CN108427929A - 一种基于静息态脑网络的抑郁识别分析系统 - Google Patents

一种基于静息态脑网络的抑郁识别分析系统 Download PDF

Info

Publication number
CN108427929A
CN108427929A CN201810225953.6A CN201810225953A CN108427929A CN 108427929 A CN108427929 A CN 108427929A CN 201810225953 A CN201810225953 A CN 201810225953A CN 108427929 A CN108427929 A CN 108427929A
Authority
CN
China
Prior art keywords
brain
brain area
group
brain network
area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810225953.6A
Other languages
English (en)
Other versions
CN108427929B (zh
Inventor
胡斌
孙淑婷
李小伟
祝婧
李建秀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou University
Original Assignee
Lanzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lanzhou University filed Critical Lanzhou University
Priority to CN201810225953.6A priority Critical patent/CN108427929B/zh
Publication of CN108427929A publication Critical patent/CN108427929A/zh
Application granted granted Critical
Publication of CN108427929B publication Critical patent/CN108427929B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • A61B5/72—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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提出的一种基于静息态脑网络的抑郁识别分析系统，包括(a)静息态脑电数据采集及预处理模块，用于采集被试者静息态脑电数据；对采集的静息态脑电数据进行预处理，(b)提取脑网络度量模块，用于构建个性化脑网络结构，从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，基于两组的共性活动脑区找出差异脑区，提取脑网络度量；(c)分类识别模块，用于对提取的脑网络度量及功能连接特征进行特征选择，并对筛选完特征的数据进行分类，实现抑郁患者和正常被试的识别。其优势是特征维度有效降低，提高计算效率，并且可以有效的实现抑郁识别。

Description

一种基于静息态脑网络的抑郁识别分析系统
技术领域
本发明涉及网络分析以及医疗辅助研究领域，特别是涉及一种基于静息态脑网络的抑郁识别分析系统。
背景技术
抑郁症是一种常见的心理疾病，以显著而持久的心境低落为主要临床特征，具体表现在对生活缺乏兴趣、失眠或过度睡眠、缺乏精力、无法集中注意力、无价值感、充满内疚感以及自杀的反复思考。目前，抑郁症已经影响了全世界超出 3.5亿人。在17个国家的世界心理健康调查结果表明平均约20人中有一人报告在前一年中有过抑郁发作。据世界卫生组织估计，到2020年抑郁症将成为世界第二大疾病。所以及时的检测抑郁，理解抑郁的神经机制，对于有效的治疗以及减轻经济压力是至关重要的。但是，现今对于抑郁症的检测并没有一个黄金标准，依然是采用医生问诊和量表相结合的方式，存在的问题有：病人配合度低、主观偏向性强、低敏感性以及低准确性。因此，我们亟需找到一种客观准确的方法检测抑郁，而脑电信号(EEG)已经显示了能够较准确的区分抑郁症患者和正常被试。
在过去的几年中，有研究表明主要的抑郁症状与一个分布的神经网络的调节异常有关，它包括皮质和边缘区域，而不是一个单独的脑区的崩溃。因此，功能连接的研究将提供重要的信息，而图论在神经科学领域中越来越多的应用在理解人脑的大规模网络结构，基于功能连接的图论分析将会提供一些网络拓扑的额外信息。从图论分析中所获取的复杂的网络度量可以用来描述人的大脑，且这些度量是可靠的、易于计算的，并且可以与一些疾病或者行为联系起来，例如，揭示精神疾病的异常。一些研究已经基于功能连接或者不同的网络度量使用机器学习技术对抑郁疾病进行分类，并优化治疗方案。但是，大脑具有个体差异性，目前用于分类的网络度量的提取是基于各个被试的整个大脑网络，带来的问题是特征维度高、计算量大。
发明内容
本发明的目的是提出一种基于静息态脑网络的抑郁识别分析系统，考虑到个体差异性，从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，并基于两组的共性活动脑区找出差异脑区，进而提取脑网络度量，并结合功能连接特征进行分类，其优势是特征维度有效降低，提高计算效率，并且可以有效的实现抑郁识别。
本发明的技术方案是：
1.一种基于静息态脑网络的抑郁识别分析系统，其特征在于，包括(a)静息态脑电数据采集及预处理模块，用于采集被试者静息态脑电数据；对采集的静息态脑电数据进行预处理，(b)提取脑网络度量模块，用于构建个性化脑网络结构，从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，基于两组的共性活动脑区找出差异脑区，提取脑网络度量；(c)分类识别模块，用于对提取的脑网络度量及功能连接特征进行特征选择，并对筛选完特征的数据进行分类，实现抑郁患者和正常被试的识别。
2.所述静息态脑电数据采集及预处理模块包括脑电数据采集设备，包括脑电采集仪、128导的脑电帽以及放大器，电极的位置按照国际标准导联10-20系统标准安放，参考电极为Cz，采样频率250Hz，电极的阻抗都低于50kΩ，采集的是被试在设定时间段的闭眼静息状态下的脑电数据。
3.所述静息态脑电数据采集及预处理模块的预处理，首先采用0.5Hz高通滤波器和40Hz低通滤波器进行滤波、使用FastICA算法进行去噪处理、再采用REST 技术重置参考，最后进行数据分段，提取90s预处理后的脑电数据，对脑电数据按4s进行分割，叠加窗口为2s。
4.所述提取脑网络度量模块包括全局相干性计算单元，首先依据预处理后的脑电数据，计算设定频段下全局相干性；依据各频率波段全局相干性做秩和检验，找出抑郁组和正常对照组有显著性差异的频率波段；再计算有显著性差异的频率波段的相干性矩阵。
5.所述提取脑网络度量模块还包括脑网络构建单元，采取稀疏阈值法构建脑网络，构建出二值化的脑网络矩阵；所述稀疏阈值法是指在由相干性Cxy值所构成的相干性矩阵中，如果Cxy值大于阈值，则对应的相干性矩阵中的元素值为1；反之，对应的相干性矩阵中的元素值为0，从而完成相干性矩阵的二值化处理，构成的二值化矩阵即称为二值化的脑网络矩阵，其中，Cxy为两个脑电信号在特定频率下的相干性。
6.所述提取脑网络度量模块还包括共性脑区求解单元，通过对抑郁组和正常组的二值化矩阵进行求&操作，得出抑郁组和正常组的共性脑区；所述求&操作的计算规则为：1&1＝1，1&0＝0，通过求&操作，分别求取出抑郁组和正常组被试的共同激活电极，根据128导电极的脑区划分规则，分别得出两组被试的共性脑区。
7.所述提取脑网络度量模块还包括差异脑区判别单元，通过对抑郁组和正常组的共性脑区中的电极数目进行判别，得出两组的差异脑区；首先将所获得的抑郁组共性脑区和正常组共性脑区中的电极映射到128导电极的脑区划分中，然后统计两组的共性脑区在各个划分脑区中的电极数量；若同时满足以下判别条件，则定义为此脑区为抑郁组和正常组的差异脑区，判别条件a)某一脑区抑郁组或者正常组的电极数量大于或者等于128导电极的脑区划分中该脑区电极总数的二分之一；判别条件b)某一脑区抑郁组的电极总数除以正常组的电极总数≥3/2 或者≤2/3。
8.所述提取脑网络度量模块还包括差异脑区脑网络特征提取单元，通过对获取的抑郁组和正常组的差异脑区中对应位置上的电极进行特征提取，得到差异脑区中电极的脑网络特征，所述脑网络特征包括度、聚类系数和最短路径长度。
9.所述分类识别模块包括特征选择单元，应用Relief算法实现对提取的脑网络特征及功能连接特征进行选择，特征选择是基于训练集，应用基于Relief 特征选择方法得到特征子集，然后使用特征子集去筛选训练集和测试集数据。
10.所述分类识别模块包括分类识别单元，应用逻辑回归算法LR构建分类器，将筛选完特征的训练集和测试集进一步使用LR分类器进行分类，循环执行 n次，其中n为样本数；分类器的评价指标为分类准确率、灵敏性和特效性，采用留一交叉验证方法对构建的分类器进行检验，实现抑郁患者和正常被试的分类。
本发明的技术效果：
本发明提出的一种基于静息态脑网络的抑郁识别分析系统，考虑到个体差异性，从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，并基于两组的共性活动脑区找出差异脑区，进而提取脑网络度量，并结合功能连接特征进行分类，其优势是特征维度有效降低，提高计算效率，并且可以有效的实现抑郁识别。已有的EEG的特征提取是基于各个被试的整个大脑网络，而未针对共性脑区进行分析，本发明通过对各组的二值化脑网络进行求&操作，能够找出抑郁组与正常组的共性脑区，并且通过比较两组的共性脑区，进一步确定抑郁组与正常组的差异脑区，进而实现扩大差异性，降低特征维度，提高运算效率，有效的实现抑郁症的辅助诊断和分析。
附图说明
图1为本发明提供的一种基于静息态脑网络的抑郁识别分析系统实施例的工作流程图；
图2为是本发明的静息态脑电数据采集及预处理模块的预处理过程示意图；
图3为是本发明实施例计算得出的抑郁组和正常组全局相干性的示意图；
图4为128导电极的脑区划分图；
图5A为theta波段下获取的抑郁组和正常组共性脑区的示意图；
图5B为beta波段下获取的抑郁组和正常组共性脑区的示意图；
图6为对抑郁组和正常组的共性脑区求解两组的差异脑区的流程图；
图7为对抑郁组和正常组脑电数据进行特征选择与分类的流程图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
本发明考虑到个体差异性，提出一种基于静息态脑网络的抑郁识别分析系统，发明思路如下：从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，并基于两组的共性活动脑区找出差异脑区，进而提取脑网络度量，并结合功能连接特征进行分类，其优势是特征维度有效降低，并可以扩大两组之间的差异性，有助于抑郁的有效识别。
一种基于静息态脑网络的抑郁识别分析系统，包括(a)静息态脑电数据采集及预处理模块，用于采集被试者静息态脑电数据；对采集的静息态脑电数据进行预处理；(b)提取脑网络度量模块，用于构建个性化脑网络结构，从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，基于两组的共性活动脑区找出差异脑区，提取脑网络度量；(c)分类识别模块，用于对提取的脑网络度量及功能连接特征进行特征选择，对筛选完特征的样本数据进行分类，实现抑郁患者和正常被试的识别。
如图1所示，是本发明提供的一种基于静息态脑网络的抑郁识别分析系统实施例的工作流程图。
首先，静息态脑电数据采集及预处理模块采集被试者多通道静息态脑电数据并预处理；脑电数据采集设备包括脑电采集仪、128导的脑电帽以及放大器，电极的位置按照国际标准导联10-20系统标准安放，参考电极为Cz，采样频率 250Hz，电极的阻抗都低于50kΩ，采集的是被试在设定时间段的闭眼静息状态下的脑电数据。本实施例中，采集被试5分钟闭眼静息状态下的脑电数据，脑电采集设备采用美国Electrical Geodesics Ins生产的脑电采集仪，脑电帽是128 导HCGSN(HydroCel Geodesic Sensor Net)脑电采集系统，放大器为Net Amps200，脑电采集软件为Net Station 5.4版本，电极的位置按照国际标准导联10-20 系统标准安放，参考电极为Cz，采样频率250Hz，根据EGI工程师建议，所有电极的阻抗都低于50kΩ。静息态脑电数据采集及预处理模块的预处理过程如图2 所示，首先对采集的脑电数据采用0.5Hz高通滤波器和40Hz低通滤波器进行滤波、使用FastICA算法进行去噪处理、再采用REST技术重置参考，最后进行数据分段，提取90s干净的脑电数据，对脑电数据按4s进行分割，叠加窗口为2s。
其次，提取脑网络度量模块包括全局相干性计算单元，首先依据预处理后的脑电数据，计算设定频段下全局相干性；依据各频率波段全局相干性做秩和检验，找出抑郁组和正常对照组有显著性差异的频率波段；再计算有显著性差异的频率波段的相干性矩阵。本实施例中，计算0.5-30Hz频段下全局相干性，依据各频率波段(delta、theta、alpha和beta)下全局相干性进行秩和检验，找出抑郁组和正常组有显著性差异的波段；计算相干性矩阵的公式如下：
Cxy为两个脑电信号在特定频率下的相干性，相干性的基本理论假设是：当两个皮层活动时，功能协调的脑区之间的脑电频率显示了线性相关性和高频谱的相干性。相干性范围在[0,1]之间，0表示两个脑电信号间无相干性，1表示两个脑电信号之间具有最大的线性依赖性；其中，Sxx(f)表示信号x在频率f下的功率谱密度，Syy(f)表示信号y在频率f下的功率谱密度，Sxy(f)表示信号x和y 在频率f下的交叉功率谱密度，x和y则表示脑电帽中各电极信号。
在本发明实施例中，我们计算了128导电极信号对在特定频率下的相干性，所以对于每一个被试可以获得一个128*128的相干性矩阵，128为采集的电极通道数，相干性矩阵中的每一个元素表明两个电极通道之间的相干性。全局相干性为相干性矩阵中所有元素的平均值。我们计算了两组被试在0.5-30Hz频率范围下的全局相干性，为了快速有效的发现抑郁组和正常组有显著性差异的频率波段，我们对两组被试在0.5-30Hz频率范围下的0.5-4Hz(delta波段)、4-8Hz (theta波段)、8-13Hz(alpha波段)和13-30Hz(beta波段)的全局相干性值分别进行了非参数检验法Wilcoxon秩和检验。
其中，Wilcoxon秩和检验的具体步骤是：
(1)建立假设：
H0：比较两组的总体分布相同；
H1：比较两组的总体分布位置不同，检验水平为0.05。
(2)两组样本混合编秩，即将两组样本数据(样本大小分别为n1和n2) 混合并由小到大排序，最小数据的秩为1，最大数据的秩为n1+n2。
(3)把容量较小的样本中各数据的秩相加，即秩和，作为检验统计量T。
(4)把T值和检验表中α显著性水平下的临界值T1和T2相比较，如果 T1<T<T2，则两样本差异不显著，接受H0假设；如果T≠T1或T≥T2，则表明两组样本差异显著，拒绝H0假设。
如图3所示，是本发明实施例计算得出的抑郁组和正常组全局相干性的示意图。参照图3，抑郁组和正常组在theta波段与beta波段下的全局相干性具有显著的差异性。
再计算有显著性差异的波段的相干性矩阵，即对上面得出的有显著性差异的波段，同样依据计算相干性矩阵的公式计算各个被试在这些波段下的相干性矩阵。由于得出的theta波段和beta波段的全局相干性在抑郁组和正常组之间存在显著的差异性，所以我们只计算两组被试的脑电信号频率范围在4-8Hz(theta 波段)和13-30Hz(beta波段)下的相干性矩阵，进行后续分析。
本实施例中，对于theta和beta波段，两组中的每一个被试均可得到如下所示的相干性矩阵：
此矩阵为128*128维，128为电极数，矩阵中每一个元素即为相干性Cxy值，范围在[0,1]之间，后续工作将对每一个被试的相干性矩阵实现脑网络构建。
因为相干性是功能连接性的一种度量，所以我们对相干性矩阵计算了功能连接性的特征，在本发明中我们对相干性矩阵中的每一列求取平均值，即获得了每一个电极的平均相干性，记为功能连接特征，用FCi表示，i＝1,2，……，128，其中，i表示每一个电极；计算的功能连接特征将在分类识别模块中使用。
提取脑网络度量模块还包括脑网络构建单元，采取稀疏阈值法构建脑网络，构建出二值化的脑网络矩阵；所述稀疏阈值法是指在由上面计算出的显著差异波段的相干性矩阵中，如果Cxy值大于阈值，则对应的相干性矩阵中的元素值为1；反之，对应的相干性矩阵中的元素值为0，从而完成相干性矩阵的二值化处理，构成的二值化矩阵即称为二值化的脑网络矩阵，其中，Cxy为两个脑电信号在特定频率下的相干性。在本发明实施例中，相干性矩阵为128*128维度的矩阵，阈值采用50％，则表示按Cxy的值从大到小排列，前50％的边将被保留，即相干性矩阵中对应的值设置为1，而后50％的边将被去除，即相干性矩阵中对应的值设置为0，从而构建出二值化的脑网络矩阵。
提取脑网络度量模块还包括共性脑区求解单元，通过分别对抑郁组和正常组的二值化脑网络矩阵进行求&操作，得出各组的共性脑区；所述求&操作的计算规则为：1&1＝1，1&0＝0，通过求&操作，即可分别求取出抑郁组和正常组被试的共同激活电极，对应128导电极的脑区划分规则，即可分别得出两组被试的共性脑区。
求&操作具体过程为：
计算规则为：1&1＝1，1&0＝0，二值化脑网络矩阵同样为128*128维度，128表示电极通道，通过此步操作，即可分别求取出抑郁组和正常组被试的共同激活电极，对应128导电极的脑区分布规则，即可分别发现两组被试的共性脑区。
如图4所示，为本发明128导电极的脑区划分图。
其中，根据头表电极分布特点，以及参照相关研究的头表电极的脑区划分规则，本发明将128导电极所分布的脑区同样划分为5个区域，各个脑区的划分范围以及包含的电极数目分别为：(1)前额区(F)，共23个电极，电极标号为E1， E2，E3，E4，E8，E9，E10，E11，E14，E15，E16，E18，E19，E21，E22， E23，E24，E25，E26，E27，E32，E123，E124；(2)中央区(C)，共39个电极，电极标号为E28，E35，E41，E47，E52，E12，E20，E29，E36，E42，E53， E61，E13，E30，E37，E54，E7，E31，E6，E55，E62，E106，E80，E112，E105， E87，E79，E5，E118，E111，E104，E93，E86，E78，E117，E110，E103，E98， E92；(3)左颞叶(LT)，共12个电极，电极标号为E34，E40，E46，E51，E33， E39，E45，E50，E58，E38，E44，E57；(4)右颞叶(RT)，共12个电极，电极标号为E97，E102，E109，E116，E96，E101，E108，E115，E122，E100， E114，E121；(5)枕区(O)，共22个电极，电极标号为E60，E67，E59，E66， E71，E65，E70，E64，E69，E74，E72，E75，E77，E85，E76，E84，E91，E83， E90，E82，E89，E95。
在本发明实施例中，图5A为针对有显著性差异的theta波段，分别对抑郁组和正常组的二值化脑网络进行求&操作，获取的抑郁组和正常组在theta波段的共性脑区示意图；图5B为针对有显著性差异的beta波段，分别对抑郁组和正常组的二值化脑网络进行求&操作，获取的抑郁组和正常组在beta波段的共性脑区示意图。
提取脑网络度量模块还包括差异脑区判别单元，通过对抑郁组和正常组的共性脑区的电极数目进行判别，得出两组的差异脑区；首先对所获得的抑郁组共性脑区和正常组共性脑区中的电极映射到128导电极的脑区划分中，然后统计两组的共性脑区在各个划分脑区中的电极数量；若同时满足以下判别条件，则定义为此脑区为抑郁组和正常组的差异脑区，判别条件a)某一脑区抑郁组或者正常组的电极数量大于或者等于128导电极的脑区划分中该脑区电极总数的二分之一；判别条件b)某一脑区抑郁组的电极总数除以正常组的电极总数≥3/2或者≤2/3。
图6为对抑郁组和正常组的共性脑区求解两组的差异脑区的流程图。具体过程为：首先，初始化128导电极的脑区划分信息，设置5种执行情况，1表示初始化前额区(F)中的23个电极的标号信息，2表示初始化中央区(C)中的39 个电极的标号信息，3表示初始化左颞叶(LT)中的12个电极的标号信息，4 表示初始化右颞叶(RT)中的12个电极标号信息，5表示初始化枕区(O)中的 22个电极标号信息；当i＝1则表明对抑郁组和正常组的共性脑区中的前额区(F) 的电极数量进行统计，执行判别条件a)抑郁组或者正常组F中的共性电极数量是否大于等于128导电极的脑区划分中的F中的电极总数的二分之一，如果判别结果为N时，则执行i++，即对两组的中央区(C)的共性电极进行分析，如果判别结果为Y时，则执行判别条件b)抑郁组F中的电极数/正常组F中的电极数是否≥3/2或者≤2/3，如果判别条件为N时，执行i++，即对两组的中央区(C) 的共性电极进行分析，如果判别条件为Y时，则获取差异脑区F中的电极标号信息，因为差异脑区可能不止存在一个，则执行i++继续对下一脑区进行分析；其中i<6表明对抑郁组和正常组的共性脑区中的电极数目要依据128导电极所划分的5个脑区依次遍历分析。
表1表示了theta波段下和beta波段下抑郁组和正常组的共性脑区求解两组的差异脑区的计算结果。参照表1，theta波段下抑郁组和正常组的F脑区满足判别条件a)和b)，则F脑区为差异脑区，为了保证对抑郁组和正常组提取的特征维度相同，则获取了128导电极的脑区划分中F脑区所包含的23个电极的标号信息，进行后续处理；beta波段下抑郁组和正常组的LT脑区满足判别条件 a)和b)，则LT脑区为差异脑区，同样为了保证抑郁组和正常组的特征维度相同，则获取了128导电极的脑区划分中LT脑区所包含的12个电极的标号信息，进行后续处理分析。
表1
提取脑网络度量模块还包括差异脑区脑网络特征提取单元，通过对获取的抑郁组和正常组的差异脑区中的相应标号的电极进行特征提取，即得到差异脑区中电极的脑网络特征，具体包括度、聚类系数和最短路径长度。
本发明实施例中，依据差异脑区判别单元所获得的结果，提取有差异脑区中相应标号电极的特征，分别对抑郁组和正常组的thata波段下F脑区中的23个电极和beta波段下LT脑区中的12个电极进行脑网络特征提取，具体为：
1)度：
ki表示节点i的连接数，N表示网络中所有节点的集合，aij表示节点i和节点j之间的连接状态，若为1，则表示存在边，若为0，则表示不存在边。
2)聚类系数：
Ci为节点i的聚类系数，ei表示节点i与邻居节点间实际存在的边数，ki表示节点i的度。
3)最短路径长度：
为节点i和j之间的最短路径。
本发明中，节点i表示脑电帽上的电极，N为128。
本发明实施例中，对于thata波段，我们将对抑郁组和正常组的每一个被试的二值化脑网络矩阵只计算差异脑区F中的23个电极的各个脑网络特征，所以对每一个被试所计算的特征包括：kE1，kE2，kE3，kE4，kE8，kE9，kE10，kE11，kE14， kE15，kE16，kE18，kE19，kE21，kE22，kE23，kE24，kE25，kE26，kE27，kE32，kE123，kE124， CE1，CE2，CE3，CE4，CE8，CE9，CE10，CE11，CE14，CE15，CE16，CE18，CE19，CE21， CE22，CE23，CE24，CE25，CE26，CE27，CE32，CE123，CE124，dE1，dE2，dE3，dE4，dE8， dE9，dE10，dE11，dE14，dE15，dE16，dE18，dE19，dE21，dE22，dE23，dE24，dE25，dE26， dE27，dE32，dE123，dE124，脑网络特征维度是3*23，功能连接特征同样只提取此 23个电极的特征，即为：FCE1，FCE2，FCE3，FCE4，FCE8，FCE9，FCE10，FCE11， FCE14，FCE15，FCE16，FCE18，FCE19，FCE21，FCE22，FCE23，FCE24，FCE25，FCE26， FCE27，FCE32，FCE123，FCE124，功能连接特征维度是1*23，所以总特征维度为 4*23；对于beta波段，我们将对抑郁组和正常组的每一个被试的二值化脑网络矩阵只计算差异脑区LT中的12个电极的各个脑网络特征，所以对每一个被试所计算的特征包括：kE34，kE40，kE46，kE51，kE33，kE39，kE45，kE50，kE58，kE38，kE44， kE57，CE34，CE40，CE46，CE51，CE33，CE39，CE45，CE50，CE58，CE38，CE44，CE57，dE34，dE40，dE46，dE51，dE33，dE39，dE45，dE50，dE58，dE38，dE44，dE57，脑网络特征维度是3*12，功能连接特征同样只提取此12个电极的特征，即为：FCE34，FCE40， FCE46，FCE51，FCE33，FCE39，FCE45，FCE50，FCE58，FCE38，FCE44，FCE57，所以总特征维度是4*12。
最后，分类识别模块包括特征选择单元和分类识别单元，应用Relief算法实现对提取的脑网络特征和功能连接特征进行选择，并应用逻辑回归算法(LR) 实现抑郁患者和正常被试的分类。
图7为对抑郁组和正常组脑电数据进行特征选择与分类的流程图，具体过程为：特征选择单元应用Relief算法实现对提取的脑网络特征以及功能连接特征进行选择，特征选择是基于训练集((n-1)条数据样本)，应用基于Relief特征选择方法得到特征子集1，然后使用特征子集1去筛选训练集((n-1)条数据样本)和测试集(1条数据样本)数据；特征选择过程执行n次，n为数据样本数。分类识别单元，应用逻辑回归算法(LR)构建分类器，将筛选完的训练集和测试集进一步使用LR分类器进行分类；特征选择方法Relief和分类器LR都是执行留一交叉验证，即循环执行n次，n为样本数。分类器的评价指标为分类准确率、灵敏性和特效性，实现抑郁患者和正常被试的分类。本发明所有的程序皆是在 Matlab软件下实现。
其中分类准确率、灵敏性和特效性计算公式如下：
Nc和Nd为对照组和抑郁组的实际被试数目，nc和nd为被正确预测的对照组和抑郁组的被试数目。
表2为对theta波段有差异脑区(F)中的23个电极以及对128导电极提取网络特征(度、聚类系数、最短路径长度)以及功能连接特征，并分别进行特征选择和分类的结果，还有对beta波段有差异脑区(LT)中的12个电极以及对 128导电极提取网络特征(度、聚类系数、最短路径长度)以及功能连接特征，并进行特征选择和分类的结果。在本实施例中，特征选择和分类过程具体如下：例如，抑郁组和正常组的样本人数各为16人，总样本数为32人，首先，划分训练集和测试集，应用留一交叉验证，所以训练集为带有类标签的31条数据样本，测试集为无类标签的1条数据样本，类标签为抑郁和正常两个类别；然后，Relief 特征选择方法将基于训练集中的有类标签的31条数据样本进行特征选择，选择出特征子集1；接下来我们将应用特征子集1对训练集和测试集数据进行特征筛选；最后，LR分类器将基于筛选完的训练集和测试集数据进行分类，特征选择过程和分类过程皆循环执行上述过程32次；对于1条测试样本(测试样本可能源自抑郁组或者正常组)，分类结果可能为1，表示分类正确，也可能为0，表示分类错误，我们将对抑郁组和正常组每一个被划分为测试样本的被试的分类结果为1的进行统计，即可获得被正确预测的对照组和抑郁组的被试数目，最后应用分类准确率、灵敏性和特效性计算公式算出如表2中结果。其中对于theta_F、 theta、beta_LT以及beta波段的数据进行特征选择和分类操作都如上述过程所述，存在区别的是总特征维度不同，theta_F、theta、beta_LT以及beta波段的特征维度分别为23*4、128*4、12*4以及128*4。参照表2，本发明的分析方法在theta波段下，特征维度降低了5.6倍，获得同样高的分类准确率；本发明的分析方法在beta波段下，特征维度降低了10.7倍，准确率却提高了6.25％，灵敏性提高了12.5％。所以本发明的一种基于静息态脑网络的抑郁识别分析系统可以有效的降低特征维度，提高计算效率，并且可以有效的实现抑郁识别。
表2
本文虽然已经给出了本发明的实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本发明的实施例进行改变。上述实施例只是示例性的，不应以本发明的实施例作为本发明权利范围的限定。

Claims (10)

1.一种基于静息态脑网络的抑郁识别分析系统，其特征在于，包括(a)静息态脑电数据采集及预处理模块，用于采集被试者静息态脑电数据；对采集的静息态脑电数据进行预处理，(b)提取脑网络度量模块，用于构建个性化脑网络结构，从个性化的脑网络结构中分别找出抑郁组和正常对照组的共性活动脑区，基于两组的共性活动脑区找出差异脑区，提取脑网络度量；(c)分类识别模块，用于对提取的脑网络度量及功能连接特征进行特征选择，并对筛选完特征的数据进行分类，实现抑郁患者和正常被试的识别。
2.所述静息态脑电数据采集及预处理模块包括脑电数据采集设备，包括脑电采集仪、128导的脑电帽以及放大器，电极的位置按照国际标准导联10-20系统标准安放，参考电极为Cz，采样频率250Hz，电极的阻抗都低于50kΩ，采集的是被试在设定时间段的闭眼静息状态下的脑电数据。
3.所述静息态脑电数据采集及预处理模块的预处理，首先采用0.5Hz高通滤波器和40Hz低通滤波器进行滤波、使用FastICA算法进行去噪处理、再采用REST技术重置参考，最后进行数据分段，提取90s预处理后的脑电数据，对脑电数据按4s进行分割，叠加窗口为2s。
4.所述提取脑网络度量模块包括全局相干性计算单元，首先依据预处理后的脑电数据，计算设定频段下全局相干性；依据各频率波段全局相干性做秩和检验，找出抑郁组和正常对照组有显著性差异的频率波段；再计算有显著性差异的频率波段的相干性矩阵。
5.所述提取脑网络度量模块还包括脑网络构建单元，采取稀疏阈值法构建脑网络，构建出二值化的脑网络矩阵；所述稀疏阈值法是指在由相干性Cxy值所构成的相干性矩阵中，如果Cxy值大于阈值，则对应的相干性矩阵中的元素值为1；反之，对应的相干性矩阵中的元素值为0，从而完成相干性矩阵的二值化处理，构成的二值化矩阵即称为二值化的脑网络矩阵，其中，Cxy为两个脑电信号在特定频率下的相干性。
6.所述提取脑网络度量模块还包括共性脑区求解单元，通过对抑郁组和正常组的二值化矩阵进行求&操作，得出抑郁组和正常组的共性脑区；所述求&操作的计算规则为：1&1＝1，1&0＝0，通过求&操作，分别求取出抑郁组和正常组被试的共同激活电极，根据128导电极的脑区划分规则，分别得出两组被试的共性脑区。
7.所述提取脑网络度量模块还包括差异脑区判别单元，通过对抑郁组和正常组的共性脑区中的电极数目进行判别，得出两组的差异脑区；首先将所获得的抑郁组共性脑区和正常组共性脑区中的电极映射到128导电极的脑区划分中，然后统计两组的共性脑区在各个划分脑区中的电极数量；若同时满足以下判别条件，则定义为此脑区为抑郁组和正常组的差异脑区，判别条件a)某一脑区抑郁组或者正常组的电极数量大于或者等于128导电极的脑区划分中该脑区电极总数的二分之一；判别条件b)某一脑区抑郁组的电极总数除以正常组的电极总数≥3/2或者≤2/3。
8.所述提取脑网络度量模块还包括差异脑区脑网络特征提取单元，通过对获取的抑郁组和正常组的差异脑区中对应位置上的电极进行特征提取，得到差异脑区中电极的脑网络特征，所述脑网络特征包括度、聚类系数和最短路径长度。
9.所述分类识别模块包括特征选择单元，应用Relief算法实现对提取的脑网络特征及功能连接特征进行选择，特征选择是基于训练集，应用基于Relief特征选择方法得到特征子集，然后使用特征子集去筛选训练集和测试集数据。
10.所述分类识别模块包括分类识别单元，应用逻辑回归算法LR构建分类器，将筛选完特征的训练集和测试集进一步使用LR分类器进行分类，循环执行n次，其中n为样本数；分类器的评价指标为分类准确率、灵敏性和特效性，采用留一交叉验证方法对构建的分类器进行检验，实现抑郁患者和正常被试的分类。
CN201810225953.6A 2018-03-19 2018-03-19 一种基于静息态脑网络的抑郁识别分析系统 Active CN108427929B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810225953.6A CN108427929B (zh) 2018-03-19 2018-03-19 一种基于静息态脑网络的抑郁识别分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810225953.6A CN108427929B (zh) 2018-03-19 2018-03-19 一种基于静息态脑网络的抑郁识别分析系统

Publications (2)

Publication Number Publication Date
CN108427929A true CN108427929A (zh) 2018-08-21
CN108427929B CN108427929B (zh) 2021-09-10

Family

ID=63159073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810225953.6A Active CN108427929B (zh) 2018-03-19 2018-03-19 一种基于静息态脑网络的抑郁识别分析系统

Country Status (1)

Country Link
CN (1) CN108427929B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109157231A (zh) * 2018-10-24 2019-01-08 阿呆科技（北京）有限公司 基于情绪刺激任务的便携式多通道抑郁倾向评估系统
CN110013250A (zh) * 2019-04-30 2019-07-16 中南大学湘雅二医院 一种抑郁症自杀行为的多模式特征信息融合预测方法
CN110338820A (zh) * 2019-06-13 2019-10-18 四川大学 一种抑郁症和精神分裂症识别方法
CN110458066A (zh) * 2019-07-31 2019-11-15 同济大学 一种基于静息态脑电数据的年龄段分类方法
CN110797123A (zh) * 2019-10-28 2020-02-14 大连海事大学 一种动态脑结构的图卷积神经网络演化方法
CN111127441A (zh) * 2019-12-25 2020-05-08 兰州大学 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统
CN111259849A (zh) * 2020-01-22 2020-06-09 深圳大学 一种功能近红外光谱成像静息态脑网络检测方法和装置
CN112190261A (zh) * 2020-09-16 2021-01-08 电子科技大学 一种基于静息态脑网络的孤独症脑电信号的分类装置
CN112382385A (zh) * 2020-11-12 2021-02-19 山东中医药大学 一种基于3d卷积神经网络的无先兆偏头痛辅助诊断算法
CN112674770A (zh) * 2020-12-22 2021-04-20 北京科技大学 基于图像的显著性差异和情绪分析的抑郁人群眼动鉴别方法
CN112890830A (zh) * 2021-03-05 2021-06-04 中山大学 一种基于睡眠脑网络的抑郁症患者数据分类方法及装置
CN112971781A (zh) * 2020-12-30 2021-06-18 杭州电子科技大学 一种基于脑功能网络抑郁对比方法
CN113096127A (zh) * 2021-06-04 2021-07-09 壹药网科技(上海)股份有限公司 一种脑网络演化模型的生成系统及方法
CN113180669A (zh) * 2021-05-12 2021-07-30 中国人民解放军中部战区总医院 一种基于神经反馈技术的情绪调节训练系统与方法
CN113274037A (zh) * 2021-06-30 2021-08-20 中国科学院苏州生物医学工程技术研究所 一种动态脑功能网络的生成方法、系统及设备
CN113509190A (zh) * 2021-03-18 2021-10-19 上海交通大学 一种产品设计评价方法及系统
CN113576491A (zh) * 2021-07-26 2021-11-02 深圳市人民医院 基于静息态eeg频域特征及脑网络自动分析方法和系统
CN114081494A (zh) * 2022-01-21 2022-02-25 浙江大学 一种基于大脑外侧缰核信号的抑郁状态检测系统
CN114869298A (zh) * 2022-06-15 2022-08-09 浙大宁波理工学院 一种基于脑电信号的抑郁检测方法、系统及可存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101365380A (zh) * 2005-12-01 2009-02-11 莱克西克医疗技术有限公司 使用脑电图（eeg）测量来分析和评估抑郁和其他情绪紊乱的系统和方法
US20110306850A1 (en) * 2003-08-18 2011-12-15 Hatlestad John D Sleep quality data collection and evaluation
CN102293656A (zh) * 2011-05-25 2011-12-28 四川大学华西医院 基于磁共振成像的情绪稳定性评价系统及其评价方法
CN102715903A (zh) * 2012-07-09 2012-10-10 天津市人民医院 基于定量脑电图的脑电特征提取方法
CN103110418A (zh) * 2013-01-24 2013-05-22 天津大学 一种脑电信号特征提取方法
CN105816170A (zh) * 2016-05-10 2016-08-03 广东省医疗器械研究所 基于可穿戴式nirs-eeg的精神分裂症早期检测评估系统
CN106503799A (zh) * 2016-10-11 2017-03-15 天津大学 基于多尺度网络的深度学习模型及在脑状态监测中的应用
CN107133651A (zh) * 2017-05-12 2017-09-05 太原理工大学 基于超网络判别子图的功能磁共振影像数据分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110306850A1 (en) * 2003-08-18 2011-12-15 Hatlestad John D Sleep quality data collection and evaluation
CN101365380A (zh) * 2005-12-01 2009-02-11 莱克西克医疗技术有限公司 使用脑电图（eeg）测量来分析和评估抑郁和其他情绪紊乱的系统和方法
CN102293656A (zh) * 2011-05-25 2011-12-28 四川大学华西医院 基于磁共振成像的情绪稳定性评价系统及其评价方法
CN102715903A (zh) * 2012-07-09 2012-10-10 天津市人民医院 基于定量脑电图的脑电特征提取方法
CN103110418A (zh) * 2013-01-24 2013-05-22 天津大学 一种脑电信号特征提取方法
CN105816170A (zh) * 2016-05-10 2016-08-03 广东省医疗器械研究所 基于可穿戴式nirs-eeg的精神分裂症早期检测评估系统
CN106503799A (zh) * 2016-10-11 2017-03-15 天津大学 基于多尺度网络的深度学习模型及在脑状态监测中的应用
CN107133651A (zh) * 2017-05-12 2017-09-05 太原理工大学 基于超网络判别子图的功能磁共振影像数据分类方法
CN107133651B (zh) * 2017-05-12 2018-03-16 太原理工大学 基于超网络判别子图的功能磁共振影像数据分类方法

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109157231A (zh) * 2018-10-24 2019-01-08 阿呆科技（北京）有限公司 基于情绪刺激任务的便携式多通道抑郁倾向评估系统
CN110013250A (zh) * 2019-04-30 2019-07-16 中南大学湘雅二医院 一种抑郁症自杀行为的多模式特征信息融合预测方法
CN110338820A (zh) * 2019-06-13 2019-10-18 四川大学 一种抑郁症和精神分裂症识别方法
CN110458066A (zh) * 2019-07-31 2019-11-15 同济大学 一种基于静息态脑电数据的年龄段分类方法
CN110458066B (zh) * 2019-07-31 2022-11-18 同济大学 一种基于静息态脑电数据的年龄段分类方法
CN110797123B (zh) * 2019-10-28 2023-05-26 大连海事大学 一种动态脑结构的图卷积神经网络演化方法
CN110797123A (zh) * 2019-10-28 2020-02-14 大连海事大学 一种动态脑结构的图卷积神经网络演化方法
CN111127441B (zh) * 2019-12-25 2022-08-12 兰州大学 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统
CN111127441A (zh) * 2019-12-25 2020-05-08 兰州大学 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统
CN111259849A (zh) * 2020-01-22 2020-06-09 深圳大学 一种功能近红外光谱成像静息态脑网络检测方法和装置
CN111259849B (zh) * 2020-01-22 2023-05-12 深圳大学 一种功能近红外光谱成像静息态脑网络检测方法和装置
CN112190261A (zh) * 2020-09-16 2021-01-08 电子科技大学 一种基于静息态脑网络的孤独症脑电信号的分类装置
CN112382385A (zh) * 2020-11-12 2021-02-19 山东中医药大学 一种基于3d卷积神经网络的无先兆偏头痛辅助诊断算法
CN112674770A (zh) * 2020-12-22 2021-04-20 北京科技大学 基于图像的显著性差异和情绪分析的抑郁人群眼动鉴别方法
CN112971781B (zh) * 2020-12-30 2022-10-28 杭州电子科技大学 一种基于脑功能网络抑郁对比装置
CN112971781A (zh) * 2020-12-30 2021-06-18 杭州电子科技大学 一种基于脑功能网络抑郁对比方法
CN112890830A (zh) * 2021-03-05 2021-06-04 中山大学 一种基于睡眠脑网络的抑郁症患者数据分类方法及装置
CN113509190A (zh) * 2021-03-18 2021-10-19 上海交通大学 一种产品设计评价方法及系统
CN113180669B (zh) * 2021-05-12 2024-04-26 中国人民解放军中部战区总医院 一种基于神经反馈技术的情绪调节训练系统与方法
CN113180669A (zh) * 2021-05-12 2021-07-30 中国人民解放军中部战区总医院 一种基于神经反馈技术的情绪调节训练系统与方法
CN113096127A (zh) * 2021-06-04 2021-07-09 壹药网科技(上海)股份有限公司 一种脑网络演化模型的生成系统及方法
CN113274037A (zh) * 2021-06-30 2021-08-20 中国科学院苏州生物医学工程技术研究所 一种动态脑功能网络的生成方法、系统及设备
CN113274037B (zh) * 2021-06-30 2022-08-26 中国科学院苏州生物医学工程技术研究所 一种动态脑功能网络的生成方法、系统及设备
CN113576491A (zh) * 2021-07-26 2021-11-02 深圳市人民医院 基于静息态eeg频域特征及脑网络自动分析方法和系统
CN114081494B (zh) * 2022-01-21 2022-05-06 浙江大学 一种基于大脑外侧缰核信号的抑郁状态检测系统
CN114081494A (zh) * 2022-01-21 2022-02-25 浙江大学 一种基于大脑外侧缰核信号的抑郁状态检测系统
CN114869298A (zh) * 2022-06-15 2022-08-09 浙大宁波理工学院 一种基于脑电信号的抑郁检测方法、系统及可存储介质
CN114869298B (zh) * 2022-06-15 2024-07-02 浙大宁波理工学院 一种基于脑电信号的抑郁检测方法、系统及可存储介质

Also Published As

Publication number Publication date
CN108427929B (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN108427929A (zh) 一种基于静息态脑网络的抑郁识别分析系统
Yao et al. A novel independent rnn approach to classification of seizures against non-seizures
CN106473736B (zh) 基于复杂网络的脑电信号分析方法及应用
CN107577343B (zh) 一种基于力触觉反馈和脑电信号分析的注意力训练与评价装置
Wang et al. A novel multi-scale dilated 3D CNN for epileptic seizure prediction
CN104173046B (zh) 一种色彩标记振幅整合脑电图的提取方法
KR20190030612A (ko) 사용자 독립적 뇌-컴퓨터 인터페이스 제공 시스템 및 그 방법
WO2006025504A1 (ja) 感性状態判別方法
CN108511055A (zh) 基于分类器融合及诊断规则的室性早搏识别系统及方法
KR20150029969A (ko) 뇌파 측정을 이용한 감성상태 분류 방법
Sabor et al. Robust arrhythmia classification based on QRS detection and a compact 1D-CNN for wearable ECG devices
CN112674782B (zh) 癫痫患者发作间期痫样电活动检测装置和方法
Akella et al. Classifying multi-level stress responses from brain cortical EEG in nurses and non-health professionals using machine learning auto encoder
CN104958072A (zh) 一种基于矢量多分类的大脑功能区特异性脑电检测方法
CN109620260A (zh) 心理状态识别方法、设备及存储介质
CN106974660B (zh) 基于脑功能活动检测中的血氧特征实现性别判定的方法
CN113768520A (zh) 一种脑电检测模型的训练方法及装置
CN117064389A (zh) 基于XGBoost算法的EEG信号抑郁症识别系统及方法
Konar et al. A novel human stress level detection technique using eeg
CN114861738B (zh) 一种基于脑电溯源和偶极子选择的运动想象分类方法
Anwar et al. A generic approach for classification of psychological disorders diagnosis using EEG
CN102521206A (zh) 基于集成学习思想的svm-rfe导联优化方法
CN113545789A (zh) 一种基于csp算法和psd算法的脑电信号分析模型构建方法、脑电信号分析方法和系统
El Saadi et al. Informed under-sampling for enhancing patient specific epileptic seizure detection
Yakovleva et al. Processing alcoholism EEG signals using neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant