CN111568446A - 结合人口学注意力机制的便携式脑电抑郁检测系统 - Google Patents
结合人口学注意力机制的便携式脑电抑郁检测系统 Download PDFInfo
- Publication number
- CN111568446A CN111568446A CN202010469004.XA CN202010469004A CN111568446A CN 111568446 A CN111568446 A CN 111568446A CN 202010469004 A CN202010469004 A CN 202010469004A CN 111568446 A CN111568446 A CN 111568446A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- data
- demographic
- convolution
- attention mechanism
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 230000007246 mechanism Effects 0.000 title claims abstract description 38
- 208000020401 Depressive disease Diseases 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000000284 resting effect Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 32
- 210000004556 brain Anatomy 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 210000001061 forehead Anatomy 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 12
- 108010076504 Protein Sorting Signals Proteins 0.000 abstract description 4
- 238000000537 electroencephalography Methods 0.000 description 11
- 208000035475 disorder Diseases 0.000 description 9
- 238000013145 classification model Methods 0.000 description 8
- 238000002790 cross-validation Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004070 electrodeposition Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 239000002858 neurotransmitter agent Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 206010019196 Head injury Diseases 0.000 description 1
- 208000005736 Nervous System Malformations Diseases 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 239000002671 adjuvant Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- AAOVKJBEBIDNHE-UHFFFAOYSA-N diazepam Chemical compound N=1CC(=O)N(C)C2=CC=C(Cl)C=C2C=1C1=CC=CC=C1 AAOVKJBEBIDNHE-UHFFFAOYSA-N 0.000 description 1
- 229960003529 diazepam Drugs 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 230000003054 hormonal effect Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- A61B5/72—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Social Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Educational Technology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出一种结合人口学注意力机制的便携式脑电抑郁检测系统,一方面通过使用卷积神经网络来提升脑电信号序列学习和建模的准确性,另一方面结合注意力机制引入个体的人口学信息,实现更为有效的抑郁障碍检测。包括脑电数据采集模块、数据预处理模块、抑郁障碍检测模块;所述脑电数据采集模块用于采集被试的静息态脑电原始数据;所述数据预处理模块用于对采集的原始数据进行数据预处理;所述抑郁障碍检测模块用于基于数据预处理后的脑电数据完成抑郁障碍检测,采用人工神经网络构建并训练模型对脑电信号进行分类,联合使用卷积操作和注意力机制将人口学信息融合到脑电信号的建模过程中。
Description
技术领域
本发明涉及结合人口学注意力机制的便携式脑电抑郁检测系统,属于抑郁症辅助医疗技 术领域。
背景技术
抑郁障碍又称抑郁症,根据世界卫生组织(World Health Organization,WHO)最新统 计报告,目前全球共有3.22亿名抑郁障碍患者。中国是全球抑郁障碍疾病负担较严重的国家 之一。全国性精神障碍流行病学调查结果显示,我国抑郁障碍的终身患病率为6.8%,12月患 病率为3.6%(注:终身患病率指在一生当中得过抑郁症的患者所占总人口的比率,12月患病 率指在12个月内得过抑郁症的患者所占总人口的比率)。
抑郁障碍会对人们的正常工作和生活带来严重影响。在实际抑郁检测当中,自评量表仅 能作为一种参考依据,并不能通过简单的量表自评就对抑郁患者做出判断,必须要结合专业 医师的临床经验与问询诊断得出最终的结论。临床诊断作为另一种重要的抑郁障碍检测方式, 是目前精神专科医院所采用的主要方法。但是临床诊断往往受限于医师的临床经验,对于专 业水平相差较大的医师,诊断结果往往会出现较大差异。此外,这类检测方法难以避免出现 被测试者主观隐瞒等干扰因素,容易导致结果出现偏差,并且诊断过程需要精神科医生的全 程参与。而随着抑郁障碍患者数量的不断增长,其与有限的精神卫生服务资源之间的矛盾越 来越显著,很多患者无法得到有效的检测和诊断,容易错过最佳的干预治疗时期。
脑电图作为一种非侵入式的大脑中枢神经活动测量工具,已经被越来越广泛地应用于情 感感知和抑郁障碍识别。另一方面,抑郁的负性情绪认知偏向是一个持续性的变化过程,传 统医院的瞬时测量很难量化评估其整体水平和变化规律。而便携式脑电信号采集系统则可以 实现在自然情境中持续地监测和采集高质量的生理信号并对负性情绪认知偏向进行有效评 估。现有基于便携式脑电的抑郁障碍检测方法主要分为两类,一类是在对脑电信号进行预处 理的基础上提取时、频域等多种特征,进而构建分类模型进行抑郁识别;另一种则结合深度 学习模型对脑电信号进行复杂特征表达学习,然而,上述方法均是单纯的围绕信号本身进行 分析和建模,忽视了患者的性别、年龄等因素对于脑电信号以及抑郁发病的影响,所构建的 分类模型容易受个体差异性影响导致泛化性能不佳。
已有研究表明,不同性别、年龄个体的脑电信号存在很大差异,而性别、年龄等因素又 与抑郁障碍的发病存在一定的相关性。比如:女性的抑郁障碍患病率明显高于男性,而从生 理特征的角度来看,女性独特的生物学特征和激素,会使其在各种环境和压力变化下更容易 产生HPA下丘脑-垂体-肾上腺轴调节障碍,导致女性对压力的耐受力下降,更加容易抑郁。 在对抑郁障碍的临床表现和性别差异的研究中可以发现在激素因子和神经递质因子的水平 上,女性对某些特定因子和神经递质的反应更加突出和明显。而脑组织结构实验和抑郁发病 分析结果则表明女性抑郁患者的右海马体和右颞叶梭状回皮质体积小于男性患者,说明抑郁 障碍患者的脑部特征与性别相关。同时,年龄也是影响抑郁障碍发病的重要因素之一。通过 对不同年龄段的抑郁障碍患者的症状和病程进行跟踪调查,研究结果表明抑郁障碍的病程随 年龄增长呈线性变化,尤其是70岁以上老年人与18-29岁的年轻人相比,其抑郁发展程度更 为严重。考虑到性别、年龄等因素对个体大脑功能的影响,以及其与抑郁发病之间的相关性, 可以通过引入性别、年龄因素来减小个体差异性对脑电信号的影响,实现更为有效的抑郁障 碍检测。现有针对人口学信息的引入方法通常是将性别、年龄等因素作为独立的特征和脑电 信号特征一起输入至分类模型,这类方法无法有效学习脑电信号与性别、年龄等因素之间的 复杂关联关系,更无法基于这一复杂关系形成脑电信号与人口学信息的有机融合表达。其设 计缺陷主要包括以下两方面:
(1)单纯使用脑电信号进行抑郁障碍检测,未引入人口学等影响因素。由于性别、年龄 等因素对脑电信号的影响显著,如果在检测模型构建过程中忽略个体差异性影响,单纯基于 脑电信号进行建模,往往无法保证模型的泛化性能。
(2)有个别系统结合了脑电信号与人口学特征进行抑郁障碍检测,但只是将性别、年龄 等因素作为独立的特征和脑电信号特征一起输入至分类模型,无法探索和学习到脑电信号与 性别、年龄等因素间的复杂关联关系。
发明内容
本发明针对现有技术存在的问题,提出一种结合人口学信息的便携式脑电抑郁检测系统, 一方面通过使用卷积神经网络来提升脑电信号序列学习和建模的准确性,另一方面结合注意 力机制引入个体的人口学信息,实现更为有效的抑郁障碍检测。
本发明的技术方案是:
1.一种结合人口学注意力机制的便携式脑电抑郁检测系统,其特征在于,包括脑电数据 采集模块、数据预处理模块、抑郁障碍检测模块;所述脑电数据采集模块用于采集被试的静 息态脑电原始数据;所述数据预处理模块用于对采集的原始数据进行数据预处理;所述抑郁 障碍检测模块用于基于数据预处理后的脑电数据完成抑郁障碍检测,采用人工神经网络构建 并训练模型对脑电信号进行分类,联合使用卷积操作和注意力机制将人口学信息融合到脑电 信号的建模过程中。
2.所述脑电数据采集模块完成脑电数据采集功能,采用前额叶三导脑电采集设备,采样 频率为250Hz,带通为0.5-50Hz,使用粘性贴片电极,采集前额叶三导静息态脑电信号,同 时记录个体的性别、年龄的人口学信息。
3.所述数据预处理模块进行脑电数据预处理,包括带通滤波、伪迹去除、信号分窗三个 步骤:首先,采用1到40Hz频带的FIR滤波器脑电信号进行带通滤波;然后,采用离散小波 变换和卡尔曼滤波方法去除眼电伪影;接着使用4秒不重叠滑动窗口对脑电信号进行信号分 窗,每个分窗片段构成独立的样本,保持信号平滑,扩大样本容量。
4.所述抑郁障碍检测模块包括脑电信号的卷积处理;输入数据为预处理后的二维脑电信 号X和人口学信息S,对于包含c个导联电极和t个采样点的二维脑电信号X∈Rc×t,分别对其 进行时间和空间维度的卷积编码操作:首先,设置时间域的卷积,用于提取脑电信号时间域 上的相关性,表示为Ht=(X*Wt),其中Wt为时间卷积核的权重,*号代表卷积运算;接着通 过提供一个空间滤波的卷积操作来提取多个导联特性之间的相关性,表示为:Hs=(Ht*Ws), 其中Ws为空间卷积核权重;在卷积操作过程中,时间和空间维度的激活函数均采用ELU函数, ELU函数定义如下:
其中,其中x表示激活函数输入向量Hs的单个元素。对于卷积后的数据进行平均池化操作,将 特征图的子采样区域内元素值的平均值作为输出结果传入下一层,对数据进行了降维,EEG 数据的时间分辨率较高,池化降低了因卷积带来的通道数量上升,同时还保留了EEG数据的 空间的近似不变;最后通过一个可分离卷积层,实现时间和空间维度信息更高效地结合,将 时间空间卷积得到的脑电信息表示Hs输入可分离卷积层,表示为:Z=(Hs*Wsep),其中,Wsep为可分离卷积层的卷积滤波器权重。同样对其进行平均池化操作,保留脑电特征的主要部分 同时减少参数和计算量,防止过拟合,提高抑郁检测系统的泛化能力。
5.所述抑郁障碍检测模块包括注意力机制引入人口学注意力;首先对人口学信息进行处 理,对个体的性别数据进行one-hot编码,年龄数据进行归一化操作,再将二者拼接形成人 口学特征向量S;在对脑电信号的卷积处理后,得到一个二维的特征图Z,根据特征图Z和人 口学特征向量S设计人口学注意力机制,在脑电信号的抑郁分类建模过程中引入性别和年龄信 息。通过转换矩阵将多导脑电特征图和人口学信息整合,操作如下:
其中Wfe,bfe,Wde,bde是转换矩阵参数,将脑电特征与人口学特征向量投影到一个k维联 合子空间(激活函数为tanh),对两个不同表示之间的关系进行建模,并根据在此空间的联合 表现生成包含相关关系的注意力矩阵A,通过矩阵列和向量加法来结合脑电特征和人口学之 间的相关性。通过带有softmax的映射函数将注意力矩阵变为注意力权重α,操作如下:
α=softmax(WaA+ba)
其中,Wa是映射函数的权重,ba是其偏置;最后,将得到的结合脑电信息和人口学信息的注 意力向量α与其相对应的脑电特征图结合,生成融合个体人口学信息相关的脑电特征向量。
6.所述抑郁障碍检测模块包括完成最终的抑郁分类预测;对于最终产生的融合个体人口 学信息的脑电特征向量,将其送入具有softmax激活功能的全连接层进行分类,将输出映射 为一个值为0到1之间的二元向量并构建二分类交叉熵作为损失函数优化 目标:
其中,I代表抑郁障碍类别(I=2),p是真实标签的one-hot编码向量,pre是模型输出的预 测标签向量,pi代表标签类别的第i个类别;同时,在训练时使用Nadam自适应学习率算法优 化参数。
本发明的技术效果:
本发明提出一种结合人口学注意力机制的便携式脑电抑郁检测系统,一方面通过使用卷 积神经网络来提升脑电信号序列学习和建模的准确性,另一方面结合注意力机制引入个体的 性别、年龄等人口学信息来探索和学习脑电信号与性别、年龄等因素之间的关联关系,并以 此产生更为高层次的特征表示,有效提高抑郁障碍检测的准确率。
本发明采用卷积神经网络对便携式脑电设备所采集的精简导联脑电信号进行时空有效特 征建模,同时结合注意力机制引入个体的人口学信息来归纳和学习脑电信号与性别、年龄等 因素之间的关联关系,并以此产生更为高层次的特征表达来提升抑郁障碍检测的准确率。
现有基于脑电和人口学信息的抑郁障碍检测系统在引入人口学信息时,主要是将性别、 年龄等因素作为独立的特征和脑电信号特征一起输入至分类模型,这类方法无法有效学习脑 电信号与性别、年龄等因素之间的复杂关联关系,更无法基于这一复杂关联关系形成脑电信 号与人口学信息的有机融合表达。而本发明提出的抑郁障碍检测方法在利用卷积神经网络对 脑电信号序列进行时空特征学习和建模的过程中,结合注意力机制来引入个体的性别、年龄 的人口学信息,通过卷积神经网络和注意力层的联合优化来归纳和学习脑电信号与性别、年 龄等因素之间的关联关系。本发明引入的注意力机制可以对脑电特征的不同片段设置不同的 权重参数,从而提取出脑电信号中与人口学信息以及抑郁障碍相关的特征,降低干扰信息的 影响,并以此产生更高层次的有机融合表示,进一步提升抑郁障碍检测的准确率。
本发明结合脑电信号与人口学信息进行抑郁障碍检测,由于生理信号相较于自评判断与 行为特征能够更加客观真实地反映患者的心理状态,可以实现更为客观有效的抑郁障碍检测。 而通过归纳和学习人口学信息与脑电信号间的复杂关联关系,能够有效地避免个体差异给脑 电信号建模和分析带来的影响,提升抑郁障碍检测模型的准确率与泛化性能。同时,本发明 采用三导普适化脑电采集系统(关联专利:专利号:CN201520628152.6)进行脑电信号的采 集,可以便捷、高效地采集脑电信号并实时处理,具有很强的普适性,这对持续性评估抑郁 障碍患者的负性情绪认知偏向的变化过程,解决传统医院瞬时测量难以量化评估其整体水平 和变化规律的问题,实现客观、量化、持续、动态地评估和监测个体心理健康水平提供了解 决方案。
附图说明
图1是本发明的结合人口学注意力机制的便携式脑电抑郁检测系统的实施工作流程图。
图2是本发明结合人口学注意力机制的卷积神经网络结构图。
图3是三导联脑电电极位置图。
具体实施方式
为了使本发明能更加明显易懂,下面结合附图和实施例对本发明作进一步详细说明,以 下实施例中仅为对本发明技术方案的一种展示实例,并不限制本发明的范围及其应用。
图1是本发明的结合人口学注意力机制的便携式脑电抑郁检测系统在实施例中的工作流 程图。本发明使用卷积神经网络构建抑郁障碍分类模型,同时结合注意力机制引入个体的人 口学信息,实现更为有效的抑郁障碍检测。
在本实施例中,结合人口学注意力机制的便携式脑电抑郁检测系统包括:脑电数据采集 模块、数据预处理模块、抑郁障碍检测模块;脑电数据采集模块用于采集实验数据;数据预 处理模块用于对采集的原始数据进行数据预处理;抑郁障碍检测模块用于模型设计与调整, 构建和优化分类模型,完成抑郁障碍检测。在本实例中通过实验对照的方式对分类模型进行 训练、测试,完成抑郁障碍检测系统性能评估。
1.在本实施例中,使用的验证数据集是自行采集的脑电数据集,包括选取被试和数据采 集两部分。
(1)该脑电数据集包括170名被试(其中抑郁患者为81人,正常被试为89人)都是从首都医科大学附属北京安定医院招募,所有被试均由精神专科医生进行筛查和诊断,并且所 有被试皆为右手利、智力发育正常、未接受药物治疗,并在合法监护人的允许下自愿参与研 究,排除具有癫痫病史、神经系统异常、头部外伤或昏迷、身体疾病和精神活性物质使用史 的人员。两组中不同性别和不同年龄段的被试数量尽量保持一致,以保证卷积神经网络模型 及其人口学注意力机制训练的有效性。
(2)脑电数据采集的设备使用的是由甘肃省可穿戴装备重点实验室所设计开发的普适前 额叶三导脑电采集设备,采样频率为250hz,带通为0-50Hz。脑电采集系统的导联选择Fp1、 Fp2、Fpz,如图3所示的三导联脑电电极位置图,遵循左奇右偶的原则:Fp1贴于被试额头 左侧;Fpz贴于被试额头正中;Fp2贴于被试额头右侧;参考电极夹在耳垂上。向被试描述 实验和程序的目的,实验在一分钟的放松后开始,记录90秒的闭眼静止休息状态的脑电信号 片段,采集到的脑电处于大脑静息状态下。
2.脑电数据的预处理
首先,采用1到40Hz频带的FIR滤波器脑电信号进行带通滤波(该波段涵盖了脑电信 号中最常用的观测频段,包含theta、alpha、beta、gamma波段),同时有效地去除工频噪声 (50Hz)。由于前额叶脑电信号受眼部干扰严重,采用离散小波变换和卡尔曼滤波方法去除 眼电伪迹。人工选取40s高质量脑电信号,同时使用4秒不重叠滑动窗口对脑电信号进行片 段分割,共获得1700个脑电信号片段,每个片段构成独立训练样本,保持信号平滑并扩大样 本容量。
3.抑郁障碍检测模块完成神经网络的构建和训练。
卷积神经网络(Convolutional Neural Network)可以专门用来处理具有类似网格形状 结构数据的神经网络,例如时间序列数据和图像数据。同时神经网络的注意力机制像人类视 觉一样,可以重点关注部分区域,从大量信息中提取出与目标相关的高价值信息。本发明系 统将结合注意力机制,在脑电信号的卷积神经网络模型构建过程中引入性别、年龄等人口学 信息,进一步提升抑郁障碍检测模型的准确率。
抑郁障碍检测模型的构建:脑电信号的卷积处理、人口学注意力机制和分类和优化。本 发明结合人口学注意力机制的抑郁障碍检测模型结构如图2所示。
(1)脑电信号的卷积处理
卷积神经网络广泛应用于具有类似网格结构的数据,例如图像、视频等,如今卷积神经 网络也被研究用于脑电信号的编码解码。脑电信号作为生物电信号具有较高的时间分辨率, 在时间方向上存在时间关联。但是脑电信号与图像等数据又有所不同,并不是单纯的一维时 间序列,多个导联间存在一定的位置联系,即不同导联之间存在空间关联。但脑电信号导联 维数较低与时间分辨率相差较大,是典型的维度不匹配问题,因此无法像处理图片数据那样 直接使用二维卷积操作。考虑到以上问题,可以将空间滤波即导联选择与时间滤波分步进行。
由于脑电信号的时间和空间相关性,并且导联空间与信号时间的维度不匹配,本发明系 统通过在时间和空间两个维度的卷积操作,将高时间分辨率的多导联脑电数据转换成高维的 特征结构,用来表示卷积处理过程中的特征提取结果。根据数据预处理结果,脑电信号 (包含3个导联和1000时间点)作为卷积神经网络的输入数据,首先对X进行卷积 处理,在中间层得到一个隐藏状态特征映射作为数据的压缩表示。(时间和空间维度的卷积操 作都包含了许多一维卷积滤波器。由卷积操作原理可知,时间维度上的卷积能够起到模拟带 通频率滤波的作用,空间维度上的卷积操作则可以表示出电极间的相关性。对于给定时间片 段的脑电数据,将其先后输入至时间和空间两个维度的卷积编码网络中。)
首先,对于脑电信号X,设置一维时间域的卷积,如下所示:
Ht=(X*Wt)
其中Wt为时间卷积核的权重(卷积滤波器权重),*号代表卷积运算,时域卷积可以模拟带通 滤波。接下来,提供一维空间卷积来提取多个导联电极之间的相关性,如下所示:
Hs=(Ht*Ws)
其中Ws为空间卷积核权重(卷积滤波器权重)。时间和空间卷积滤波器的权重设置,应考虑脑 电数据时间序列和空间序列的特征进行选取,而且空间维度上的滤波器可以考虑满足脑电数 据的电极数限制。其中,Wt,Ws满足WtER1×l,Ws∈R3×1,采用1×l大小的时间卷积滤波, 是为了更好地探索脑电数据时间序列上的特征。采用3×1大小的空间卷积滤波器,与脑电数 据的电极数一致。
在卷积操作过程中,选定指数线性单元激活函数(ELU)作为时间和空间卷积的激活函 数,用来提升对脑电数据的分类性能。ELU函数定义如下:
其中,x表示激活函数输入向量Hs的单个元素。可以看出,激活函数的选择随着x的变化 而变化。当x大于等于0和小于0时,ELU会选择不同的式子作为激活函数。因此激活函数 是随脑电信号数据特征变化的。对于卷积后的数据进行平均池化操作,将特征图的子采样区 域内元素值的平均值作为输出结果传入下一层,对数据进行了降维,EEG数据的时间分辨率 较高,池化降低了因卷积带来的通道数量上升,同时还保留了EEG数据的空间的近似不变。
最后通过一个可分离卷积层,实现时间和空间维度信息更高效地结合,将时间空间卷积 得到的脑电信息表示Hs输入可分离卷积层,表示为:
Z=(Hs*Wsep)
其中,Wsep∈R1×f为可分离卷积层的卷积滤波器权重。通过可分离卷积层卷积,可以得到特 征映射cout为可分离卷积层滤波器数量,m为卷积和池化操作后特征点的数量。 同样对其进行平均池化操作,保留脑电特征的主要部分同时减少参数和计算量,防止过拟合, 提高抑郁检测系统的泛化能力。
(2)人口学注意力机制
在抑郁障碍检测中,最终目标是避免个体差异并提高预测准确性。因此,本发明将脑电 信号与人口学信息之间的相互作用和相关性结合起来,获得有效的数据表示。本模块引入注 意力机制到神经网络中,可以学习到中间层特征的“空间”权重信息,此处的空间并不是脑 电数据导联上的空间,而是有卷积操作后时间方向上的横向空间信息。通过联合数据的自身 信息以及性别、年龄的关联关系,提取出脑电数据的最优特征。
考虑到脑电信号与患者个体性别、年龄等人口学因素的相互关联,以及上述人口学因素 对抑郁发生率的影响,有必要在脑电信号建模和抑郁检测过程中引入性别和年龄等信息。本 发明利用卷积操作将原始脑电数据编码生成高阶的表示,并在之后的注意层利用这些表示和 人口学数据结合给定的抑郁检测目标函数来生成隐式的注意力权重,调整特征的表示进而提 升模型的分类性能。主要原理与自然语言处理的注意力机制一致,借助神经网络强大的学习 能力隐式地进行,生成与任务目标更相关的数据表示并进行分类。
本发明所设计的人口学注意机制将脑电信号与性别、年龄因素有机融合,促进一维卷积 神经网络探索脑电信号与人口学因素的复杂相关性,最终生成更有效的高阶的抑郁症检测表 示。具体而言,对个体的性别数据进行one-hot编码,年龄数据进行归一化操作,再将二者拼 接形成人口学特征向量S∈Rd(在本发明中d为3)。结合卷积神经网络将多导联脑电数据编码 得到的特征表示使用两个转换矩阵来整合人口学信息和卷积得到的脑电信号特 征,操作如下:
其中,Wde∈Rk×3是将脑电信息特征Z和社会学信息特征S转化至k维度联合子 空间的转换矩阵,bfe∈Rk,bde∈Rk是偏置项。将脑电特征与人口学向量投影到一个k维联 合子空间,并根据在此空间的联合表现生成注意力矩阵A。使用矩阵列和向量加法来结合脑 电信号特征和人口学数据之间的相关性。将生成的注意力矩阵送入带有softmax的映射函数 中,定义如下:
α=softmax(WaA+ba)
其中,Wa∈R1×k是映射函数的权重,ba∈R是其偏置项。通过此式可以将注意力矩阵A转换 为一维向量α。最后,将得到的结合脑电信息和人口学信息的注意力向量α与其相对应的脑电 特征图结合,产生融合个体人口学信息的脑电特征向量。
(3)抑郁障碍分类
对于最终产生的融合个体人口学信息的脑电特征向量,将其送入具有softmax激活功能 的全连接层进行分类:
并构建二分类交叉熵作为损失函数优化目标:
loss=-∑ipilogprei
其中,I代表抑郁障碍类别(I=2),p是真实标签的one-hot编码向量,pre是模型输出的预 测标签向量,pi代表标签类别的第i个类别。同时,在训练时使用Nadam自适应学习率算法优 化参数,该优化算法对学习率有更强的约束,优化过程如下:
同时使用小批量梯度下降的方法来对模型训练,小批量梯度下降随机选取小批量数据计 算梯度损失函数的每一步,使得收敛速度和计算效率更快。
4.训练和优化网络,并完成性能评估。本实施例的实验采用嵌套交叉验证的策略,以此 来评估该模型的整体性能,具体操作如下:将所有样本分层采样划分为10份,进行外层十折 交叉验证(每折训练样本数为1530,测试样本数为170);每折的9份训练数据再次按分层采 样进行内层十折交叉验证。内层交叉验证用于结合网格寻优策略确定模型的超参数组合,进 而得到最优模型;外层交叉验证用于模型性能评估,每一折均使用内层交叉验证得到的最优 参数组合进行模型训练,并对相应的测试样本进行分类预测,以外层十折交叉验证的平均准 确率作为最终实验结果。在本实验中,超参数包括:注意权重映射维数k、初始学习率、样 本批量数与迭代次数。模型训练完成后,将测试性能并用于抑郁障碍的辅助检测中。算法使 用基于Python3.5的Tensorflow和Keras框架实现。
在本实施例中,本发明系统在抑郁障碍检测的准确率上达到了75.3%的准确率,与结合 人口统计学注意力机制的CNN模型相比,结合性别和年龄的注意力机制的CNN取得了更好 的分类性能,在总体趋势上所提出的模型性能优于未引入人口统计学注意力机制的模型,在 平均准确率、灵敏度、特异性和F1-score指标上高出约5个百分点,同时ROC曲线及AUC 都取得了更好的结果。
本发明基于便携式前额三导脑电信号进行抑郁障碍检测,利用注意力机制引入人口学信 息,通过注意力权重调整脑电图特征图,在不增加复杂性的情况下探索脑电信号与人口学信 息的相关性。并通过将脑电特征图和人口学信息映射到联合空间中融合生成更有效的表达, 在缓解个体之间差异性的同时提高抑郁检测性能。根据实例实验的结果可以得出结论,本发 明所设计的方法可以产生更有效的、与人口统计信息更相关的脑电信号高层次表达,有利于 抑郁障碍的检测任务。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不 以任何方式限制本发明创造。一切不脱离本发明创造的精神和范围的技术方案及其改进,其 均涵盖在本发明创造的保护范围当中。
Claims (6)
1.一种结合人口学注意力机制的便携式脑电抑郁检测系统,其特征在于,包括脑电数据采集模块、数据预处理模块、抑郁障碍检测模块;所述脑电数据采集模块用于采集被试的静息态脑电原始数据;所述数据预处理模块用于对采集的原始数据进行数据预处理;所述抑郁障碍检测模块用于基于数据预处理后的脑电数据完成抑郁障碍检测,采用人工神经网络构建并训练模型对脑电信号进行分类,联合使用卷积操作和注意力机制将人口学信息融合到脑电信号的建模过程中。
2.根据权利要求1所述的结合人口学注意力机制的便携式脑电抑郁检测系统,其特征在于,所述脑电数据采集模块完成脑电数据采集功能,采用前额叶三导脑电采集设备,采样频率为250Hz,带通为0.5-50Hz,使用粘性贴片电极,采集前额叶三导静息态脑电信号,同时记录个体的性别和年龄的人口学信息。
3.根据权利要求2所述的结合人口学注意力机制的便携式脑电抑郁检测系统,其特征在于,所述数据预处理模块进行脑电数据预处理,包括带通滤波、伪迹去除、信号分窗三个步骤:首先,采用1到40Hz频带的FIR滤波器脑电信号进行带通滤波;然后,采用离散小波变换和卡尔曼滤波方法去除眼电伪影;接着使用4秒不重叠滑动窗口对脑电信号进行信号分窗,每个分窗片段构成独立的样本,保持信号平滑,扩大样本容量。
4.根据权利要求3所述的结合人口学注意力机制的便携式脑电抑郁检测系统,其特征在于,所述抑郁障碍检测模块包括脑电信号的卷积处理;输入数据为预处理后的二维脑电信号X和人口学信息S,对于包含c个导联电极和t个采样点的二维脑电信号X∈Rc×t,分别对其进行时间和空间维度的卷积编码操作:首先,设置时间域的卷积,用于提取脑电信号时间域上的相关性,表示为Ht=(X*Wt),其中Wt为时间卷积核的权重,*号代表卷积运算;接着通过提供一个空间滤波的卷积操作来提取多个导联特性之间的相关性,表示为:Hs=(Ht*Ws),其中Ws为空间卷积核权重;在卷积操作过程中,时间和空间维度的激活函数均采用ELU函数,ELU函数定义如下:
其中,其中x表示激活函数输入向量Hs的单个元素。对于卷积后的数据进行平均池化操作,将特征图的子采样区域内元素值的平均值作为输出结果传入下一层,对数据进行了降维,EEG数据的时间分辨率较高,池化降低了因卷积带来的通道数量上升,同时还保留了EEG数据的空间的近似不变;最后通过一个可分离卷积层,实现时间和空间维度信息更高效地结合,将时间空间卷积得到的脑电信息表示Hs输入可分离卷积层,表示为:Z=(Hs*Wsep),其中,Wsep为可分离卷积层的卷积滤波器权重。同样对其进行平均池化操作,保留脑电特征的主要部分同时减少参数和计算量,防止过拟合,提高抑郁检测系统的泛化能力。
5.根据权利要求4所述的结合人口学注意力机制的便携式脑电抑郁检测系统,其特征在于,所述抑郁障碍检测模块包括注意力机制引入人口学注意力;首先对人口学信息进行处理,对个体的性别数据进行one-hot编码,年龄数据进行归一化操作,再将二者拼接形成人口学特征向量S;在对脑电信号的卷积处理后,得到一个二维的特征图Z,根据特征图Z和人口学特征向量S设计人口学注意力机制,在脑电信号的抑郁分类建模过程中引入性别和年龄信息。通过转换矩阵将多导脑电特征图和人口学信息整合,操作如下:
其中Wfe,bfe,Wde,bde是转换矩阵参数,将脑电特征与人口学特征向量投影到一个k维联合子空间(激活函数为tanh),对两个不同表示之间的关系进行建模,并根据在此空间的联合表现生成包含相关关系的注意力矩阵A,通过矩阵列和向量加法来结合脑电特征和人口学之间的相关性。通过带有softmax的映射函数将注意力矩阵变为注意力权重α,操作如下:
α=softmax(WaA+ba)
其中,Wa是映射函数的权重,ba是其偏置;最后,将得到的结合脑电信息和人口学信息的注意力向量α与其相对应的脑电特征图结合,生成融合个体人口学信息相关的脑电特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010469004.XA CN111568446B (zh) | 2020-05-28 | 2020-05-28 | 结合人口学注意力机制的便携式脑电抑郁检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010469004.XA CN111568446B (zh) | 2020-05-28 | 2020-05-28 | 结合人口学注意力机制的便携式脑电抑郁检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111568446A true CN111568446A (zh) | 2020-08-25 |
CN111568446B CN111568446B (zh) | 2023-05-26 |
Family
ID=72110452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010469004.XA Active CN111568446B (zh) | 2020-05-28 | 2020-05-28 | 结合人口学注意力机制的便携式脑电抑郁检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111568446B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112263253A (zh) * | 2020-11-18 | 2021-01-26 | 山东大学 | 基于深度学习与心电信号的抑郁症识别系统、介质及设备 |
CN112336353A (zh) * | 2020-11-04 | 2021-02-09 | 西安科技大学 | 一种基于舒尔特方格与lstm的多级注意力分级方法 |
CN113180692A (zh) * | 2021-02-11 | 2021-07-30 | 北京工业大学 | 一种基于特征融合和注意力机制的脑电信号分类识别方法 |
CN113349791A (zh) * | 2021-05-31 | 2021-09-07 | 平安科技(深圳)有限公司 | 异常心电信号的检测方法、装置、设备及介质 |
CN113397565A (zh) * | 2021-07-22 | 2021-09-17 | 北京脑陆科技有限公司 | 基于脑电信号的抑郁识别方法、装置、终端及介质 |
CN113397563A (zh) * | 2021-07-22 | 2021-09-17 | 北京脑陆科技有限公司 | 抑郁分类模型的训练方法、装置、终端及介质 |
CN113616209A (zh) * | 2021-08-25 | 2021-11-09 | 西南石油大学 | 基于时空注意力机制的精神分裂症患者甄别方法 |
CN113723557A (zh) * | 2021-09-08 | 2021-11-30 | 山东大学 | 一种基于多频带时空卷积网络的抑郁脑电分类系统 |
CN114219014A (zh) * | 2021-11-26 | 2022-03-22 | 合肥工业大学 | 一种基于脑电的自注意力图池化抑郁障碍识别分类方法 |
CN114403899A (zh) * | 2022-02-08 | 2022-04-29 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法 |
CN114424941A (zh) * | 2022-01-26 | 2022-05-03 | 广东电网有限责任公司 | 疲劳检测模型构建方法、疲劳检测方法、装置及设备 |
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 |
CN115381467A (zh) * | 2022-10-31 | 2022-11-25 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108143411A (zh) * | 2017-12-13 | 2018-06-12 | 东南大学 | 一种面向孤独症诊断的静息态脑电分析系统 |
CN109124625A (zh) * | 2018-09-04 | 2019-01-04 | 大连理工大学 | 一种驾驶员疲劳状态水平分级方法 |
CN110403604A (zh) * | 2019-07-03 | 2019-11-05 | 陈琦 | 基于注意力集中程度构建环境空间和训练注意力的方法 |
CN110811648A (zh) * | 2019-11-20 | 2020-02-21 | 阿呆科技(北京)有限公司 | 一种基于残差卷积神经网络的抑郁倾向评估系统 |
CN110876626A (zh) * | 2019-11-22 | 2020-03-13 | 兰州大学 | 基于多导联脑电最优导联选择的抑郁检测系统 |
CN110916689A (zh) * | 2019-11-29 | 2020-03-27 | 上海青鸿教育科技有限公司 | 一种自闭症的认知与注意力强化智能评估训练系统及方法 |
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 |
-
2020
- 2020-05-28 CN CN202010469004.XA patent/CN111568446B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108143411A (zh) * | 2017-12-13 | 2018-06-12 | 东南大学 | 一种面向孤独症诊断的静息态脑电分析系统 |
CN109124625A (zh) * | 2018-09-04 | 2019-01-04 | 大连理工大学 | 一种驾驶员疲劳状态水平分级方法 |
CN110403604A (zh) * | 2019-07-03 | 2019-11-05 | 陈琦 | 基于注意力集中程度构建环境空间和训练注意力的方法 |
CN110811648A (zh) * | 2019-11-20 | 2020-02-21 | 阿呆科技(北京)有限公司 | 一种基于残差卷积神经网络的抑郁倾向评估系统 |
CN110876626A (zh) * | 2019-11-22 | 2020-03-13 | 兰州大学 | 基于多导联脑电最优导联选择的抑郁检测系统 |
CN110916689A (zh) * | 2019-11-29 | 2020-03-27 | 上海青鸿教育科技有限公司 | 一种自闭症的认知与注意力强化智能评估训练系统及方法 |
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 |
Non-Patent Citations (3)
Title |
---|
ACHARYA U R,等: "Automated EEG-based screening of depression using deepconvolutionalneuralnetwork", 《COMPUTERMETHODSANDPROGRAMSINBIOMEDICINE》 * |
CECOTTI H,等: "Convolutional neural networks for P300 detection with application to brain-computer interfaces", 《EEETRANSACTIONS ON PATTERNANALYSIS & MACHINE APPLICATION TO BRAIN-COMPUTER INTERFACES》 * |
赵盛杰: "基于脑电及卷积神经网络的抑郁症实时监测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112336353B (zh) * | 2020-11-04 | 2023-07-28 | 西安科技大学 | 一种基于舒尔特方格与lstm的多级注意力分级方法 |
CN112336353A (zh) * | 2020-11-04 | 2021-02-09 | 西安科技大学 | 一种基于舒尔特方格与lstm的多级注意力分级方法 |
CN112263253A (zh) * | 2020-11-18 | 2021-01-26 | 山东大学 | 基于深度学习与心电信号的抑郁症识别系统、介质及设备 |
CN113180692A (zh) * | 2021-02-11 | 2021-07-30 | 北京工业大学 | 一种基于特征融合和注意力机制的脑电信号分类识别方法 |
CN113349791A (zh) * | 2021-05-31 | 2021-09-07 | 平安科技(深圳)有限公司 | 异常心电信号的检测方法、装置、设备及介质 |
CN113397565A (zh) * | 2021-07-22 | 2021-09-17 | 北京脑陆科技有限公司 | 基于脑电信号的抑郁识别方法、装置、终端及介质 |
CN113397563A (zh) * | 2021-07-22 | 2021-09-17 | 北京脑陆科技有限公司 | 抑郁分类模型的训练方法、装置、终端及介质 |
CN113616209A (zh) * | 2021-08-25 | 2021-11-09 | 西南石油大学 | 基于时空注意力机制的精神分裂症患者甄别方法 |
CN113616209B (zh) * | 2021-08-25 | 2023-08-04 | 西南石油大学 | 基于时空注意力机制的精神分裂症患者甄别方法 |
CN113723557A (zh) * | 2021-09-08 | 2021-11-30 | 山东大学 | 一种基于多频带时空卷积网络的抑郁脑电分类系统 |
CN113723557B (zh) * | 2021-09-08 | 2023-08-08 | 山东大学 | 一种基于多频带时空卷积网络的抑郁脑电分类系统 |
CN114219014A (zh) * | 2021-11-26 | 2022-03-22 | 合肥工业大学 | 一种基于脑电的自注意力图池化抑郁障碍识别分类方法 |
CN114219014B (zh) * | 2021-11-26 | 2024-07-12 | 合肥工业大学 | 一种基于脑电的自注意力图池化抑郁障碍识别分类方法 |
CN114424941A (zh) * | 2022-01-26 | 2022-05-03 | 广东电网有限责任公司 | 疲劳检测模型构建方法、疲劳检测方法、装置及设备 |
CN114403899B (zh) * | 2022-02-08 | 2023-07-25 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测装置 |
CN114403899A (zh) * | 2022-02-08 | 2022-04-29 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法 |
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 |
CN115381467A (zh) * | 2022-10-31 | 2022-11-25 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111568446B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111568446B (zh) | 结合人口学注意力机制的便携式脑电抑郁检测系统 | |
CN109157231B (zh) | 基于情绪刺激任务的便携式多通道抑郁倾向评估系统 | |
Shoeibi et al. | An overview of deep learning techniques for epileptic seizures detection and prediction based on neuroimaging modalities: Methods, challenges, and future works | |
Shaban | Automated screening of Parkinson's disease using deep learning based electroencephalography | |
Ouchani et al. | A review of methods of diagnosis and complexity analysis of Alzheimer’s disease using EEG signals | |
Amrani et al. | EEG signal analysis using deep learning: A systematic literature review | |
Soni et al. | Graphical representation learning-based approach for automatic classification of electroencephalogram signals in depression | |
CN111544256A (zh) | 基于图卷积和迁移学习的脑控智能全肢体康复方法 | |
Rajwal et al. | Convolutional neural network-based EEG signal analysis: A systematic review | |
Sahu et al. | Scz-scan: An automated schizophrenia detection system from electroencephalogram signals | |
Al-Qaysi et al. | Wavelet-based Hybrid learning framework for motor imagery classification | |
CN117224080B (zh) | 大数据的人体数据监测方法装置 | |
Jiang et al. | Use of deep belief network model to discriminate mild cognitive impairment and normal controls based on EEG, eye movement signals and neuropsychological tests | |
Anchana et al. | Comparative study of detection of ADHD using EEG signals | |
Yin et al. | Intelligent classification for emotional issues by deep learning network on EEG signal processing | |
Apsari et al. | Electroencephalographic spectral analysis to help detect depressive disorder | |
Rong et al. | Prediction of Cognitive Impairment in Epilepsy Patients Based on EEG Signal with Residual Block-Based Network | |
Zhang et al. | Applying Deep Learning for Decoding of EEG and BFV about Ischemic Stroke Patients and Visualization | |
SINGH | A Deep Convolution Neural Network Based Model for Identification Depression Using EEG | |
Hatteland et al. | Exploring Relationships between Cerebral and Peripheral Biosignals with Neural Networks | |
M Shafiq Surameery et al. | Intelligent Approaches for Alzheimer's Disease Diagnosis from EEG Signals: Systematic Review | |
Singh et al. | SZ-RAN: A Residual Attention Network for Early Detection of Schizophrenia using EEG Signals | |
ZHANG | A Study on Deep Learning Algorithms for Electroencephalography (EEG) and Functional Magnetic Resonance Imaging (fMRI) Signal Processing | |
Rahman et al. | Epileptic seizure prediction using bandpass filtering and convolutional neural network | |
Li et al. | A Deep Learning Hybrid Model for Parkinson's Disease Diagnosis Based on Electroencephalogram Signals |
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 |