input into the created depression detection classification model: f (Ste) = Wmodelk (Ste, S) + b, and a depression detection result is calculated; a test class label is compared to the depression detection score output from the optimal depression detection model, and corresponding model performance rating indices such as accuracy, sensitivity and specificity are calculated.

[0032] Dann wird ein Schritt der Depressionserkennungs-Hilfsdiagnose durchgeführt: zuerst werden erfasste EEG-Signaldaten vorverarbeitet, und effektive Merkmale werden extrahiert, um eine Merkmalsmatrixfnewzu erhalten; eine optimale Kanalmerkmalsteilmenge für die HilfsdiagnoseSnewwird unter Verwendung der optimalen Kanalgewichte berechnet; dann wird die berechnete optimale Kanalmerkmalsteilmenge für die Hilfsdiagnose in das optimale Depressionserkennungs-Klassifikationsmodell eingegeben, um ein Depressionserkennungsergebnis zu berechnen: f (Snew)=Wmodelk(Snew,S)+b. Then, a step of depression detection auxiliary diagnosis is performed: first, acquired EEG signal data is preprocessed, and effective features are extracted to obtain a feature matrix fnew; an optimal channel feature subset for the auxiliary diagnosis Snew is calculated using the optimal channel weights; then the calculated optimal channel feature subset for auxiliary diagnosis is input into the optimal depression detection classification model to calculate a depression detection result: f (Snew) = Wmodelk (Snew, S) + b.

[0033] In der Kanalauswahlstufe und der Depressionserkennungsstufe wendet die Offenbarung das Leave-One-Out-Kreuzvalidierungsverfahren an. Die Depressionserkennung in der Offenbarung hat eine Erkennungsgenauigkeit von 80%, eine Empfindlichkeit von 80% und eine Spezifität von 80%, während ohne die Kanalauswahl der Offenbarung die Depressionserkennungsgenauigkeit nur 65,71% beträgt. In the channel selection stage and the depression detection stage, the disclosure employs the leave-one-out cross-validation method. The depression detection in the disclosure has a detection accuracy of 80%, a sensitivity of 80% and a specificity of 80%, while without the channel selection of the disclosure, the depression detection accuracy is only 65.71%.

[0034] Es ist zu beachten, dass die vorstehenden spezifischen Ausführungen es einem Fachmann ermöglichen, die Offenbarung umfassender zu verstehen, aber die Offenbarung in keiner Weise einschränken. Alle technischen Lösungen und deren Verbesserungen fallen, ohne vom Geist und Umfang der Offenbarung abzuweichen, in den Schutzbereich der Offenbarung. It should be noted that the foregoing specific embodiments enable one skilled in the art to more fully understand the disclosure, but in no way limit the disclosure. All technical solutions and their improvements fall within the scope of protection of the disclosure without deviating from the spirit and scope of the disclosure.

Claims

1. Depression detection system based on optimal channel selection of multi-channel electroencephalography (EEG), comprising a multi-channel EEG signal maintenance module, an EEG signal preprocessing module, a feature extraction module, a channel selection module and a depression detection module, wherein the multi-channel EEG signal maintenance module is configured to be multi-channel Obtain EEG signals that are detected in a resting state; the EEG signal preprocessing module is configured to preprocess the received multi-channel EEG signals; the feature extraction module is configured to extract effective features that are used for optimal channel selection; the channel selection module is configured with modified kernel target alignment (mKTA) as an objective function, channel selection on the objective function using New Binary Particle Swarm Optimization (NBPSO) -Perform method to obtain an optimal channel subset; and the depression detection module is configured to detect the selected optimal channel subset and build an optimal depression detection classification model to perform depression detection.

2. Depression detection system based on optimal channel selection of multi-channel EEG according to claim 1, wherein 64-channel EEG signals obtained by the multi-channel EEG signal maintenance module are detected in a Brain Products platform, a detection device electrode caps in one International 10-20 system with 64 channels is used, a scalp impedance of a sensor is less than 20 kiloohms, a sampling rate is set to 1000 Hz, and a reference electrode and a ground electrode are set to FCz and AFz, respectively.

3. Depression detection system based on an optimal channel selection of multi-channel EEG according to claim 2, wherein the multi-channel EEG signal maintenance module resting state 64-channel EEG signals of a healthy subject and a depression patient in a resting state with eyes closed within 5 minutes of the same condition receives.

4. Depression detection system based on an optimal channel selection of multi-channel EEG according to claim 3, wherein the EEG signal preprocessing module carries out data preprocessing on the captured 64-channel EEG signals, comprising four steps: changing the reference electrode, downsampling, bandpass filtering and artifact removal: 1) Changing the reference electrode: resetting the original reference electrode FCz on mastoid parts on two sides; 2) Downsampling: reducing the sampling rate of the EEG signals from 1000 Hz to 256 Hz; 3) Band pass filtering: performing band pass filtering at 1 Hz to 40 Hz to remove DC interference and high frequency spurious signals; and 4) Artifact Removal: Visually inspecting the original signals to select resting EEG signals within 70 seconds that contain a minimum of artifact signals and defective electrodes, and further removing artifact signals from the selected resting EEG signals within 70 seconds Use of an independent component analysis method.

5. Depression detection system based on an optimal channel selection of multi-channel EEG according to claim 4, wherein the feature extraction module comprises a step of linear feature extraction: extracting three linear features from the preprocessed EEG signals, the three linear features having a maximum power spectral frequency, an average power spectral frequency and comprise a center of gravity power spectral frequency; first, a power spectrum of each segment of the EEG signal is calculated using a Welch method, and then a maximum value of the power spectrum signal is calculated using a power spectrum signal of a corresponding segment to obtain the maximum power spectrum frequency; a mean value of the power spectrum signal is calculated to obtain the mean power spectrum frequency; and a center of gravity frequency is calculated to obtain the center of gravity power spectral frequency.

6. Depression detection system based on an optimal channel selection of multi-channel EEG according to claim 4, wherein the feature extraction module comprises a step of non-linear feature extraction: extracting two non-linear features from the preprocessed EEG signals, the two non-linear features being the Kolmogorov entropy and LZ- Include complexity; Kolmogorov entropy represents a chaotic degree of a system using correlation integrals of a plurality of increasing embedding dimensions: where m is an embedding dimension and Cm (r) is a correlation integral of the embedding dimension; and the LZ complexity is used to calculate the signal complexity based on a rough measurement value; it has been proven that an upper bound on the LZ complexity is: and can be normalized by b (n) c (n) as: where n is a signal length, c (n) is the complexity of a signal, and b (n) is the Complexity of the signal is after it has been binarized.

7. The depression detection system based on optimal channel selection of multi-channel EEG according to claim 1, wherein the channel selection module comprises a step of optimal channel weight selection: first dividing a feature set comprising the entire segment of EEG signals into a training set and a test set, and performing the following channel weight selection step on the training set: first organizing a feature matrix f of feature data in the training set based on channels and calculating a target matrix L according to a class label y <T>; then generating P groups of channel selection weights w using the NBPSO method according to P initial weights w, calculating P channel subsets Si, calculating a channel selection kernel matrix KS of the P channel subsets, then measuring the quality of the selected channel subsets using the mKTA as an objective function, and calculating P groups the mKTA values; then update according to the P groups of the mKTA values of p_best, which represents weights of all the channels corresponding to P groups of personally best mKTA values, and of g_best, which represents weights of all the channels that represent a globally best mKTA- Value, updating the P groups of channel weights using the NBPSO and updating the channel subsets; then updating the P channel subsets S, using the updated P groups of channel weights w, and calculating the channel selection kernel matrix KS; and performing iterations in this manner until optimal channel weights w are output.

The depression detection system based on optimal channel selection of multi-channel EEG according to claim 7, wherein the depression detection module comprises a step of creating an optimal depression detection classification model: first calculating an optimal channel subset training set Str. and an optimal channel subset test set Ste corresponding to the training set and the test set, respectively, corresponding to the calculated optimal channel weights; and searching for optimized depression detection parameters using a 10-fold cross-validation method to create the optimal depression detection classification model: randomly dividing the calculated optimal channel subset training set and a training class label equally into 10 parts, alternately using 9 parts as a training set to train the model , and the remaining 1 part as a validation set to validate the model to find optimal depression detection model parameters; and then building the optimal depression detection classification model f (Str) on the calculated optimal channel subset training set using the optimal parameters, f (Str) = Wmodelk (Str, Str) + b, where Wmodel is a weight coefficient, is not a kernel function, and b is a Bias is.

9. Depression detection system based on an optimal channel selection of multi-channel EEG according to claim 8, wherein the depression detection module comprises a step of testing the optimal depression detection classification model: inputting the calculated optimal channel subset test set Ste into the created optimal depression detection classification model: f (Ste) = Wmodelk (Ste, Str) + b, obtaining a depression detection result by calculation, comparing a test class label with the depression detection result output from the optimal depression detection model, and calculating corresponding model performance evaluation indices such as accuracy, sensitivity and specificity.

10. Depression detection system based on optimal channel selection of multi-channel EEG according to claim 9, wherein the depression detection module comprises a step of auxiliary diagnosis for depression detection: first preprocessing of detected EEG signal data and extracting the effective features in order to obtain a feature matrix fnew; Calculating an optimal channel feature subset for auxiliary diagnosis Snew using the optimal channel weights; then inputting the calculated optimal channel feature subset for auxiliary diagnosis into the optimal depression detection classification model in order to calculate a depression detection result: f (Snew) = Wmodelk (Snew, Str) + b.