CN114081494B - 一种基于大脑外侧缰核信号的抑郁状态检测系统 - Google Patents

一种基于大脑外侧缰核信号的抑郁状态检测系统 Download PDF

Info

Publication number
CN114081494B
CN114081494B CN202210076261.6A CN202210076261A CN114081494B CN 114081494 B CN114081494 B CN 114081494B CN 202210076261 A CN202210076261 A CN 202210076261A CN 114081494 B CN114081494 B CN 114081494B
Authority
CN
China
Prior art keywords
depression
band
signal
local field
signals
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.)
Active
Application number
CN202210076261.6A
Other languages
English (en)
Other versions
CN114081494A (zh
Inventor
祁玉
王跃明
胡海岚
宋乐
陈敏
许科帝
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210076261.6A priority Critical patent/CN114081494B/zh
Publication of CN114081494A publication Critical patent/CN114081494A/zh
Application granted granted Critical
Publication of CN114081494B publication Critical patent/CN114081494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A61B5/293—Invasive
    • 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
    • A61B5/72—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Psychiatry (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (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)

Abstract

本发明公开了一种基于大脑外侧缰核信号的抑郁状态检测系统，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机存储器中存有训练好的抑郁状态检测模型，抑郁状态检测模型使用多组不同种类的弱分类器构建而成，每个弱分类器从训练集与测试集中构建的子特征空间中选取部分特征值进行训练；计算机处理器执行计算机程序时实现以下步骤：获取大脑外侧缰核信号，输入到训练好的检测模型后，提取每个时间片的高维度特征向量，对每个弱分类器推断的抑郁与非抑郁标签进行统计，采用多数表决制生成每个时间片对应的预测标签。本发明可以提高检测精度，对抑郁症的临床诊断、评估和治疗具有重要意义。

Description

一种基于大脑外侧缰核信号的抑郁状态检测系统
技术领域
本发明涉及脑电信号处理领域，尤其是涉及一种基于大脑外侧缰核信号的抑郁状态检测系统。
背景技术
当前抑郁症患病人群越来越多，其中10%-30%患者因传统治疗方式无效或者效果欠佳而发展成为难治性抑郁症。基于脑机接口的大脑闭环调控技术有望为难治性抑郁患者带来新的治疗手段。该技术的重要一环是基于脑信号的抑郁状态检测，当检测到抑郁状态发生时触发治疗电刺激脑调控，达到抑郁症缓解和治疗效果。
公开号为CN110960233A的中国专利文献公开了一种基于脑电的抑郁状态检测方法及系统，通过采集偶数集导联左、右脑的脑电信号，计算（1）左右脑脑电的Alpha波及其他波段的功率谱差值的时间信息和数值信息，（2）左右脑脑电的Alpha波及其他波段的样本熵差值的时间信息和数值信息，使用这两类信息来确定偏侧性指标和抑郁状态，并构建了一套由采集脑电数据的信号采集设备，数据去噪、分析上述两类信息提取的软硬件模块构成的抑郁状态检测系统，从而客观量化分析人体抑郁状态。但是，该方法计算大脑前额叶左右半脑功率谱差值信息和特定波段样本熵差值信息，确定偏侧性指标和抑郁状态，选用的特征较为单一，很难全面衡量抑郁状态，容易出现误分类的情况。
公开号为CN112617833A的中国专利文献公开了一种基于静息态脑电波检测抑郁症的装置，通过采集62个脑电通道并提取各频带（Delta、Theta、Alpha1、Alpha2、Beta、Gamma波段）上的线性与非线性特征以及功率谱特征；使用包含基于树的特征选择模型及L1范数特征选择模型在内的特征选择装置，选取具有显著性的通道特征作为训练所述预测模型的特征；选用KNN，支持向量机、随机森林、逻辑回归在内的机器学习模型对特征及对应的标签进行训练；将待检测体检测结果进行反馈显示。但是，该装置使用脑电帽采集头皮脑电，属于非侵入式信号采集方式，信号源定位不准确，且伪迹较多，信号质量不如侵入式信号采集方式，导致在信号处理过程中很难去除噪声和伪迹的影响，进而直接影响分类准确率；且在模型训练过程中使用多种分类器分别进行训练，取测试效果最优者作为最终的分类器，单一模型无法有效捕捉多通道脑电特征的内在联系，进而无法有效提升分类正确率。
发明内容
本发明提供了一种基于大脑外侧缰核信号的抑郁状态检测系统，旨在为基于闭环脑机接口调控的抑郁治疗技术提供抑郁状态指征，检测精度高，对于抑郁症的临床诊断、评估和治疗具有重要意义。
一种基于大脑外侧缰核信号的抑郁状态检测系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有训练好的抑郁状态检测模型，所述抑郁状态检测模型的训练过程如下：
（1）获取同一抑郁对象的两组大脑外侧缰核信号数据，每组数据包含一个负样本数据段和一个正样本数据段；
其中，负样本数据为抑郁状态，正样本数据为非抑郁状态，每组数据中的数据段包含相同的多个局部场电位（LFP）通道和锋电位（Spike）通道数据，两组数据中选取一组数据作为初始训练集，另一组为初始测试集；
（2）计算训练集中各个锋电位通道在正样本数据段和负样本数据段中的簇状放电数量的比值大小，选取比值小于固定阈值的锋电位通道对应的电极通道编号；根据选取的电极通道编号，从初始训练集与初始测试集分别选出对应通道编号的局部场电位通道数据，分别记为筛选后的训练集X与测试集Y；
（3）通过滑动时间窗，将训练集X与测试集Y中局部场电位通道的正负样本数据段划分为连续时间若干时间片；
（4）提取步骤（3）训练集X与测试集中局部场电位通道的每个时间片，提取功率谱、功率谱熵、相-幅耦合、样本熵、樋口分形维数，分别构成对应的特征向量,并将这些特征向量拼接组成一个高维度特征向量，代表当前时间片对应的特征向量，高维度特征向量的维度为k；设时间片数为n，每个数据段将得到一个n*k的特征矩阵；
（5）基于方差分析的方法从维度为k的高维度特征向量中选取s个特征值，构建子特征空间；
（6）使用多组不同种类的弱分类器构建一个抑郁状态检测模型，每个弱分类器独立且随机从步骤（5）中生成的子特征空间中选取部分特征值进行训练；
所述计算机处理器执行所述计算机程序时实现以下步骤：获取待检测的大脑外侧缰核信号，输入到训练好的抑郁状态检测模型后，提取每个时间片的高维度特征向量，对每个弱分类器推断的抑郁与非抑郁标签进行统计，采用多数表决制生成每个时间片对应的预测标签。
优选地，步骤（1）中，负样本数据段和正样本数据段的记录时长均为500秒，采样率为1KHz。
优选地，步骤（3）中，在进行划分前，首先对各个局部场电位通道的正负样本数据段进行工频滤波处理，过滤工频噪声，然后将工频滤波后的信号进行带通滤波，得到滤波后的局部场电位信号。
进一步地，步骤（4）中，所述的功率谱通过对信号进行傅里叶变换后求平方得到。
优选地，在每个时间片中，提取0.5~4Hz的Delta波段、4~8Hz的Theta波段、8~13Hz的Alpha波段、13~30Hz 的Beta波段、30~70Hz 的Gamma波段、70~150Hz的High Gamma波段共六个频段的功率谱；每个时间片中每个局部场电位通道获得六个功率谱特征。
步骤（4）中，所述功率谱熵的提取过程为：
对局部场电位信号使用多窗口法（Multitaper method，简称MTM法）计算信号的功率谱
Figure 352886DEST_PATH_IMAGE001
，然后对功率谱进行归一化处理，最后根据香农信息熵公式计算经归一化处理后功率谱的熵值。
步骤（6）中，使用支持向量机、逻辑斯蒂回归和多层感知机这三个弱分类器构建一个集成的抑郁状态检测模型。
与现有技术相比，本发明具有以下有益效果：
1、现有研究认为大脑外侧缰核组织的异常放电与抑郁症发作是密切相关的，所以该区域局部场电位与锋电位信号可以用于抑郁症分类。本发明中原始信号使用侵入式电极采集得到，各类噪声干扰较少，便于信号分析与提取特征，侵入式电极被植入脑区后可以在较长时间段内稳定获取局部场电位信号，结合本发明中提出的分类模型，可以实现抑郁状态实时检测与分析。
2、本发明通过分析比较锋电位簇状放电情况选取分类所用局部场电位通道，可以有效提升分类正确率。
3、本发明选用多种线性与非线性局部场电位特征，多维度捕捉局部场电位信号的时空特征，有效提升分类的正确率，降低误分类概率。
4、本发明随机选取多维特征、选用多种类分类器构建基于投票机制的分类模型，可以提升分类器鲁棒性；模型训练较为简单，无需进行多轮反复最优化参数搜索；模型训练评价指标F1-Score和ROC_AUC较单一模型测试结果有一定程度增长。
附图说明
图1为本发明实施例中外侧缰核区域脑电信号通道选择与预处理、特征提取、模型训练与测试三阶段的流程示意图。
图2为本发明实施例中抑郁状态检测模型的结构示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
本实例使用C57BL/6小鼠经抑郁造模得到抑郁小鼠模型。原始脑电信号采用Plexon Inc公司的记录设备，原始信号包含16个通道，采样率为40KHz。将16根电极植入C57BL/6小鼠外侧缰核部位，一个原始信号通道可以分离出零至多个锋电位通道信号与一个局部场电位通道信号；锋电位通道信号使用Plexon Offline Sorter软件得到SpikeSort序列；局部场电位通道信号由原始脑电信号低通滤波至500Hz然后以1KHz采样率进行重采样得到；两者最终合并保存为.mat格式文件，以上为原始数据预处理步骤。间隔多日分两次给小鼠注射短效抗抑郁药物，分别记录注射前10~15分钟与注射药物后240分钟小鼠的脑电数据，经预处理及专家标注方式筛选出两组注射药物前后的脑电数据（选取两次记录信号均无明显噪声的通道，注射药物前为负样本数据，注射药物后为正样本数据，负样本数据时长500秒，正样本数据时长500秒）。将两次注射药物可获得两组正负样本数据，随机选取一组数据集作为训练集，另一组数据集作为测试集。
一种基于大脑外侧缰核信号的抑郁状态检测系统，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机存储器中存有训练好的抑郁状态检测模型。
如图1所示，抑郁状态检测模型的训练过程如下：
（1）获取同一抑郁模型小鼠两组数据，每组数据包含一个负样本数据段与一个正样本数据段（抑郁状态为负样本数据，非抑郁状态为正样本数据，每组数据中数据段包含相同的多个局部场电位通道和锋电位通道数据）；两组数据中选取一组数据作为训练集，另一组为测试集。
训练集与测试集各自拥有一段正样本数据段和一段负样本数据段，正负样本数据段记录时长均为500秒，采样率为1KHz，包含经过专家预处理与挑选的多组锋电位通道时间戳序列和局部场电位连续电压信号。
（2）计算步骤（1）中训练集的各个锋电位通道在正负样本中的簇状放电数量的比值大小，选取比值小于固定阈值的锋电位通道对应的电极通道编号；根据所选取电极通道编号，从步骤（1）中训练集与测试集分别选出对应通道编号的局部场电位通道数据，分别记为训练集X与测试集Y。
具体操作流程为计算训练集中各个锋电位通道在正负样本（时长均为500秒）的锋电位簇状放电数量，计算正样本中簇状放电个数与负样本中簇状放电个数比值，选出比值小于固定阈值的电极通道编号。
将训练集中已选取的电极通道编号与测试集中电极通道编号进行交集运算，选出电极通道编号
Figure 738868DEST_PATH_IMAGE002
。根据上述电极通道编号分别从训练集和测试集中选取对应的局部场电位通道信号，分别组成训练集X与测试集Y。
（3）通过滑动时间窗，将步骤（2）训练集X与测试集Y中局部场电位通道的正负样本数据段划分为连续时间若干时间片。
具体来说，首先对各个局部场电位通道正负样本信号进行带陷滤波处理，过滤工频噪声（50Hz及其倍频），然后将工频滤波后的信号带通滤波（0.5~250Hz）得到滤波后的局部场电位信号。然后将滤波后的局部场电位信号（正负样本时长均为500秒）以长度为50秒，步长为25秒的滑动时间窗进行分割，得到若干段长度为50秒的时间片并标记为正样本或负样本时间片。因此，数据集X与数据集Y各自包含19个正样本时间片和19个负样本时间片，每个时间片包含多个局部场电位通道信号。
（4）提取步骤（3）中训练与测试数据集中局部场电位通道的每个时间片，提取功率谱、功率谱熵、相-幅耦合、样本熵、樋口分形维数，分别构成对应的特征向量,并将这些特征向量拼接组成一个高维度特征向量，代表当前时间片对应的特征向量，高维度特征向量的维度为k；设时间片数为n，每个数据段将得到一个n*k的特征矩阵。
（4-1）功率谱特征：功率谱反应了脑电信号的功率随频率的变化。功率谱通过对信号进行傅里叶变换，然后求平方得到。其中对于包含N个点的信号s，傅立叶变换公式为：
Figure 987447DEST_PATH_IMAGE003
上式得到的
Figure 851498DEST_PATH_IMAGE004
是经过离散傅里叶变换后的结果，对变换后的结果求平方，便能得到功率谱：
Figure 134712DEST_PATH_IMAGE005
得到的功率谱
Figure 915762DEST_PATH_IMAGE006
表征了每个频段的功率，在一定频段范围内求和，可得到该频段范围的功率。得到特征后，我们对功率谱特征取对数，以降低不同频段之间功率的差异：
Figure 185725DEST_PATH_IMAGE007
本实施例中，取Delta波段（0.5~4Hz）、Theta波段(4~8Hz)、Alpha波段(8~13Hz)、Beta波段(13~30Hz)、Gamma波段(30~70Hz)、High Gamma波段(70~150Hz)共六个频段的功率谱特征。每个时间片中每个局部场电位通道可获得六个功率谱特征可组成一个功率谱特征向量，多个局部场电位通道的功率谱特征向量按照电极通道编号顺序从小到大依次拼接成一个功率谱特征向量。
（4-2）功率谱熵特征：功率谱熵是一种信息熵，能够量化不确定性系统的频谱复杂度。对局部场电位信号使用多窗口法计算信号的功率谱
Figure 853467DEST_PATH_IMAGE006
，然后对功率谱进行归一化处理(nyq为奈奎斯特频率)：
Figure 991187DEST_PATH_IMAGE008
根据香农信息熵公式计算经归一化处理后功率谱的熵值：
Figure 453392DEST_PATH_IMAGE009
一个时间片内单个局部场电位通道的功率谱熵为一个标量值，故将各个局部场电位通道的功率谱熵按照电极通道编号从小到大依次拼接成个功率谱熵特征向量。
（4-3）相-幅耦合特征：相-幅耦合特征反映局部场电位信号中高频信号分量的振幅被低频信号分量相位调制的程度大小。首先通过带通滤波方式从原始局部场电位信号
Figure 676563DEST_PATH_IMAGE010
中得到特定低频波段的时域信号
Figure 616837DEST_PATH_IMAGE011
与特定高频波段的时域信号
Figure 609064DEST_PATH_IMAGE012
；然后通过希尔伯特变换获得
Figure 6285DEST_PATH_IMAGE011
的相位信息
Figure 716752DEST_PATH_IMAGE013
，最后通过希尔伯特变换获得
Figure 195138DEST_PATH_IMAGE012
的振幅包络
Figure 307450DEST_PATH_IMAGE014
，将相位
Figure 692818DEST_PATH_IMAGE013
序列与振幅包络
Figure 890581DEST_PATH_IMAGE014
序列组合成一组时间序列
Figure 438237DEST_PATH_IMAGE015
，
Figure 139477DEST_PATH_IMAGE016
,
Figure 379966DEST_PATH_IMAGE017
为序列长度。
将相位
Figure 695716DEST_PATH_IMAGE018
等间距分成18个桶。根据相位
Figure 781484DEST_PATH_IMAGE013
计算桶编号
Figure 602810DEST_PATH_IMAGE019
，公式为：
Figure 748620DEST_PATH_IMAGE020
然后将振幅包络
Figure 153931DEST_PATH_IMAGE021
累加到相应桶中，公式为：
Figure 43390DEST_PATH_IMAGE022
最后每个桶分别求取均值得到
Figure 984801DEST_PATH_IMAGE023
，公式为：
Figure 301513DEST_PATH_IMAGE024
下面是三个步骤的总过程：
Figure 102110DEST_PATH_IMAGE025
其中，
Figure 968828DEST_PATH_IMAGE026
表示根据相位值求桶编号
Figure 499167DEST_PATH_IMAGE027
Figure 252359DEST_PATH_IMAGE028
然后对
Figure 868148DEST_PATH_IMAGE029
进行归一化处理得到
Figure 364989DEST_PATH_IMAGE030
，并计算KL散度
Figure 15413DEST_PATH_IMAGE031
：
Figure 673927DEST_PATH_IMAGE032
Figure 42592DEST_PATH_IMAGE033
，
其中，
Figure 77544DEST_PATH_IMAGE034
表示离散均匀分布，
Figure 582474DEST_PATH_IMAGE035
；
最终计算得到相-幅耦合值
Figure 146311DEST_PATH_IMAGE036
:
Figure 2271DEST_PATH_IMAGE037
选择相位频率范围为Theta波段（4~8Hz），幅值频率范围为Gamma波段（30~70Hz）为计算参数，依次计算单个时间片中多个局部场电位通道的相-幅耦合值，按照上述功率谱熵特征值拼接方法得到一个相-幅耦合向量。
（4-4）样本熵特征：样本熵是近似熵的一个改进算法，用于评估脑电时间序列信号的复杂程度，计算公式如下：
给定
Figure 280062DEST_PATH_IMAGE017
个样本点的时间序列
Figure 639500DEST_PATH_IMAGE038
，选取
Figure 905396DEST_PATH_IMAGE039
组向量
Figure 717494DEST_PATH_IMAGE040
，其中
Figure 359828DEST_PATH_IMAGE041
。
选定一个阈值参数
Figure 806728DEST_PATH_IMAGE042
,
Figure 977946DEST_PATH_IMAGE043
为时间序列
Figure 542919DEST_PATH_IMAGE044
的标准差。
计算两个向量
Figure 192207DEST_PATH_IMAGE045
与
Figure 526236DEST_PATH_IMAGE046
之间的距离
Figure 133935DEST_PATH_IMAGE047
；
给定向量
Figure 433809DEST_PATH_IMAGE045
，计算该向量与其他向量
Figure 152366DEST_PATH_IMAGE048
的距离
Figure 606481DEST_PATH_IMAGE049
小于给定阈值
Figure 385081DEST_PATH_IMAGE050
的向量个数
Figure 924647DEST_PATH_IMAGE051
，
Figure 181316DEST_PATH_IMAGE052
(当
Figure 489938DEST_PATH_IMAGE053
时
Figure 937974DEST_PATH_IMAGE054
，否则为0)。然后，对于每个
Figure 997459DEST_PATH_IMAGE055
进行min-max归一化
Figure 57819DEST_PATH_IMAGE056
；
定义
Figure 220947DEST_PATH_IMAGE057
，其公式如下：
Figure 810192DEST_PATH_IMAGE058
将原先的m维度增加至m+1维，重复上述步骤，得到
Figure 58770DEST_PATH_IMAGE059
和
Figure 922821DEST_PATH_IMAGE060
：
Figure 176341DEST_PATH_IMAGE061
最后，样本熵可由如下公式计算获得：
Figure 733225DEST_PATH_IMAGE062
本实例中将每个50秒长时间片的时间片（默认不进行滤波处理，亦可选择对特定波段进行带通滤波，如Gamma波段）使用窗长为5秒，步长为2.5秒的滑动窗口方式，划分成19个子时间片，分别计算这19个子时间片样本熵,（m值取3，g值取0.2），最后求取均值作为该时间片中单个局部场电位通道的样本熵值。按照上述功率谱熵特征值拼接方法得到一个样本熵向量。
（4-5）樋口分形维数（HFD）特征：HFD用于计算时间序列信号的分形维度。其计算过程如下所示：
给定N个样本点的时间序
Figure 469100DEST_PATH_IMAGE063
,N为时间序列长度。从序列
Figure 871262DEST_PATH_IMAGE044
中选取k组子序列
Figure 743403DEST_PATH_IMAGE064
:
Figure 205608DEST_PATH_IMAGE065
，
Figure 864998DEST_PATH_IMAGE066
,
Figure 70851DEST_PATH_IMAGE067
为向下取整符号，
Figure 797499DEST_PATH_IMAGE068
，k是固定常数；
计算每组子序列的“长度”
Figure 682803DEST_PATH_IMAGE069
：
Figure 596532DEST_PATH_IMAGE070
HFD值是上述k组子序列
Figure 839032DEST_PATH_IMAGE064
“长度”
Figure 951345DEST_PATH_IMAGE069
的均值：
Figure 489773DEST_PATH_IMAGE071
本实例中将每个50秒长时间片的时间片（默认不进行滤波处理，亦可选择对特定波段进行带通滤波，如Gamma波段）使用窗长为5秒，步长为2.5秒的滑动窗口方式，划分成19个子时间片，分别计算这19个子时间片樋口分形维数（k值取32），最后求取均值作为该时间片中单个局部场电位通道的樋口分形维数。按照上述功率谱熵特征值拼接方法得到一个樋口分形维数向量。
因此，本实例中训练集或测试集中包含一正一负共两个数据段，每个数据段包含19个时间片，每个时间片中的单通道局部场电位信号包含以上5类特征共10个特征值。假设步骤（2）中选取了10个电极通道，则每个数据段的特征矩阵的维度为19*100。
（5）使用统计假设检验的方法检验步骤（4）中训练集各个时间片提取的特征项是否在不同标签之间存在显著性差异，计算每个特征值的卡方检验P值，如
Figure 687537DEST_PATH_IMAGE072
（s为原有特征项个数）。将其进行升序排序，得到P值序列
Figure 969613DEST_PATH_IMAGE073
，依次选取
Figure 936432DEST_PATH_IMAGE074
对应的特征项，构建训练集子特征矩阵
Figure 401088DEST_PATH_IMAGE075
，其维数为
Figure 820568DEST_PATH_IMAGE076
，N代表时间片个数，t代表特征项个数；训练集中同样按照P值序列
Figure 171915DEST_PATH_IMAGE077
，依次选取
Figure 868606DEST_PATH_IMAGE078
对应的特征项，构建测试集子特征矩阵
Figure 778531DEST_PATH_IMAGE079
。
（6）使用多组不同种类的弱分类器构建抑郁状态检测模型，每个弱分类器独立且随机从步骤（5）中生成的子特征空间中选取部分特征值进行训练。模型推断阶段，对于每个时间片提取的高维度特征向量各个弱分类器独立生成预测标签（抑郁与非抑郁标签），然后采用多数表决制生成该时间片对应的预测标签，如图2所示。
具体来说，分别选择支持向量机、逻辑斯蒂回归、多层感知机三种模型，每种模型包含n个初始化参数独立的模型实例，分别记作
Figure 357411DEST_PATH_IMAGE080
;
Figure 981291DEST_PATH_IMAGE081
;
Figure 922702DEST_PATH_IMAGE082
，在本实例中n取5。
每个实例模型在训练时使用随机子空间方法独立地从步骤（5）中子特征矩阵M（特征项依次编号为
Figure 475299DEST_PATH_IMAGE083
）中选取q个特征项输入到模型中进行模型参数学习。每个模型都保存有其选取的q个特征项对应的特征编号。
测试集验证阶段，每个实例模型按照其保存的q个特征项编号从步骤（6）中测试集子特征向量
Figure 869371DEST_PATH_IMAGE079
中选取q个对应的特征项，将其送入实例模型中进行分类预测（抑郁标签与非抑郁标签）。最终，这15个实例模型分类预测结果按多数表决制的方式输出分类预测标签，即
Figure 562521DEST_PATH_IMAGE084
为非抑郁标签，否则为抑郁标签，
Figure 358439DEST_PATH_IMAGE085
为实例模型预测标签结果，0为抑郁标签，1为非抑郁标签。
本实例选用两个数据集（分别是数据集X与数据集Y），每个数据集中包含19个抑郁时间片（标记为负样本）与19个非抑郁时间片（标记为正样本）。通过步骤（5）选取40个特征项目，然后步骤（6）中每个弱分类器再独立且随机从上述40个特征项中随机选取20个特征项，每个弱分类器初始参数随机初始化，训练轮数与学习率等超参数保持固定不变，使用一个数据集进行训练，另一个数据集进行测试的F1-Score分值（
Figure 954374DEST_PATH_IMAGE086
）结果如下（共进行200轮训练-测试），下表1是未使用步骤（2）进行局部场电位通道选择的结果，下表2是使用步骤（2）进行局部场电位通道选择的结果。
表1
Figure 963306DEST_PATH_IMAGE088
表2
Figure 928988DEST_PATH_IMAGE090
从上述测试结果可知，使用步骤（2）筛选局部场电位通道可以显著提升抑郁状态分类正确率。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于大脑外侧缰核信号的抑郁状态检测系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机存储器中存有训练好的抑郁状态检测模型，所述抑郁状态检测模型的训练过程如下：
（1）获取同一抑郁对象的两组大脑外侧缰核信号数据，每组数据包含一个负样本数据段和一个正样本数据段；
其中，负样本数据为抑郁状态，正样本数据为非抑郁状态，每组数据中的数据段包含相同的多个局部场电位通道和锋电位通道数据，两组数据中选取一组数据作为初始训练集，另一组为初始测试集；
（2）计算训练集中各个锋电位通道在正样本数据段和负样本数据段中的簇状放电数量的比值大小，选取比值小于固定阈值的锋电位通道对应的电极通道编号；将训练集中已选取的电极通道编号与测试集中电极通道编号进行交集运算，选出最终的电极通道编号；根据选出的电极通道编号，从初始训练集与初始测试集分别选出对应通道编号的局部场电位通道数据，分别记为筛选后的训练集X与测试集Y；
（3）通过滑动时间窗，将训练集X与测试集Y中局部场电位通道的正负样本数据段划分为连续时间若干时间片；
（4）提取步骤（3）训练集X与测试集中局部场电位通道的每个时间片，提取功率谱、功率谱熵、相-幅耦合、样本熵、樋口分形维数，分别构成对应的特征向量，并将这些特征向量拼接组成一个高维度特征向量，代表当前时间片对应的特征向量，高维度特征向量的维度为k；设时间片数为n，每个数据段将得到一个n*k的特征矩阵；
（5）基于方差分析的方法从维度为k的高维度特征向量中选取s个特征值，构建子特征空间；
（6）使用多组不同种类的弱分类器构建一个抑郁状态检测模型，每个弱分类器独立且随机从步骤（5）中生成的子特征空间中选取部分特征值进行训练；
所述计算机处理器执行所述计算机程序时实现以下步骤：获取待检测的大脑外侧缰核信号，输入到训练好的抑郁状态检测模型后，提取每个时间片的高维度特征向量，对每个弱分类器推断的抑郁与非抑郁标签进行统计，采用多数表决制生成每个时间片对应的预测标签。
2.根据权利要求1所述的基于大脑外侧缰核信号的抑郁状态检测系统，其特征在于，步骤（4）中，所述的功率谱通过对信号进行傅里叶变换后求平方得到。
3.根据权利要求2所述的基于大脑外侧缰核信号的抑郁状态检测系统，其特征在于，在每个时间片中，提取0.5~4Hz的Delta波段、4~8Hz的Theta波段、8~13Hz的Alpha波段、13~30Hz 的Beta波段、30~70Hz 的Gamma波段、70~150Hz的High Gamma波段共六个频段的功率谱；每个时间片中每个局部场电位通道获得六个功率谱特征。
4.根据权利要求1所述的基于大脑外侧缰核信号的抑郁状态检测系统，其特征在于，步骤（4）中，所述功率谱熵的提取过程为：
对局部场电位信号使用多窗口法计算信号的功率谱
Figure DEST_PATH_IMAGE001
，然后对功率谱进行归一化处理，最后根据香农信息熵公式计算经归一化处理后功率谱的熵值。
5.根据权利要求1所述的基于大脑外侧缰核信号的抑郁状态检测系统，其特征在于，步骤（4）中，所述相-幅耦合的提取过程为：
首先通过带通滤波方式从原始局部场电位信号
Figure 105862DEST_PATH_IMAGE002
中得到特定低频波段的时域信号
Figure DEST_PATH_IMAGE003
与特定高频波段的时域信号
Figure 147636DEST_PATH_IMAGE004
；然后通过希尔伯特变换获得
Figure 865056DEST_PATH_IMAGE003
的相位信息
Figure DEST_PATH_IMAGE005
；最后通过希尔伯特变换获得
Figure 620785DEST_PATH_IMAGE004
的振幅包络
Figure 622108DEST_PATH_IMAGE006
，将相位
Figure 382254DEST_PATH_IMAGE005
序列与振幅包络序列组合成一组时间序列
Figure DEST_PATH_IMAGE007
，
Figure 272456DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
为序列长度；
将相位
Figure 861569DEST_PATH_IMAGE010
等间距分成18个桶，并进行如下运算：
Figure DEST_PATH_IMAGE011
，
其中：
Figure DEST_PATH_IMAGE013
，
Figure DEST_PATH_IMAGE015
，
然后对
Figure 281180DEST_PATH_IMAGE016
进行归一化处理，并计算KL散度：
Figure 983467DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
，
其中，
Figure 862430DEST_PATH_IMAGE020
，
最终计算得到相-幅耦合值：
Figure 537125DEST_PATH_IMAGE022
，
选择相位频率范围为4~8Hz 的Theta波段，幅值频率范围为30~70Hz的Gamma波段为计算参数，依次计算单个时间片中多个局部场电位通道的相-幅耦合值。
6.根据权利要求1所述的基于大脑外侧缰核信号的抑郁状态检测系统，其特征在于，步骤（6）中，使用支持向量机、逻辑斯蒂回归和多层感知机这三个弱分类器构建一个集成的抑郁状态检测模型。
CN202210076261.6A 2022-01-21 2022-01-21 一种基于大脑外侧缰核信号的抑郁状态检测系统 Active CN114081494B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210076261.6A CN114081494B (zh) 2022-01-21 2022-01-21 一种基于大脑外侧缰核信号的抑郁状态检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210076261.6A CN114081494B (zh) 2022-01-21 2022-01-21 一种基于大脑外侧缰核信号的抑郁状态检测系统

Publications (2)

Publication Number Publication Date
CN114081494A CN114081494A (zh) 2022-02-25
CN114081494B true CN114081494B (zh) 2022-05-06

Family

ID=80309170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210076261.6A Active CN114081494B (zh) 2022-01-21 2022-01-21 一种基于大脑外侧缰核信号的抑郁状态检测系统

Country Status (1)

Country Link
CN (1) CN114081494B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925734B (zh) * 2022-07-20 2022-11-25 浙江大学 一种基于神经拟态计算的在线神经元分类方法
CN115381467B (zh) * 2022-10-31 2023-03-10 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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107157477A (zh) * 2017-05-24 2017-09-15 上海交通大学 脑电信号特征识别系统及方法
CN108427929A (zh) * 2018-03-19 2018-08-21 兰州大学 一种基于静息态脑网络的抑郁识别分析系统
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
CN109363670A (zh) * 2018-11-13 2019-02-22 杭州电子科技大学 一种基于睡眠监测的抑郁症智能检测方法
CN110881975A (zh) * 2019-12-24 2020-03-17 山东中科先进技术研究院有限公司 一种基于脑电信号的情感识别方法及系统
CN111310570A (zh) * 2020-01-16 2020-06-19 山东师范大学 一种基于vmd和wpd的脑电信号情感识别方法及系统
CN112617833A (zh) * 2020-12-21 2021-04-09 首都医科大学 一种基于静息态脑电波检测抑郁症的装置
CH716863A2 (de) * 2019-11-22 2021-05-31 Univ Lanzhou Depressionserkennungssystem basierend auf einer unter Verwendung von Trainingssätzen getroffenen Kanalauswahl von Mehrkanal-Elektroenzephalographie.
CN112932502A (zh) * 2021-02-02 2021-06-11 杭州电子科技大学 结合互信息通道选择与混合神经网络的脑电情感识别方法
CN113100781A (zh) * 2021-04-09 2021-07-13 浙江象立医疗科技有限公司 基于脑电耦合关系的术中伤害刺激反应性监测系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102247137B (zh) * 2010-05-19 2013-06-19 中国科学院电子学研究所 基于微电极阵列的多通道神经信息检测系统
CN102172326B (zh) * 2011-01-24 2012-11-07 北京航空航天大学 基于非线性能量运算的脑电峰电位检测电路及其构造方法
CN105147248B (zh) * 2015-07-30 2019-02-05 华南理工大学 基于生理信息的抑郁症评估系统及其评估方法
US11219400B2 (en) * 2016-03-04 2022-01-11 Brainsview Inc. System, process, and devices for real-time brain monitoring
WO2020010320A1 (en) * 2018-07-05 2020-01-09 The Platypus Institute, Inc. Identifying and strengthening physiological/neurophysiological states predictive of superior performance
CN109770897A (zh) * 2019-03-11 2019-05-21 华南师范大学 一种脑电棘波的处理识别方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107157477A (zh) * 2017-05-24 2017-09-15 上海交通大学 脑电信号特征识别系统及方法
CN108427929A (zh) * 2018-03-19 2018-08-21 兰州大学 一种基于静息态脑网络的抑郁识别分析系统
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
CN109363670A (zh) * 2018-11-13 2019-02-22 杭州电子科技大学 一种基于睡眠监测的抑郁症智能检测方法
CH716863A2 (de) * 2019-11-22 2021-05-31 Univ Lanzhou Depressionserkennungssystem basierend auf einer unter Verwendung von Trainingssätzen getroffenen Kanalauswahl von Mehrkanal-Elektroenzephalographie.
CN110881975A (zh) * 2019-12-24 2020-03-17 山东中科先进技术研究院有限公司 一种基于脑电信号的情感识别方法及系统
CN111310570A (zh) * 2020-01-16 2020-06-19 山东师范大学 一种基于vmd和wpd的脑电信号情感识别方法及系统
CN112617833A (zh) * 2020-12-21 2021-04-09 首都医科大学 一种基于静息态脑电波检测抑郁症的装置
CN112932502A (zh) * 2021-02-02 2021-06-11 杭州电子科技大学 结合互信息通道选择与混合神经网络的脑电情感识别方法
CN113100781A (zh) * 2021-04-09 2021-07-13 浙江象立医疗科技有限公司 基于脑电耦合关系的术中伤害刺激反应性监测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An Optimal Channel Selection for EEG-Based Depression Detection via Kernel-Target Alignment;Jian Shen;《 IEEE Journal of Biomedical and Health Informatics 》;20201218;第2545 - 2556页 *
Depression Analysis and Recognition based on Functional Near-infrared Spectroscopy;Rui Wang;《IEEE journal of biomedical and health informatics》;20210130;第4289-4299页 *
抑郁症的大脑灰质结构及网络拓扑研究;王韬;《中国博士学位论文全文数据库（医药卫生科技辑）》;20170215;第E071-42页 *

Also Published As

Publication number Publication date
CN114081494A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
Khare et al. SPWVD-CNN for automated detection of schizophrenia patients using EEG signals
Jiang et al. Robust sleep stage classification with single-channel EEG signals using multimodal decomposition and HMM-based refinement
Wang et al. Detection analysis of epileptic EEG using a novel random forest model combined with grid search optimization
Samiee et al. Epileptic seizure detection in long-term EEG records using sparse rational decomposition and local Gabor binary patterns feature extraction
Chen et al. Epileptic focus localization using discrete wavelet transform based on interictal intracranial EEG
CN109934089B (zh) 基于监督梯度提升器的多级癫痫脑电信号自动识别方法
CN114081494B (zh) 一种基于大脑外侧缰核信号的抑郁状态检测系统
Sharanreddy et al. EEG signal classification for epilepsy seizure detection using improved approximate entropy
Anuragi et al. Automated FBSE-EWT based learning framework for detection of epileptic seizures using time-segmented EEG signals
Satapathy et al. Machine learning with ensemble stacking model for automated sleep staging using dual-channel EEG signal
CN111956221B (zh) 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法
Bagheri et al. A fast machine learning approach to facilitate the detection of interictal epileptiform discharges in the scalp electroencephalogram
Torres-Castillo et al. Neuromuscular disorders detection through time-frequency analysis and classification of multi-muscular EMG signals using Hilbert-Huang transform
CN110598676B (zh) 基于置信度得分模型的深度学习手势肌电信号识别方法
Jadhav et al. Automated sleep stage scoring using time-frequency spectra convolution neural network
Jain et al. Reliable sleep staging of unseen subjects with fusion of multiple EEG features and RUSBoost
Wijayanto et al. Seizure detection based on EEG signals using katz fractal and SVM classifiers
Wan et al. Single-channel EEG-based machine learning method for prescreening major depressive disorder
Zhang et al. Patient-specific seizure prediction from scalp EEG using vision transformer
Peng et al. Personalized feature selection for wearable eeg monitoring platform
Chu et al. An enhanced EEG microstate recognition framework based on deep neural networks: an application to Parkinson's disease
Ranjan et al. A machine learning framework for automatic diagnosis of schizophrenia using EEG signals
Bagheri et al. Classifier cascade to aid in detection of epileptiform transients in interictal EEG
Steinmetz Comparison of combined spike detection and clustering using mutual information
Singh et al. A study on sleep stage classification based on a single-channel EEG signal

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