CN113723557A - 一种基于多频带时空卷积网络的抑郁脑电分类系统 - Google Patents
一种基于多频带时空卷积网络的抑郁脑电分类系统 Download PDFInfo
- Publication number
- CN113723557A CN113723557A CN202111049290.5A CN202111049290A CN113723557A CN 113723557 A CN113723557 A CN 113723557A CN 202111049290 A CN202111049290 A CN 202111049290A CN 113723557 A CN113723557 A CN 113723557A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- time
- space
- data
- multiband
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
Abstract
本发明提供了一种基于多频带时空卷积网络的抑郁脑电分类系统,包括数据预处理模块,被配置为对获取的被测试者静息状态下额叶三电极的原始脑电时间序列信号进行噪声过滤处理;数据分割模块,被配置为对预处理后的信号进行切割,形成多个设定长度的待测脑电片段,进行归一化处理;数据识别模块,被配置为利用训练后的多频带时空卷积网络模型,对待测脑电片段进行时间维度和空间维度的特征提取与整合,进行类别分类,实现抑郁识别。本发明根据易获取脑电信号,可以实现对正常人和抑郁症患者的脑电信号的有效辨识并进行正确分类,消除在使用量表进行诊断时医生和患者的主观影响,使得诊断结果更具客观性。
Description
技术领域
本发明属于脑电信息分类技术领域,具体涉及一种基于多频带时空卷积网络的抑郁脑电分类系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
作为一种精神和心理方面的病症,抑郁症有着高发病率、高致残性的特点,影响了很多人的健康生活。目前抑郁症的诊断方式主要有量表调查、医师问询等,这些方法往往取决于医生的经验,主观性较大。此外,抑郁个体可能因耻辱感而不愿意寻求帮助,因此有大量的抑郁症患者得不到最佳的治疗。研究方便、高效的诊断方法对促进抑郁症的检测具有重大的意义。
抑郁症是一种精神障碍,临床表现为明显抑郁和思维缓慢,且总是伴随着异常的大脑活动和明显的情感交替。神经科学的研究表明,大部分心理状态和认知行为可由脑电信号(EEG)来反映。EEG与大脑活动和心理状态有着密切的关系,它能够随时反映情感的转变。脑电信号作为一种以非侵入方式获取的生理信号,已经被广泛应用于各种神经系统疾病的研究和诊断。因此,可以通过脑电图来追踪大脑功能和异常的脑电活动。以往人们对抑郁脑电信号使用特征提取结合机器学习相关算法进行检测,这种方法需要大量先验知识寻找脑电信号的相关特征,而且最重要的特征不一定能被找到,这些因素的存在使得分类过程复杂化。
发明内容
本发明为了解决上述问题,提出一种基于多频带时空卷积网络的抑郁脑电分类系统,可以实现正常人和抑郁症患者脑电信号的有效辨识并正确分类,消除在使用量表进行诊断时医生和患者的主观影响,使得诊断结果更具客观性。
根据一些实施例,本发明采用如下技术方案:
一种基于多频带时空卷积网络的抑郁脑电分类系统,包括:
数据预处理模块,被配置为对获取的被测试者静息状态下额叶三电极的原始脑电时间序列信号进行噪声过滤处理;
数据分割模块,被配置为对预处理后的信号进行切割,形成多个设定长度的待测脑电片段,进行归一化处理;
数据识别模块,被配置为利用训练后的多频带时空卷积网络模型,对待测脑电片段进行时间维度和空间维度的特征提取与整合,进行类别分类,实现抑郁识别。
作为可选择的实施方式,还包括脑电采集设备,用于获取被测试者在静息状态下额叶三电极的原始脑电时间序列信号。
作为可选择的实施方式,所述数据预处理模块,被配置为对获取信号进行噪声过滤处理,用小波变换去除眼动伪迹,提取0.5-50Hz脑电信号,通过50Hz陷波器去除工频干扰。
作为可选择的实施方式,所述数据分割模块,被配置为使用预定宽度的滑动窗口对脑电数据进行不重叠分割。
作为可选择的实施方式,所述数据分割模块,被配置为使用零分数归一化方法进行归一化,使处理后的数据符合标准正态分布。
作为可选择的实施方式,所述多频带时空卷积网络模型包括依次设置的滤波层、时间深度卷积模块、空间深度卷积模块、平均池化层、特征连接层、全连接层和输出层。
作为进一步的限定,所述滤波层将数据按照δ(0.5-3Hz),θ(4-7Hz),α(8-13Hz),β(14-30Hz),γ(>30Hz)的频段分布范围进行频谱滤波,获得样本数据的多视图表示。
作为进一步的限定,所述时间深度卷积模块,被配置为从时间维度提取脑电信号各个频段的时间特征,包括依次连接的一组大小为(1,125)的深度卷积滤波器,一个批标准化层和一个指数线性单元激活函数。
作为进一步的限定,所述空间深度卷积模块被配置为从空间维度对特征图提取空间特征,包括依次连接的一组大小为(3,1)的深度卷积滤波器,一个批标准化层和一个指数线性单元激活函数。
作为进一步的限定,所述输出层采用Softmax分类器。
作为可选择的实施方式,所述多频带时空卷积网络模型经过训练,在训练过程中,样本数据按照受试者的不同,被划分到训练集,验证集和测试集,保证同一人的数据不同时出现在多个数据集中。
作为可选择的实施方式,所述多频带时空卷积网络模型经过训练,在训练过程中,选择分类交叉熵作为损失函数评估模型性能计算出损失值后,使用Adam梯度下降的算法,寻找最小的损失值,按照最小的损失值更新网络参数。
与现有技术相比,本发明的有益效果为:
(1)本发明使用的是作为生理信号之一的脑电信号,其能够实时反映大脑活动状态,且具有无创、经济、易操作等优点;
(2)本发明将基于脑电信号的多频带时空卷积网络应用于抑郁症的筛查或临床辅助诊断,可以实现对正常人和抑郁症患者的脑电信号的正确分类,克服了传统诊断方式使用问卷和量表存在的主观性影响,使诊断结果更具客观性;
(3)本发明与传统的机器学习方法相比,能够快速、准确地对抑郁症进行初步辨识,不需要手动特征提取,节省了人工特征提取和特征选择的时间;
(4)本发明使用的深度卷积能有效减少模型的可训练参数量,降低网络结构的复杂度,提高训练速度;
(5)本发明从各个频段脑电信号中自动学习有意义的时间维度和空间维度特征,具有一定的生理意义,对于抑郁脑电的识别,具有很好的分类优势。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1所示为抑郁脑电分类流程图;
图2所示为脑电采集设备的3通道分布图;
图3所示为多频段时空卷积网络图;
图4所示为深度卷积原理图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
基于多频带时空卷积网络的抑郁脑电分类系统,包括:
采集模块,被配置为采集被测试者在静息状态下额叶三电极的原始脑电时间序列信号。
具体地,数据集包含80名受试者的额叶三个通道的脑电信号,其中包括抑郁症患者40人(男性15人,女性25人,年龄18~79岁之间,平均年龄45.5岁),健康受试者40人(男性17人,女性23人,年龄22~73岁之间,平均年龄44.9岁)。
实验中,记录受试者静息状态的EEG数据。具体而言,受试者被安排在一个安静、隔音、无电磁干扰的房间内,在实验床平躺,闭上眼睛,保持身体放松,不做任何动作,接受至少5.5分钟的测量。在数据采集过程中,选择了额叶这个具有代表性的脑区作为脑电采集部位。根据国际10-20标准系统,在头皮上放置3个电极(Fp1、Fp2、Fz)作为理想电极,如图2所示。
采用多通道生理信号采集处理系统RM-6280C对受试者进行EEG采集,其中采样率设置为1kHz。为减少噪声干扰,用医用酒精擦拭与电极接触的皮肤区域,并涂抹导电膏。
数据预处理模块,被配置为对采集的原始脑电时间序列信号进行噪声过滤处理。
具体地,对于EEG数据,原始信号的预处理很重要。所记录的脑电数据通常与周围环境干扰相混合,例如工频干扰。此外,其他生理信号如心电(ECG)、眼电(EOG)和肌电(EMG),也会被传感器检测和记录,数据中存在的噪声可能会对后续分析产生不利影响。
数据预处理模块首先应用小波变换去除脑电信号中的眼动伪迹以及与脑电信号不在同一频率范围的其他生理信号。小波变换可对信号进行分解重构,分解层数设置为7层,小波基函数选择与眨眼信号相似的sym3函数。根据脑电信号的频率范围及特点,去除超出脑电频率范围的高低频信号以及与眼动伪迹最相似的sym3层信号,最后得到0.5-50Hz的脑电信号。此外,通过50Hz陷波器消除EEG中的工频干扰。在信号不失真的前提下,提取的信号被下采样至250Hz,以提高计算效率。
数据分割模块,被配置为对数据预处理模块所得的信号切割成设定长度的待测脑电片段,进行归一化处理。
具体地,本发明使用数据增强的方法增加训练数据的数量,以便后续训练出更具泛化能力的模型。将脑电数据分割成设定长度的片段,这里选择的时间长度为6秒,然后进行归一化处理,具体为:
设置6s的滑动窗口对脑电数据进行不重叠分割,得到样本的格式为:通道数×采样点,其中通道数为3,采样点数为采样频率×时间,这里为1500个点;
使用零分数归一化来解决EEG数据中幅度缩放和基线漂移的问题,经过处理的数据符合标准正态分布,即均值为0,标准差为1,其转化函数为:
其中μ为所有样本数据的均值,σ为所有样本数据的标准差。
数据识别模块,基于预先构建的多频带时空卷积网络模型;模型构建过程具体包括:
模型结构如图3所示。多频带时空卷积网络借助频谱滤波和基于CNN的时空滤波来编码脑电在频谱和时间空间上的可区分信息。模型使用深度卷积方法实现时间和空间上的卷积,能够从每个频段信号学习独立的时间滤波器,从每个时间滤波信号中学习独立的空间滤波器。
第一层,将样本按照δ(0.5-3Hz),θ(4-7Hz),α(8-13Hz),β(14-30Hz),γ(>30Hz)的频段分布范围进行频谱滤波,获得样本数据的多视图表示;
具体地,模型使用EEG样本的多视图表示,其中每个视图表示一个窄带信号。对于一个脑电通道为3、采样点为1500的样本,它属于正常或抑郁两种状态之一,可以表示为它的对应标签为y∈{0,1}。对于一个样本的多视图表示xF,它是使用滤波器F进行频谱滤波生成的,滤波器分别设置为不同的频率上下限,xF属于的空间,其中沿第二维的时间序列是频谱局部化之后的。
在本方案中,根据抑郁症的神经生理学,滤波器提取脑电信号的五个频带δ(0.5-3Hz),θ(4-7Hz),α(8-13Hz),β(14-30Hz),γ(>30Hz),采用巴特沃斯带通滤波器。巴特沃斯滤波器具有独特的优势,其频率响应在通频带内和阻频带内比较平坦,具有非常平稳的幅频特性,在阻频带内逐步下降为零。巴特沃斯滤波器的传递函数如下式所示:
式中,n为滤波器的阶数,ωc为截止频率,ωp为通频带边缘的频率。
根据带通滤波器的特性,只能允许特定频段的信号通过,将低于下限截止频率或高于上限截止频率的波段信号衰减阻断,在通频带内的信号可以完整通过。提取不同频段时需设置不同的上下限截止频率,使脑电频段信号可以尽可能最大限度地保持完整。
模型的第二层由一个时间深度卷积模块组成,提取脑电信号各个频段的时间特征。该模块依次包括一组大小为(1,125)的深度卷积滤波器,一个Batch Normalization层和一个指数线性单元(ELU)激活函数,深度卷积滤波器的每一层分别单独对多视图脑电样本的一个视图进行卷积,即滤波器的第k层把作为输入,深度设置为4,卷积步长为1。该层卷积核沿着水平方向进行时间卷积输出的特征图为 滤波器分别对各层卷积后,其输出为xT,
深度卷积不同于常规卷积操作,常规卷积是每个卷积核同时操作输入的每个通道,而深度卷积具体如图4所示,是对输入层的每个通道独立进行卷积运算,一个卷积核负责一个通道,一个通道只被一个卷积核卷积。
Batch Normalization
本方案在卷积层后面使用了Batch Normalization层,根据小批次数据上的均值和标准差来调整神经网络的中间输出,使网络模型的中间输出数值更稳定。BatchNormalization在一定程度缓解神经网络中特征分布较散的问题,可以加快模型的收敛速度,使得训练神经网络模型的过程更加容易和稳定。对于小批次数据B中的任意样本x(i),1≤i≤m,规范化后的输出为:
y(i)=BN(x(i))
具体由以下几步求得:
(1)计算小批量训练数据的均值:
(2)计算小批量训练数据的方差:
(3)使用求得的均值和方差对该批次的训练数据做归一化,获得0-1分布。其中ε是为了避免除数为0时所使用的微小正数:
(4)尺度变换和偏移:将乘以γ调整数值大小,再加上β增加偏移后得到y(i),这里的γ是尺度变换因子,β是平移因子。由于归一化后的x(i)基本会被限制在正态分布下,使得网络的表达能力下降,为了解决该问题,Batch Normalization引入两个可以学习的模型参数γ和β,最终得到规范化的输出y(i):
指数线性单元(ELU)激活函数
激活层是卷积神经网络中必不可少的基础单元,激活层中含有非线性激活函数,它的作用是加强网络的非线性,提高网络对非线性数据的建模能力。本方案使用ELU作为激活函数,其负激活处定义的非线性变换可以减小偏置变换,使得标准梯度接近自然梯度,达到加速训练的目的,其定义公式如下:
模型的第三层由一个空间深度卷积模块组成,从空间维度对4-2中输出的特征图提取空间特征。该模块依次包括一组大小为(3,1)的深度卷积滤波器,一个BatchNormalization层和一个指数线性单元(ELU)激活函数,深度卷积滤波器的每一层分别单独对前面输出的一个特征图进行卷积,即滤波器的第l层把作为输入,深度设置为3,卷积步长为1。该层卷积核沿着水平方向进行时间卷积输出的特征图为 滤波器分别对各层卷积后,其输出为xS,
第四层为平均池化层,用来降低前面得到的特征映射的大小,降低网络的复杂度。池化操作只改变特征图的宽度和高度,不会改变特征图的通道数。池化层选用的矩阵大小为(1,4),池化类型选择平均池化,步长为4,经过池化后输出为
第五层为特征连接层,目的是将各个频带对应的空间卷积核的平行输出进行连接;
第六层为全连接层,将特征进行整合,为分类做准备。在全连接层中,每层的各个神经元都与前一层的所有神经元连接,但是同一层的神经元之间没有任何连接。全连接层的作用是在输出层前对网络获得的所有特征图的信息进行整合,输出为一个特征向量;
第七层为输出层,采用Softmax分类器,连接的密集神经层的输出为2,输出单元个数取决于分类类别。利用softmax函数将最终得到的特征向量映射到0-1的范围内,使神经元输出每个类别分类的概率。模型将神经元输出的概率值最大的结果作为最终的识别结果。Softmax的计算如下公式所示,n为输出层的神经元个数,hi为神经元的输出值。
神经网络模型也预先使用样本对其进行训练后,才能用于抑郁识别。
具体地,训练的过程包括:
1.将70%的测试者的数据划分为训练集,20%测试者的数据划分为验证集,10%测试者的数据划分为测试集,保证同一人的数据不同时出现在多个数据集中。然后将各个集合的样本随机打乱;
2.用具有标签的训练集对多频段时空卷积网络进行训练,用验证集数据对网络进行验证;
3.用训练好的多频段时空卷积网络对测试集进行分类,即将测试集中的每个样本进行归类,对应归为正常人或抑郁症患者。
模型在训练过程中使用下述参数设置。
选择分类交叉熵作为损失函数评估模型性能,损失函数如下:
其中,gi为真实结果,yi为预测输出结果。
计算出损失值后,使用梯度下降的算法,帮助寻找最小的损失值,从而更新网络参数达到优化模型的效果。优化器就是更新参数的方法,设损失函数为J(θ),其中θ为待求解的参数,不同的优化器都遵循一个基本原则:
本发明使用自适应动量估计(Adam)优化器用于基于梯度的优化,该方法首先计算动量:
其中,β1为超参数,在本发明中取0.9。其次计算指数加权平均:
其中,β2为超参数,在本发明中取0.999。在迭代初期mk、sk通常设置为趋于0,通过修正可解决此问题,修正公式为:
最终,Adam算法的迭代策略为:
其中,ε是一个平滑项,设为10-8。
网络训练300个epoch,每批次大小设置为32,训练过程中保存在验证集上性能最好的模型用于测试。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于多频带时空卷积网络的抑郁脑电分类系统,其特征是:包括:
数据预处理模块,被配置为对获取的被测试者静息状态下额叶三电极的原始脑电时间序列信号进行噪声过滤处理;
数据分割模块,被配置为对预处理后的信号进行切割,形成多个设定长度的待测脑电片段,进行归一化处理;
数据识别模块,被配置为利用训练后的多频带时空卷积网络模型,对待测脑电片段进行时间维度和空间维度的特征提取与整合,进行类别分类,实现抑郁识别。
2.如权利要求1中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统,其特征是:还包括脑电采集设备,用于获取被测试者在静息状态下额叶三电极的原始脑电时间序列信号。
3.如权利要求1中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统,其特征是:所述数据预处理模块,被配置为对获取信号进行噪声过滤处理,用小波变换去除眼动伪迹,提取0.5-50Hz脑电信号,通过50Hz陷波器去除工频干扰。
4.如权利要求1中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统,其特征是:所述数据分割模块,被配置为使用预定宽度的滑动窗口对脑电数据进行不重叠分割。
5.如权利要求1中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统,其特征是:所述数据分割模块,被配置为使用零分数归一化方法进行归一化,使处理后的数据符合标准正态分布。
6.如权利要求1中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统,其特征是:所述多频带时空卷积网络模型包括依次设置的滤波层、时间深度卷积模块、空间深度卷积模块、平均池化层、特征连接层、全连接层和输出层。
7.如权利要求6中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统,其特征是:所述滤波层将数据按照δ(0.5-3Hz),θ(4-7Hz),α(8-13Hz),β(14-30Hz),γ(>30Hz)的频段分布范围进行频谱滤波,获得样本数据的多视图表示。
8.如权利要求6中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统,其特征是:所述时间深度卷积模块,被配置为从时间维度提取脑电信号各个频段的时间特征,包括依次连接的一组大小为(1,125)的深度卷积滤波器,一个批标准化层和一个指数线性单元激活函数。
9.如权利要求6中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统,其特征是:所述空间深度卷积模块被配置为从空间维度对特征图提取空间特征,包括依次连接的一组大小为(3,1)的深度卷积滤波器,一个批标准化层和一个指数线性单元激活函数;
或,所述输出层采用Softmax分类器。
10.如权利要求1中所述的一种基于多频带时空卷积网络的抑郁脑电分类系统,其特征是:所述多频带时空卷积网络模型经过训练,在训练过程中,样本数据按照受试者的不同,被划分到训练集,验证集和测试集,以保证同一人的数据不同时出现在多个数据集中;
或,
所述多频带时空卷积网络模型经过训练,在训练过程中,选择分类交叉熵作为损失函数评估模型性能计算出损失值后,使用Adam梯度下降的算法,寻找最小的损失值,按照最小的损失值更新网络参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111049290.5A CN113723557B (zh) | 2021-09-08 | 2021-09-08 | 一种基于多频带时空卷积网络的抑郁脑电分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111049290.5A CN113723557B (zh) | 2021-09-08 | 2021-09-08 | 一种基于多频带时空卷积网络的抑郁脑电分类系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723557A true CN113723557A (zh) | 2021-11-30 |
CN113723557B CN113723557B (zh) | 2023-08-08 |
Family
ID=78682579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111049290.5A Active CN113723557B (zh) | 2021-09-08 | 2021-09-08 | 一种基于多频带时空卷积网络的抑郁脑电分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723557B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114504331A (zh) * | 2022-02-25 | 2022-05-17 | 北京工业大学 | 一种融合cnn和lstm的情绪识别分类方法 |
CN116070141A (zh) * | 2023-04-06 | 2023-05-05 | 博睿康科技(常州)股份有限公司 | 信号检测方法、检测模型、检测设备及应用 |
CN117390543A (zh) * | 2023-10-13 | 2024-01-12 | 上海韶脑传感技术有限公司 | 一种基于fa-cnn的运动想象脑电信号处理方法及fa-cnn模型 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110353702A (zh) * | 2019-07-02 | 2019-10-22 | 华南理工大学 | 一种基于浅层卷积神经网络的情感识别方法及系统 |
CN111568446A (zh) * | 2020-05-28 | 2020-08-25 | 兰州大学 | 结合人口学注意力机制的便携式脑电抑郁检测系统 |
CN113052113A (zh) * | 2021-04-02 | 2021-06-29 | 中山大学 | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 |
-
2021
- 2021-09-08 CN CN202111049290.5A patent/CN113723557B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110353702A (zh) * | 2019-07-02 | 2019-10-22 | 华南理工大学 | 一种基于浅层卷积神经网络的情感识别方法及系统 |
CN111568446A (zh) * | 2020-05-28 | 2020-08-25 | 兰州大学 | 结合人口学注意力机制的便携式脑电抑郁检测系统 |
CN113052113A (zh) * | 2021-04-02 | 2021-06-29 | 中山大学 | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114504331A (zh) * | 2022-02-25 | 2022-05-17 | 北京工业大学 | 一种融合cnn和lstm的情绪识别分类方法 |
CN116070141A (zh) * | 2023-04-06 | 2023-05-05 | 博睿康科技(常州)股份有限公司 | 信号检测方法、检测模型、检测设备及应用 |
CN117390543A (zh) * | 2023-10-13 | 2024-01-12 | 上海韶脑传感技术有限公司 | 一种基于fa-cnn的运动想象脑电信号处理方法及fa-cnn模型 |
Also Published As
Publication number | Publication date |
---|---|
CN113723557B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
CN113723557B (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类系统 | |
CN102835955B (zh) | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 | |
Ahirwal et al. | Power spectrum analysis of EEG signals for estimating visual attention | |
Kamble et al. | A comprehensive survey on emotion recognition based on electroencephalograph (EEG) signals | |
CN107260166A (zh) | 一种实用化在线脑电伪迹剔除方法 | |
Bouallegue et al. | A dynamic filtering DF-RNN deep-learning-based approach for EEG-based neurological disorders diagnosis | |
CN111449644A (zh) | 一种基于时频变换和数据增强技术的生物电信号分类方法 | |
Lopes et al. | Automatic electroencephalogram artifact removal using deep convolutional neural networks | |
CN111544256A (zh) | 基于图卷积和迁移学习的脑控智能全肢体康复方法 | |
CN112806994A (zh) | 一种基于生理信号预测个体压力应对方式的系统和方法 | |
CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及系统 | |
Djamal et al. | Significant variables extraction of post-stroke EEG signal using wavelet and SOM kohonen | |
Islam et al. | Probability mapping based artifact detection and wavelet denoising based artifact removal from scalp EEG for BCI applications | |
CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
Saini et al. | Discriminatory features based on wavelet energy for effective analysis of electroencephalogram during mental tasks | |
Kanna et al. | Smart Detection and Removal of Artifacts in Cognitive Signals Using Biomedical Signal Intelligence Applications | |
Wang et al. | Ecg artifact removal from single-channel surface emg using fully convolutional networks | |
Jung et al. | A review on EEG artifacts and its different removal technique | |
CN111671421A (zh) | 一种基于脑电图的儿童需求感知方法 | |
Alam et al. | Performance evaluation of empirical mode decomposition for EEG artifact removal | |
CN114881089A (zh) | 基于双分支融合模型的抑郁脑电分类方法 | |
Vedavathi et al. | Wavelet transform based neural network model to detect and characterise ECG and EEG signals simultaneously | |
Loza et al. | Unsupervised robust detection of behavioral correlates in ECoG |
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 |