CH716863B1 - Method for building a depression detection classification model based on channel selection of multichannel electroencephalography. - Google Patents
Method for building a depression detection classification model based on channel selection of multichannel electroencephalography. Download PDFInfo
- Publication number
- CH716863B1 CH716863B1 CH001419/2020A CH14192020A CH716863B1 CH 716863 B1 CH716863 B1 CH 716863B1 CH 001419/2020 A CH001419/2020 A CH 001419/2020A CH 14192020 A CH14192020 A CH 14192020A CH 716863 B1 CH716863 B1 CH 716863B1
- Authority
- CH
- Switzerland
- Prior art keywords
- channel
- eeg signals
- weights
- depression
- depression detection
- Prior art date
Links
- 238000000537 electroencephalography Methods 0.000 title claims abstract description 86
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013145 classification model Methods 0.000 title claims abstract description 26
- 230000000284 resting effect Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 33
- 230000003595 spectral effect Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000012880 independent component analysis Methods 0.000 claims description 3
- 210000001595 mastoid Anatomy 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 210000004761 scalp Anatomy 0.000 claims description 3
- 230000000994 depressogenic effect Effects 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 20
- 238000003745 diagnosis Methods 0.000 description 15
- 208000020401 Depressive disease Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004070 electrodeposition Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 210000001152 parietal lobe Anatomy 0.000 description 2
- 230000002360 prefrontal effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010010144 Completed suicide Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 229940124811 psychiatric drug Drugs 0.000 description 1
- 230000000506 psychotropic effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6814—Head
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Psychiatry (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Social Psychology (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Networks Using Active Elements (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
Ein Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodell basierend auf einer Kanalauswahl von Mehrkanal-Elektroenzephalographie (EEG), welches in der Erfindung bereitgestellt wird, beseitigt effektiv durch Mehrkanal-EEG-Signale verursachte Informationsredundanz, reduziert die Berechnungskomplexität, und verbessert eine Erkennungsgenauigkeit der Depressionserkennung. Das Verfahren umfasst : Erhalten von Mehrkanal-EEG-Signalen, die in einem Ruhezustand erfasst werden; Vorverarbeitung der erhaltenen Mehrkanal-EEG-Signalen; Extrahieren von effektiven Merkmalen, die für eine Kanalauswahl verwendet werden ausgehend von den vorverarbeiteten Mehrkanal-EEG-Signalen; Durchführen einer Kanalauswahl auf der Zielfunktion, mit modifizierter Kernel-Zielausrichtung (mKTA) als Zielfunktion, unter Verwendung eines Neuen-Binären-Partikel-Schwarm-Optimierungs (NBPSO)-Verfahrens, um eine Kanalteilmenge zu erhalten; und Erkennen der ausgewählten Kanalteilmenge, und Erstellen des Depressionserkennungs-Klassifikationsmodell.A method for building a depression detection classification model based on channel selection of multi-channel electroencephalography (EEG) provided in the invention effectively eliminates information redundancy caused by multi-channel EEG signals, reduces computational complexity, and improves detection accuracy of depression detection. The method includes: obtaining multi-channel EEG signals acquired in a resting state; Preprocessing of the obtained multi-channel EEG signals; Extracting effective features used for channel selection from the preprocessed multi-channel EEG signals; performing channel selection on the objective function, with modified kernel target alignment (mKTA) as the objective function, using a New Binary Particle Swarm Optimization (NBPSO) method to obtain a channel subset; and detecting the selected channel subset, and building the depression detection classification model.
Description
TECHNISCHES GEBIETTECHNICAL FIELD
[0001] Die Erfindung ist ein Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodell, das auf einer Kanalauswahl von Mehrkanal-Elektroenzephalographie (EEG) basiert und zu dem technischen Gebiet der Hilfsbehandlung für Depression gehört. The invention is a method for building a depression detection classification model based on channel selection of multi-channel electroencephalography (EEG) and belongs 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. [0002] Depression is a common mental disorder that can last for 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 the WHO prediction, more than 350 million people worldwide suffer from depression, and almost a million depression patients commit suicide every year. Depression has become a serious threat to human life. Although depression can be treated with some effective clinical means, a large number of depression patients worldwide suffer from depression-related pain due to neglect, late diagnosis and misdiagnosis. Therefore, early detection of depression is crucial to cure depression, improve quality of life, and ensure the mental and physical health of depression patients, 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. [0003] Currently, the self-report depression scale and the clinical interview are the main clinical means for diagnosing and detecting depression. However, the self-report 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 recognition of depression. As the number of depression patients increases, it becomes urgent to provide effective follow-up care for depression patients through early detection and assessment. In order to obtain a more objective detection result, researchers perform depression detection based on behavioral signals such as expressions, voice and postures, and have achieved some success by using various machine learning and deep learning methods. However, since the behavioral signals are indirect signals that are easy to control and obscure, the signals can be disturbed by a subject's subjective factors 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, EEG has features such as being safe and easy to acquire, non-invasive and inexpensive. Therefore, it is feasible and promising to provide objective detection of depression using EEG signals. The research of EEG-based depression detection provides a more convenient new approach for the clinical diagnosis and treatment of depression. In recent years, the research of EEG-based depression detection has also received great 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. [0004] The detection accuracy of current research on EEG-based depression detection still needs to be improved. In addition, since clinically acquired EEG signals generally have characteristics such as multiple channels, high sampling rate and high density, the information redundancy and computational complexity of clinical EEG signals are greatly increased, which poses great challenges to machine learning and deep learning technologies. A large number of channels can lead to overfitting of machine learning and deep learning models, and irrelevant channels can even lead to a loss of depression detection accuracy. In addition, during clinical acquisition of EEG signals, it takes a long time to adjust a large number of channels and is also uncomfortable for the subject. As a result, the subject's captured EEG signals may not accurately reflect the subject's psychological state.
ZUSAMMENFASSUNGSUMMARY
[0005] Um das in dem Stand der Technik bestehende Problem zu lösen, stellt die Erfindung ein Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodell bereit, das auf einer 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 existing in the prior art, the invention provides a method for building a depression detection classification model based on channel selection of multi-channel EEG, which effectively eliminates information redundancy caused by multi-channel EEG signals, can reduce computational complexity and improve detection accuracy of depression detection, thereby solving the problems of low detection accuracy, information redundancy of multi-channel EEG signals, and high computational complexity in clinical detection of depression.
[0006] Dieses bestehende Problem wird durch ein Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodell basierend auf einer Kanalauswahl von Mehrkanal-EEG gelöst, wobei dieses Verfahren umfasst: Erhalten von Mehrkanal-EEG-Signalen in einem Ruhezustand; wobei die Mehrkanal-EEG-Signale 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 umfassen; wobei die Mehrkanal-EEG-Signale in einer Brain Products-Plattform erfasst werden, eine Erfassungsvorrichtung Elektrodenkappen in einem Internationalen 10-20-System mit 64 Kanälen verwendet, eine Kopfhautimpedanz eines Sensors niedriger als 20 Kiloohm ist, eine Abtastrate auf 1000 Hz eingestellt ist, und eine Referenzelektrode und eine Erdungselektrode jeweils auf FCz und AFz eingestellt sind; Vorverarbeitung der erhaltenen Mehrkanal-EEG-Signalen; Extrahieren von effektiven Merkmalen, die für eine Kanalauswahl verwendet werden ausgehend von den vorverarbeiteten Mehrkanal-EEG-Signalen; Durchführen einer Kanalauswahl auf einer Zielfunktion, mit modifizierter Kernel-Zielausrichtung (modified Kernel Target Alignment; mKTA) als Zielfunktion, unter Verwendung eines Neuen-Binären-Partikel-Schwarm-Optimierungs (New Binary Particle Swarm Optimization; NBPSO)-Verfahrens, um eine Kanalteilmenge zu erhalten; wobei Durchführen der Kanalauswahl auf der Zielfunktion einen Schritt einer Kanalgewichtsauswahl umfasst: 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>; wobei das Klassenlabel y<T>in ein Testklassenlabel yte<T>und ein Trainingsklassenlabel ytr<T>unterteilt ist; dann Erzeugen von P Gruppen von Kanalauswahlgewichten w unter Verwendung des NBPSO-Verfahrens gemäß P Anfangsgewichten w, Berechnen von P Kanalteilmengen Si, 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 vonp_best, welches Gewichte von all den Kanälen darstellt, die P Gruppen von persönlich besten mKTA-Werten entsprechen, und vong_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 Kanalgewichte w ausgegeben werden; und Erkennen der ausgewählten Kanalteilmenge, und Erstellen des Depressionserkennungs-Klassifikationsmodell; wobei Erstellen des Depressionserkennungs-Klassifikationsmodellumfasst: zuerst Berechnen eines Kanalteilmengen-Trainingssatzes Strund eines Kanalteilmengen-Testsatzes Ste, die dem Trainingssatz und dem Testsatz jeweils entsprechen, entsprechend den berechneten Kanalgewichten; und Suchen Depressionserkennungsparameter unter Verwendung eines 10-fachen Kreuzvalidierungsverfahrens, um das Depressionserkennungs-Klassifikationsmodell zu erstellen: zufälliges Unterteilen des berechneten Kanalteilmengen-Trainingssatzes Strund des Trainingsklassenlabels ytr<T>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 Depressionserkennungsmodellparameter zu finden; und dann Erstellen des Depressionserkennungs-Klassifikationsmodells f(Str) auf dem berechneten Kanalteilmengen-Trainingssatz unter Verwendung des Parameters f(Str) = Wmodelk(Str, Str) + b, wobei Wmodelein Gewichtskoeffizient ist, keine Kernelfunktion ist, und b eine Vorspannung ist.[0006] This existing problem is solved by a method for building a depression detection classification model based on channel selection of multi-channel EEG, which method comprises: obtaining multi-channel EEG signals in a resting state; wherein the multi-channel EEG signals include resting state 64-channel EEG signals of a healthy subject and a depressed patient in a resting state with eyes closed within 5 minutes under the same condition; wherein the multi-channel EEG signals are acquired in a Brain Products platform, a acquisition device uses electrode caps in an International 10-20 system with 64 channels, a scalp impedance of a sensor is lower than 20 kiloohms, a sampling rate is set to 1000 Hz, and a reference electrode and a ground electrode are set at FCz and AFz, respectively; Preprocessing of the obtained multi-channel EEG signals; Extracting effective features used for channel selection from the preprocessed multi-channel EEG signals; Perform channel selection on a target function, with modified kernel target alignment (mKTA) as the objective function, using a New Binary Particle Swarm Optimization (NBPSO) method to a channel subset to obtain; wherein performing the channel selection on the objective function comprises a step of 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>; where the class label y<T> is divided into a test class label yte<T> and a training class label ytr<T>; then generating P sets of channel selection weights w using the NBPSO method according to P initial weights w, computing P channel subsets Si, computing a channel selection kernel matrix Ks of P channel subsets, then measuring the quality of the selected channel subsets using the mKTA as an objective function, and computing P groups of mKTA values; then updating according to the P groups of mKTA values from p_best, which represents weights from all the channels corresponding to P groups of personal best mKTA values, and from g_best, which represents weights from all the channels corresponding to a global 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 computing the channel selection kernel matrix Ks; and performing iterations in this manner until channel weights w are output; and detecting the selected channel subset and building the depression detection classification model; wherein creating the depression detection classification model comprises: first computing a channel subset training set St and a channel subset test set Ste corresponding to the training set and the test set, respectively, according to the calculated channel weights; and finding depression detection parameters using a 10-fold cross-validation method to build the depression detection classification model: randomly dividing the calculated channel subset training set Strund of the training class label ytr<T> equally into 10 parts, alternately using 9 parts as a training set to form the model to train, and the remaining 1 part as a validation set to validate the model to find depression detection model parameters; and then building the depression detection classification model f(Str) on the calculated channel subset training set using the parameter f(Str) = Wmodelk(Str, Str) + b, where Wmodel is a weight coefficient, is not a kernel function, and b is a bias.
[0007] In einigen Ausführungsformen erhalten die 64-Kanal-EEG-Signale 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. [0007] In some embodiments, the 64-channel EEG signals obtain resting state 64-channel EEG signals of a healthy subject and a depression patient in a resting state with eyes closed within 5 minutes under the same condition.
[0008] In einigen Ausführungsformen werden die 64-Kanal-EEG-Signalen mit den folgenden vier Schritten vorverarbeitet: Wechseln der Referenzelektrode, Downsampling, Bandpassfilterung und Artefaktenentfernung: 1) Wechseln der Referenzelektrode: Zurücksetzen der ursprünglichen Referenzelektrode FCz auf Mastoidteile auf zwei Seiten; 2) Downsampling: Reduzieren der Abtastrate der EEG-Signale von 1000 Hz auf 256 Hz; 3) Bandpassfilterung: Durchführen einer Bandpassfilterung bei 1 Hz bis 40 Hz, um Gleichstrominterferenzen und hochfrequente Störsignale zu entfernen; und 4) 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.[0008] In some embodiments, the 64-channel EEG signals are preprocessed with the following four steps: reference electrode switching, downsampling, bandpass filtering, and artifact removal: 1) reference electrode switching: resetting the original reference electrode FCz to mastoid parts on two sides; 2) downsampling: reducing the sampling rate of the EEG signals from 1000 Hz to 256 Hz; 3) bandpass filtering: performing bandpass filtering at 1 Hz to 40 Hz to remove DC interference and high frequency noise; and 4) artifact removal: visually inspecting the original signals to select resting state EEG signals containing a minimum of artifact signals and defective electrodes within 70 seconds, and further removing artifact signals from the selected resting state EEG signals within 70 seconds using an independent component analysis method.
[0009] In einigen Ausführungsformen umfasst das Extrahieren von effektiven Merkmalen einen Schritt einer linearen Merkmalsextraktion umfassend: 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. [0009] In some embodiments, extracting effective features comprises a step of linear feature extraction comprising: extracting three linear features from the preprocessed EEG signals, the three linear features comprising a maximum power spectral frequency, a mean power spectral frequency, and a centroid power spectral frequency; first, a 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 of the power spectrum signal is calculated to obtain the maximum power spectral frequency; a mean value of the power spectrum signal is calculated to obtain the mean power spectral frequency; and a centroid frequency is calculated to obtain the centroid power spectral frequency.
[0010] In einigen Ausführungsformen umfasst das Extrahieren von effektiven Merkmalen für die Kanalauswahl einen Schritt einer nichtlinearen Merkmalsextraktion umfassend: 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: c(n)=b(n)= , und durch b(n), c(n) normalisiert werden kann als: C(n)= , wobei n eine Signallänge ist, c(n) die Komplexität eines Signals ist, und b(n) die Komplexität des Signals ist, nachdem es binarisiert wurde. [0010] In some embodiments, extracting effective features for channel selection includes a nonlinear feature extraction step comprising: extracting two nonlinear features from the preprocessed EEG signals, the two nonlinear features including Kolmogorov entropy and LZ complexity; the 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 LZ complexity is used to calculate signal complexity based on a coarse measurement; it is proved that an upper bound of the LZ complexity is: c(n)=b(n)= , and can be normalized by b(n), c(n) as: C(n)= , where n is one is signal length, c(n) is the complexity of a signal, and b(n) is the complexity of the signal after it has been binarized.
Technische Wirkungen der Erfindung:Technical effects of the invention:
[0011] Das in der Erfindung bereitgestellte Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodell basierend auf einer 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 Erfindung löst auch die Probleme wie schlechte Interpretation, einen schlechten Erkennungseffekt, unzureichende Berücksichtigung von Kanalkombinationen, hohen Rechenverlust und Überanpassung des bestehenden Kanalauswahlverfahrens. The method for building a depression detection classification model based on channel selection of multi-channel EEG provided in the invention can effectively eliminate information redundancy caused by multi-channel EEG signals, reduce calculation complexity and improve detection accuracy of depression detection, thereby solving the problems of low Detection accuracy, information redundancy of multi-channel EEG signals and high computational complexity in the clinical detection of depression can be solved. The invention also solves the problems such as poor interpretation, poor recognition effect, insufficient consideration of channel combinations, high computational loss and overfitting of the existing channel selection method.
[0012] Beim Verfahren basierend auf einer optimalen Kanalauswahl von Mehrkanal-EEG gemäß der Erfindung 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 Kanalteilmenge zu erhalten. In dem Prozess des Berechnens der 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 Kanalteilmenge, ausgewählt durch das Kanalauswahlverfahren gemäß der Erfindung, 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 Erfindung bereitgestellte Zielfunktion mKTA zum Messen eines Ähnlichkeitsgrades zwischen einer Kernelfunktion und einer Zielfunktion verwendet, und weist eine gute Interpretation auf. Die in der Erfindung bereitgestellte NBPSO ist ebenfalls ein einfaches und effektives Funktionsoptimierungsverfahren, das ebenfalls eine gute Interpretation aufweist. Darüber hinaus kann die in der Erfindung bereitgestellte mKTA auch eine Überanpassung effektiv vermeiden. Die in der Erfindung bereitgestellte NBPSO wählt die Kanalteilmenge global aus, und die 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 Erfindung bereitgestellte NBPSO auch das Problem eines hohen Rechenverlusts des konventionellen Kanalauswahlalgorithmus lösen. In the method based on optimal channel selection of multi-channel EEG according to the invention, the modified kernel target alignment (mKTA) is used as an objective function of channel selection, and selected channel subsets are calculated using the new binary New Binary Particle Swarm Optimization (NBPSO) optimized to finally obtain a channel subset. In the process of calculating the channel subset, the mKTA value is minimized. In other words, an interclass distance between EEG signals from a depression patient and a normal subject in a feature space is maximized. Therefore, ideal recognition accuracy of depression diagnosis can be obtained when the channel subset selected by the channel selection method according to the invention is used for depression diagnosis, and EEG signals of a depression patient and a normal subject can be accurately distinguished from each other. Meanwhile, the objective function mKTA provided in the invention 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 invention is also a simple and effective function optimization method, which also has good interpretation. In addition, the mKTA provided in the invention can also effectively avoid overfitting. The NBPSO provided in the invention selects the channel subset globally, and the channel subset is selected with full consideration of combinations of different channels. As everyone knows, particle swarm optimization is an evolutionary method, and multiple sets of weights from all channels can be calculated in parallel. Therefore, the NBPSO provided in the invention can also solve the problem of high computational loss of the conventional channel selection algorithm.
KURZBESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF DRAWINGS
[0013] FIG. 1 ist ein Arbeitsflussdiagramm eines Verfahrens basierend auf einer Kanalauswahl von Mehrkanal-EEG gemäß einer Ausführungsform der Erfindung. FIG. 2 ist ein Diagramm der Elektrodenpositionen in einem Internationalen 10-20-System mit 64 Kanälen. FIG. 3 ist ein Flussdiagramm der Kanalgewichtsauswahld. FIG. 4 ist ein Flussdiagramm der Depressionserkennung.[0013] FIG. 1 is a workflow diagram of a method based on channel selection of multi-channel EEG according to an embodiment of the invention. FIG. 2 is a diagram of the electrode positions in a 64-channel International 10-20 system. FIG. 3 is a flowchart of channel weight selection. FIG. 4 is a flowchart of depression detection.
DETAILLIERTE BESCHREIBUNGDETAILED DESCRIPTION
[0014] Die Erfindung wird unter Bezugnahme auf die begleitenden Zeichnungen und die nachstehenden Ausführungsformen weiter beschrieben. The invention will be further described with reference to the accompanying drawings and the following embodiments.
[0015] FIG. 1 ist ein Arbeitsflussdiagramm des Verfahrens zum Erstellen eines Depressionserkennungs-Klassifikationsmodell basierend auf einer Kanalauswahl von Mehrkanal-EEG gemäß der Erfindung, wobei dieses Verfahren gemäß einer Ausführungsform der Erfindung die folgenden fünf Schritte umfasst: (1) Datenerfassungsstufe: 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: vier Verarbeitungsschritte, umfassend Wechseln der Referenzelektrode, Downsampling, Bandpassfilterung und Artefaktenentfernung, werden an den erfassten EEG-Signalen durchgeführt. (3) Merkmalsextraktionsstufe: 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: mit dem mKTA-Verfahren als eine Zielfunktion wird die Kanalauswahl auf der Zielfunktion unter Verwendung des NBPSO-Algorithmus durchgeführt, um eine Kanalteilmenge zu berechnen. (5) Depressionserkennungsstufe: nachdem die Kanalauswahl abgeschlossen ist, wird die Kanalteilmenge erkannt, indem ein Klassifikator wie etwa eine Support-Vektor-Maschine verwendet wird, um ein Klassifikationsmodell zum Erkennen von Depression zu erstellen.[0015] FIG. 1 is a workflow diagram of the method for building a depression detection classification model based on channel selection of multi-channel EEG according to the invention, which method according to an embodiment of the invention comprises the following five steps: (1) Data acquisition stage: 64-channel EEG -Signals from a healthy subject and a depression patient, who are of the same age, gender and education, were recorded in a resting state with their eyes closed under the same condition. (2) Data preprocessing stage: four processing steps including reference electrode changing, downsampling, bandpass filtering and artifact removal are performed on the acquired EEG signals. (3) Feature extraction stage: three linear features including a maximum power spectral frequency, a mean power spectral frequency and a centroid power spectral frequency, and two nonlinear features including the Kolmogorov entropy and LZ complexity are extracted from the preprocessed EEG signals. (4) Channel selection stage: with the mKTA method as an objective function, channel selection is performed on the objective function using the NBPSO algorithm to calculate a channel subset. (5) Depression detection stage: after the channel selection is completed, the channel subset is detected by using a classifier such as a support vector machine to build a classification model for detecting depression.
[0016] Die 5 Stufen der Depressionserkennung basierend auf einer Kanalauswahl von Mehrkanal-EEG gemäß der Erfindung werden im Folgenden einzeln beschrieben: The 5 stages of depression detection based on channel selection of multi-channel EEG according to the invention are described individually below:
(1) Datenerfassungsstufe(1) Data collection stage
[0017] 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. [0017] In the data collection stage, 15 depression patients and 20 healthy subjects of the same age, gender and education are selected based on the self-assessment depression scale and diagnosis by general practitioners. All subjects are right-handed with normal or corrected-to-normal visual acuity, with no history of neurological problems. Prior to data collection, none of the subjects were taking psychotropic, neurological, or psychiatric medications. During data collection, the subjects were in good psychological condition. Data from all subjects are recorded under the same environmental condition.
[0018] 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. [0018] We collected 5 minutes of resting EEG signals for each subject with eyes closed using a 64-channel electrode cap (Brain Products, Gilching, Germany) with the International Association's International 10-20 Electrode System, with electrode positions as in FIG. 2 are shown. A sensor's scalp impedance is lower than 20 kiloohms. A sampling rate is set to 1000 Hz. A reference electrode and a ground electrode are set at FCz and AFz, respectively.
(2) Datenvorverarbeitungsstufe(2) Data preprocessing stage
[0019] 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 acquired 64-channel EEG signals. Data preprocessing mainly includes four steps: reference electrode changing, downsampling, bandpass filtering and artifact removal.
[0020] 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 einer bevorzugten Ausführungsform der Erfindung wird eine Bandpassfilterung bei 1 Hz bis 40 Hz durchgeführt, um Gleichstrominterferenzen und hochfrequente Störsignale zu entfernen. In der Erfindung sind, obwohl die EEG-Signale vorzugsweise 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 to increase the signal amplitudes of the channels in the prefrontal lobe and parietal lobe regions to facilitate subsequent processing. The original sampling rate of EEG signals is 1000 Hz, and the excessively high sampling rate will result in an excessive amount of data, affecting subsequent processing and analysis. Therefore, the acquired EEG signals are downsampled to reduce the sampling rate of the EEG signals from 1000 Hz to 256 Hz. In a preferred embodiment of the invention, bandpass filtering is performed at 1 Hz to 40 Hz to remove DC interference and high frequency spurious signals. In the invention, although the EEG signals are preferably acquired in the resting state with eyes closed, effects caused by electrooculogram, eye movement and electromyogram signals are still inevitable. Therefore, artifacts of the captured EEG signals must be removed. Artifact removal includes visually inspecting the original signals to select resting state EEG signals containing a minimum of artifact signals and defective electrodes within 70 seconds, where the artifact signals may be, for example, body movement, blink signals, eye movement signals and electromyogram signals, and further removing Artifact signals from the selected resting state EEG signals within 70 seconds using an independent component analysis method.
(3) Merkmalsextraktionsstufe(3) Feature extraction stage
[0021] Drei lineare Merkmale und zwei nichtlineare Merkmale, die gewöhnlich verwendet werden und sich bei der Depressionsdiagnose als effektiv erwiesen haben, werden in einer bevorzugten Ausführungsform der Erfindung verwendet, um Merkmale aus jedem Segment des vorverarbeiteten EEG-Signals zu extrahieren. [0021] Three linear features and two non-linear features that are commonly used and have been shown to be effective in depression diagnosis are used in a preferred embodiment of the invention to extract features from each segment of the preprocessed EEG signal.
[0022] 1) Die drei linearen Merkmale umfassen die maximale Leistungsspektralfrequenz, die mittlere Leistungsspektralfrequenz und die Schwerpunkts-Leistungsspektralfrequenz. [0022] 1) The three linear features include the maximum power spectral frequency, the average power spectral frequency and the centroid power spectral frequency.
[0023] 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 a maximum value, an average value and a centroid power spectral frequency signal are calculated using a power spectrum signal of a corresponding segment to obtain the maximum power spectral frequency, the average Power spectral frequency and the center of gravity power spectral frequency.
[0024] 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: K2= ln(Cm(r)/Cm+1(r)), wobei eine [0024] 2) The two nonlinear features include Kolmogorov entropy and LZ complexity; the Kolmogorov entropy represents a chaotic degree of a system using correlation integrals of a variety of increasing embedding dimensions: K2= ln(Cm(r)/Cm+1(r)), where a
[0025] 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: c(n)=b(n)= , und durch b(n), c(n) normalisiert werden kann als: C(n)= , wobei n eine Signallänge ist, c(n) die Komplexität eines Signals ist, und b(n) die Komplexität des Signals ist, nachdem es binarisiert wurde. is embedding dimension, and Cm(r), is a correlation integral of the embedding dimension; and LZ complexity is used to calculate signal complexity based on a coarse measurement; it is proved that an upper bound of the LZ complexity is: c(n)=b(n)= , and can be normalized by b(n), c(n) as: C(n)= , where n is one is 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 stage
[0026] 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. Zunächst wird eine Merkmalsmatrixfl=[cl1,...,clE],f =[f1,...,fn]<T>von Merkmalsdaten in dem Trainingssatz auf der Basis der Kanäle organisiert, wobei cleMerkmalsdaten 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>∈ {+1,-1}, wobei yldas Klassenlabel darstellt. Dann werden P Gruppen von Kanalauswahlgewichten w unter Verwendung des NBPSO-Verfahrens gemäß P zufällig initialisierten Gewichten w erzeugt; P Kanalteilmengen Slwerden berechnet, Sl=w (o stellt ein Hadamard-Produkt dar); und eine Kanalauswahlkernelmatrix KSder P Kanalteilmengen wird berechnet, KSlj= k(Sl, Sj)=k(w , w ), 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 flowchart of channel weight selection. First, a feature matrixfl=[cl1,...,clE],f =[f1,...,fn]<T>of feature data in the training set is organized based on the channels, where cle represents 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 corresponding to a class label y<T>, L = yy<T>,<>y = [ y1,...,yn]<T>∈ {+1,-1}, where yl represents 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 Sl are calculated, Sl=w (o represents a Hadamard product); and a channel selection kernel matrix KS of the P channel subsets is calculated, KSlj= k(Sl, Sj)=k(w , w ), where k represents a kernel function.
[0027] 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>=<>[y1,...,yn]<T>,yi∈<>{+1,-1}, ylstellt das Klassenlabel dar, und n stellt die Anzahl der Segmente der EEG-Signale dar; f = f1,...,fn]<T>, fl= [cl1,...,clE], w = [wl,...,wE], we∈ {0,1}, St=w , fl, stellt Merkmale aller Kanäle des i-ten Segments des EEG-Signals dar, clestellt 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). Slstellt 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, KSlj=<>k(Sl,Sj)=k(w , w ). Mit der mKTA als der Zielfunktion können die ausgewählten Kanalteilmengen optimiert werden, um den Unterschied zwischen der Zielmatrix L und der Kanalauswahlkernelmatrix KSzu minimieren. Gemäß der Definition der mKTA zeigt ein kleinerer mKTA-Wert einen höheren Grad an Ähnlichkeit zwischen der Zielmatrix L und der Kanalauswahlkernelmatrix KSan, 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. [0027] 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>=<>[y1,...,yn]<T>,yi∈<>{+1,-1}, yl represents the class label, and n represents the number of segments of the EEG signals; f = f1,...,fn]<T>, fl= [cl1,...,clE], w = [wl,...,wE], we∈ {0,1}, St=w , fl, represents features of all channels of the i-th segment of the EEG signal, cl represents a feature of the e-th channel of the i-th segment of the EEG signal, and we represents a weight of the e-th channel. When we=1, it indicates that the e-th channel is selected, and when We= 0, it indicates that the e-th channel is not selected; w represents the weights of all channels (hence, w can be regarded as the selected channel subset). Sl represents a feature subset of the i-th segment of the EEG signal after channel selection, where a feature value of a non-selected channel is set to 0 while a feature value of a selected channel remains unchanged. KS is a kernel matrix for channel selection, KSlj=<>k(Sl,Sj)=k(w , w ). 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 indicates a higher degree of similarity between the objective matrix L and the channel selection kernel matrix KS, and also means that the selected channel subsets can achieve good detection accuracy in depression diagnosis. Therefore, a minimized mKTA value is also equivalent to a maximized distance between classes in a feature space.
[0028] 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: 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, Subsequently, according to the P groups of mKTA values, p_best, which represents weights from all the channels corresponding to P groups of personally best mKTA values, and g_best, which represents weights from all the channels corresponding to a globally best mKTA -value, updated using the NBPSO, the P groups of channel weights are updated using the NBPSO, and the channel subsets are updated: wt represents weights of all the channels (channel subset) in the tth iteration round; vt represents a speed of the weights wtall of the channels in the tth 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 weights of all the channels that correspond to a personal best mKTA value; g_best represents weights of all the channels that correspond to a global best mKTA value; Sig(vt+1) represents a Sigmod function of velocity vt+1; S(vt+1) is a transformation function for transforming the velocity vt+1; exchange(wt) represents transformation values of the weights wtall of the channels in the tth iteration round,
[0029] 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 Kanalgewichte berechnet sind. Die in einer bevorzugten Ausführungsform der Erfindung 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 Kanalgewichte berechnet sind. [0029] to transform 1 to 0 and vice versa; wt+1 represents weights of all the channels in the (t+1)<-th>round of iterations after the update. A channel subset is selected using the NBPSO, and the mKTA value corresponding to the subset is calculated to obtain the personal best mKTA value and update the global best mKTA value; the next round update speed 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 global best mKTA value, and the speed is transformed. Then the weights wt+1 of all channels are updated according to the speed in the next round until the channel weights are calculated. The NBPSO provided in a preferred embodiment of the invention is a parallel optimization method that can calculate and update multiple groups of channel weights in parallel. For example, P groups of channel weights are determined during initialization so that the P groups of channel weights can be calculated in parallel during updates and iterations until the channel weights are calculated.
[0030] Die P-Kanalteilmengen Slwerden unter Verwendung der aktualisierten P Gruppen von Kanalgewichten aktualisiert, und die Kanalauswahlkernelfunktion KSwird berechnet; Iterationen werden auf diese Weise durchgeführt, bis eine Kanalteilmenge S berechnet ist. In einer Ausführungsform der Erfindung umfasst die berechnete 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 Sl 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 a channel subset S is calculated. In one embodiment of the invention, the calculated 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 where these channels are located correspond to known brain regions linked to depression.
(5) Depressionserkennungsstufe(5) Depression detection level
[0031] FIG. 4 ist ein Flussdiagramm der Depressionserkennung. [0031] FIG. 4 is a flowchart of depression detection.
[0032] Die Kanalteilmenge wird entsprechend den in Stufe (4) berechneten Kanalgewichten erhalten, Kanalteilmengen Str= w und Ste= w entsprechend dem Trainingssatz und dem Testsatz werden jeweils berechnet, wobei w die berechneten Kanalgewichte ist, ftrein Trainingsmerkmalssatz ist, Strein Kanalteilmengen-Trainingssatz ist, fteein Testmerkmalssatz ist, und Steein Kanalteilmengen-Testsatz ist. Bei der Hilfsdiagnose wird eine Kanalteilmenge für die Hilfsdiagnose Snew= w für EEG-Merkmale der Hilfsdiagnose unter Verwendung der Kanalgewichte berechnet, wobei fnewein Hilfsdiagnose-Merkmalssatz ist, und Snewein Merkmalssatz der Kanalteilmenge für die Hilfsdiagnose ist. Das Klassenlabel y<T>ist in ein Testklassenlabel und ein Trainingsklassenlabel unterteilt. The channel subset is obtained according to the channel weights calculated in stage (4), channel subsets Str = w and Ste = w corresponding to the training set and the test set are calculated respectively, where w is the calculated channel weights, frein is training feature set, strein is channel subset training set is, fte is a test feature set, and Ste is a channel subset test set. In the auxiliary diagnosis, a channel subset for the auxiliary diagnosis Snew = w for EEG features of the auxiliary diagnosis is calculated using the channel weights, where fnew is the auxiliary diagnosis feature set, and Snew is the feature set of the channel subset for the auxiliary diagnosis. The class label y<T> is divided into a test class label and a training class label.
[0033] Zuerst wird ein Schritt des Erstellens eines Depressionserkennungs-Klassifikationsmodells durchgeführt: Suchen optimierter Depressionserkennungsparameter unter Verwendung eines 10-fachen Kreuzvalidierungsverfahrens, um das Depressionserkennungs-Klassifikationsmodell zu erstellen. Der berechnete Kanalteilmengen-Trainingssatz Strund 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 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 Depressionserkennungsmodellparameter ausgewählt. [0033] First, a step of building a depression detection classification model is performed: searching optimized depression detection parameters using a 10-fold cross-validation method to create the depression detection classification model. The calculated channel subset training set and the training class label are randomly divided equally into 10 parts, where 9 parts are used as a training set to train the model and the remaining 1 part is used as a validation set to alternately validate the model Find 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 depression detection model parameters.
[0034] Dann wird das Depressionserkennungs-Klassifikationsmodell f(Str) auf dem berechneten Kanalteilmengen-Trainingssatz unter Verwendung der Parameter erstellt. In der Erfindung wird vorzugsweise eine Support-Vektor-Maschine für das Klassifikationsmodell verwendet, und das auf der Basis eines solchen Klassifikators erstellte Klassifikationsmodell ist wie folgt: f(Str)=Wmodelk(Str,Str) + b, wobei Wmodelein Gewichtskoeffizient ist, k<>eine Kernelfunktion ist und b eine Vorspannung ist.Then the depression detection classification model f(Str) is built on the calculated channel subset training set using the parameters. In the invention, a support vector machine is preferably used for the classification model, and the classification model created on the basis of such a classifier is as follows: f(Str)=Wmodelk(Str,Str) + b, where Wmodel is a weight coefficient, k <>is a kernel function and b is a bias.
[0035] Zweitens wird ein Schritt des Testen des Depressionserkennungs-Klassifikationsmodells durchgeführt: der berechnete Kanalteilmengen-Testsatz Stewird 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 Depressionserkennungsmodell ausgegeben wird, und entsprechende Modellleistungsbewertungsindizes wie Genauigkeit, Empfindlichkeit und Spezifität werden berechnet.Secondly, a step of testing the depression detection classification model is performed: the calculated channel subset test set Ste 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 with the depression detection result output by the depression detection model, and corresponding model performance evaluation indices such as accuracy, sensitivity and specificity are calculated.
[0036] Dann wird ein Schritt der Depressionserkennungs-Hilfsdiagnose durchgeführt: zuerst werden erfasste EEG-Signaldaten vorverarbeitet, und effektive Merkmale werden extrahiert, um eine Merkmalsmatrix fnewzu erhalten; eine Kanalmerkmalsteilmenge für die Hilfsdiagnose Snewwird unter Verwendung der Kanalgewichte berechnet; dann wird die berechnete Kanalmerkmalsteilmenge für die Hilfsdiagnose in das 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; a channel feature subset for the auxiliary diagnosis Snew is calculated using the channel weights; then the calculated channel feature subset for auxiliary diagnosis is input into the depression detection classification model to calculate a depression detection result: f(Snew)=Wmodelk(Snew,S)+b.
[0037] In der Kanalauswahlstufe und der Depressionserkennungsstufe wendet vorzugsweise die Erfindung das Leave-One-Out-Kreuzvalidierungsverfahren an. Die Depressionserkennung in der Erfindung 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 invention preferably applies the leave-one-out cross-validation method. The depression detection in the invention 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%.
[0038] Es ist zu beachten, dass die vorstehenden spezifischen Ausführungen es einem Fachmann ermöglichen, die Erfindung umfassender zu verstehen, aber die Erfindung in keiner Weise einschränken. It should be noted that the foregoing specific statements enable one skilled in the art to understand the invention more fully, but do not limit the invention in any way.
Claims (4)
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911156635.XA CN110876626B (en) | 2019-11-22 | 2019-11-22 | Depression detection system based on optimal lead selection of multi-lead electroencephalogram |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| CH716863A2 CH716863A2 (en) | 2021-05-31 |
| CH716863A8 CH716863A8 (en) | 2021-07-15 |
| CH716863B1 true CH716863B1 (en) | 2024-03-15 |
Family
ID=69729804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CH001419/2020A CH716863B1 (en) | 2019-11-22 | 2020-11-04 | Method for building a depression detection classification model based on channel selection of multichannel electroencephalography. |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110876626B (en) |
| CH (1) | CH716863B1 (en) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111543988B (en) * | 2020-05-25 | 2021-06-08 | 五邑大学 | Adaptive cognitive activity recognition method and device and storage medium |
| CN111568446B (en) * | 2020-05-28 | 2023-05-26 | 兰州大学 | Portable brain depression detection system combined with demographic attention mechanism |
| CN112545513A (en) * | 2020-12-04 | 2021-03-26 | 长春理工大学 | Music-induced electroencephalogram-based depression identification method |
| CN112617833A (en) * | 2020-12-21 | 2021-04-09 | 首都医科大学 | Device for detecting depression based on resting brain waves |
| CN112370060B (en) * | 2021-01-18 | 2021-03-26 | 南京左右脑医疗科技有限公司 | Mental stress ability assessment method and device based on electroencephalogram oscillation |
| CN113288150B (en) * | 2021-06-25 | 2022-09-27 | 杭州电子科技大学 | Channel selection method based on fatigue electroencephalogram combination characteristics |
| CN113712542A (en) * | 2021-08-27 | 2021-11-30 | 中山大学孙逸仙纪念医院 | Tinnitus electroencephalogram convolutional neural network model construction method based on deep learning |
| CN113855023B (en) * | 2021-10-26 | 2023-07-04 | 深圳大学 | Iterative tracing-based lower limb movement BCI electrode selection method and system |
| CN114098764B (en) * | 2021-11-05 | 2024-02-20 | 北京大学 | Data processing method, device, electronic equipment and storage medium |
| CN114209320B (en) * | 2021-11-17 | 2024-05-07 | 山东师范大学 | Depression patient brain electricity identification system based on graph mutual information maximization |
| CN114209341B (en) * | 2021-12-23 | 2023-06-20 | 杭州电子科技大学 | Emotion activation mode mining method for characteristic contribution degree difference electroencephalogram data reconstruction |
| CN114487894A (en) * | 2021-12-24 | 2022-05-13 | 中铁二院工程集团有限责任公司 | System for carrying out real-time quality monitoring on vehicle-mounted power supply equipment |
| CN114081494B (en) * | 2022-01-21 | 2022-05-06 | 浙江大学 | Depression state detecting system based on brain lateral reins signal |
| CN114305423B (en) * | 2022-02-08 | 2023-07-07 | 浙江浙大西投脑机智能科技有限公司 | Depression state indication determining device based on neuron spike signal |
| CN114403899B (en) * | 2022-02-08 | 2023-07-25 | 浙江浙大西投脑机智能科技有限公司 | Depression detection device combining brain neuron spike potential and local field potential |
| CN114652330B (en) * | 2022-02-11 | 2023-03-24 | 北京赋思强脑科技有限公司 | Method, device and equipment for evaluating meditation training based on historical electroencephalogram signals |
| CN115299964A (en) * | 2022-08-10 | 2022-11-08 | 杭州电子科技大学 | Electroencephalogram complexity analysis method for Alzheimer disease patient |
| CN115363598B (en) * | 2022-09-19 | 2023-03-24 | 深圳市太美亚电子科技有限公司 | Electrocardiosignal processing method and system |
| CN116369949B (en) * | 2023-06-06 | 2023-09-15 | 南昌航空大学 | Electroencephalogram signal grading emotion recognition method, electroencephalogram signal grading emotion recognition system, electronic equipment and medium |
| CN117462148B (en) * | 2023-12-28 | 2024-05-14 | 慧创科仪(北京)科技有限公司 | Lead configuration device, method and storage medium for electroencephalogram detection equipment |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012165602A1 (en) * | 2011-05-31 | 2012-12-06 | 国立大学法人名古屋工業大学 | Cognitive dysfunction-determining equipment, cognitive dysfunction-determining system, and program |
| CN104899436A (en) * | 2015-05-29 | 2015-09-09 | 北京航空航天大学 | Electroencephalogram signal time-frequency analysis method based on multi-scale radial basis function and improved particle swarm optimization algorithm |
| CN110018739B (en) * | 2019-03-11 | 2021-06-18 | 中南大学 | Electroencephalogram signal feature optimization method based on dimension reduction mechanism |
-
2019
- 2019-11-22 CN CN201911156635.XA patent/CN110876626B/en active Active
-
2020
- 2020-11-04 CH CH001419/2020A patent/CH716863B1/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| CN110876626B (en) | 2022-08-12 |
| CH716863A8 (en) | 2021-07-15 |
| CN110876626A (en) | 2020-03-13 |
| CH716863A2 (en) | 2021-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CH716863B1 (en) | Method for building a depression detection classification model based on channel selection of multichannel electroencephalography. | |
| Khare et al. | PDCNNet: An automatic framework for the detection of Parkinson’s disease using EEG signals | |
| Hamad et al. | Feature extraction of epilepsy EEG using discrete wavelet transform | |
| Şeker et al. | Complexity of EEG dynamics for early diagnosis of Alzheimer's disease using permutation entropy neuromarker | |
| Subasi | Application of adaptive neuro-fuzzy inference system for epileptic seizure detection using wavelet feature extraction | |
| Guo et al. | Automatic epileptic seizure detection in EEGs based on line length feature and artificial neural networks | |
| US11577090B2 (en) | Machine learning based artifact rejection for transcranial magnetic stimulation electroencephalogram | |
| Boubchir et al. | A review of feature extraction for EEG epileptic seizure detection and classification | |
| Kee et al. | Binary and multi-class motor imagery using Renyi entropy for feature extraction | |
| CN111714118B (en) | Brain cognition model fusion method based on ensemble learning | |
| DE102008003000A1 (en) | Monitor epileptiform activity | |
| Guerrero-Mosquera et al. | EEG signal processing for epilepsy | |
| Wang et al. | A novel multi-scale dilated 3D CNN for epileptic seizure prediction | |
| Desai et al. | Decision support system for arrhythmia beats using ECG signals with DCT, DWT and EMD methods: A comparative study | |
| CN112861625B (en) | Determination method for stacked denoising self-encoder model | |
| Yuan et al. | Epileptic seizure detection with log-euclidean gaussian kernel-based sparse representation | |
| Zhang et al. | Automatic detection of interictal epileptiform discharges based on time-series sequence merging method | |
| WO2024083059A1 (en) | Working memory task magnetoencephalography classification system based on machine learning | |
| CN113017627A (en) | Depression and bipolar disorder brain network analysis method based on two-channel phase synchronization feature fusion | |
| Lopes et al. | Ensemble deep neural network for automatic classification of eeg independent components | |
| Saini et al. | Discriminatory features based on wavelet energy for effective analysis of electroencephalogram during mental tasks | |
| Upadhyay et al. | Application of wavelet fractal features for the automated detection of epileptic seizure using electroencephalogram signals | |
| Harshavarthini et al. | Automated epileptic seizures detection and classification | |
| ŞEKER et al. | Automated Detection of Alzheimer’s Disease using raw EEG time series via. DWT-CNN model | |
| Wei et al. | Automatic recognition of chewing noises in epileptic EEG based on period segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PK | Correction |
Free format text: BERICHTIGUNG ERFINDER |
|
| PK | Correction |
Free format text: REGISTERAENDERUNG SACHPRUEFUNG |
|
| PK | Correction |
Free format text: REGISTERAENDERUNG SACHPRUEFUNG |