CN114209320A - 一种基于图互信息最大化的抑郁症患者脑电识别系统 - Google Patents
一种基于图互信息最大化的抑郁症患者脑电识别系统 Download PDFInfo
- Publication number
- CN114209320A CN114209320A CN202111362136.3A CN202111362136A CN114209320A CN 114209320 A CN114209320 A CN 114209320A CN 202111362136 A CN202111362136 A CN 202111362136A CN 114209320 A CN114209320 A CN 114209320A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- graph
- training
- maximization
- feature
- 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
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 10
- 230000000994 depressogenic effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 210000004556 brain Anatomy 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 claims 1
- 238000002203 pretreatment Methods 0.000 claims 1
- 208000024714 major depressive disease Diseases 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000000284 resting effect Effects 0.000 description 3
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 206010012374 Depressed mood Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000004180 red 2G Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis 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]
- 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)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Educational Technology (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (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
本发明提供了一种基于图互信息最大化的抑郁症患者脑电识别系统，包括：数据获取模块，被配置为：获取待识别的脑电信号并进行预处理；特征提取模块，被配置为：根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；抑郁症识别模块，被配置为：根据获取的特征向量和预设分类模型，得到抑郁症识别结果；其中，预设特征提取模型的训练，包括：根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部‑全局互信息最大化的对比学习训练图卷积神经网络的输出层；本发明利用图互信息最大化方法，充分利用了多通道信号及其相关性，实现了基于MDD脑电信号的更准确的抑郁症识别。
Description
技术领域
本发明涉及医疗数据处理技术领域，特别涉及一种基于图互信息最大化的抑郁症患者脑电识别系统。
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，并不必然构成现有技术。
重度抑郁症(Major Depressive Disorder，MDD)是一种常见的精神疾病，其特征是持续的情绪低落，快感不足，悲伤和认知障碍，严重影响人们的生活质量。
目前，功能性磁共振成像(functional Magnetic Resonance Imaging，fMRI)、脑电图(Electroencephalogram，EEG)、脑磁图(Magnetoencephalography，MEG)等不同的神经生理学技术被广泛应用于评估MDD静息状态下的脑功能连接模式。特别是脑电图，由于其高时间分辨率、无创、相对低成本、便携性和实用性的优势，有潜力成为识别MDD振荡活动细微变化的有效生物标志物。
在实现本发明的过程中，发明人发现现有技术中存在以下技术问题：
由于抑郁患者脑电的形式非常复杂，抑郁患者的识别仍然存在很多困难，现有的方法大多专注于独立分析每个通道的数据，很少分析信号之间的关系，不能完全利用丰富的数据信息，并且现有的方法识别准确度较低。
发明内容
为了解决现有技术的不足，本发明提供了一种基于图互信息最大化的抑郁症患者脑电识别系统，利用图互信息最大化方法，充分利用了多通道信号及其相关性，实现了基于MDD脑电信号的更准确的抑郁症识别。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面提供了一种基于图互信息最大化的抑郁症患者脑电识别系统，包括：
数据获取模块，被配置为：获取待识别的脑电信号并进行预处理；
特征提取模块，被配置为：根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；
抑郁症识别模块，被配置为：根据获取的特征向量和预设分类模型，得到抑郁症识别结果；
其中，预设特征提取模型的训练，包括：
根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部-全局互信息最大化的对比学习训练图卷积神经网络的输出层。
本发明第二方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如下步骤：
获取待识别的脑电信号并进行预处理；
根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；
根据获取的特征向量和预设分类模型，得到抑郁症识别结果；
其中，预设特征提取模型的训练，包括：
根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部-全局互信息最大化的对比学习训练图卷积神经网络的输出层。
本发明第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如下步骤：
获取待识别的脑电信号并进行预处理；
根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；
根据获取的特征向量和预设分类模型，得到抑郁症识别结果；
其中，预设特征提取模型的训练，包括：
根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部-全局互信息最大化的对比学习训练图卷积神经网络的输出层。
与现有技术相比，本发明的有益效果是：
1、本发明所述的基于图互信息最大化的抑郁症患者脑电识别系统，利用图互信息最大化方法，充分利用了多通道信号及其相关性，实现了基于MDD脑电信号的更准确的抑郁症识别。
2、本发明所述的GCNs-MI模型创新性地将图互信息最大化方法结合预训练方法引入到抑郁脑电图识别任务中；利用GCN模型的优点学习多通道脑电信号的相关性，然后通过对比学习和图互信息最大化来学习更好的脑电特征表示。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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为本发明实施例1提供的基于图互信息最大化的抑郁症患者脑电识别系统的工作方法流程图。
图2为本发明实施例1提供的PCC矩阵、绝对PCC矩阵和邻接矩阵示意图。
图3为本发明实施例1提供的GCN学习到的特征表示。
图4为本发明实施例1提供的GCNs-MI学习到的特征表示。
图5为本发明实施例1提供的将第一阶段与第二阶段学习到的特征表示分别送入SVM分类器后输出的分割超平面。
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，以下详细说明都是示例性的，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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
本发明实施例1提供了一种基于图互信息最大化的抑郁症患者脑电识别系统，包括：
数据获取模块，被配置为：获取待识别的脑电信号并进行预处理；
特征提取模块，被配置为：根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；
抑郁症识别模块，被配置为：根据获取的特征向量和预设分类模型，得到抑郁症识别结果；
其中，预设特征提取模型的训练，包括：
根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部-全局互信息最大化的对比学习训练图卷积神经网络的输出层。
具体的，所述系统的工作方法如图1所示，包括：
S1：获取识别用的脑电信号数据；对数据进行预处理；将每条信号截取为规定长度的信号，每条数据为二维的数据(通道×时间)，按6:2:2的比例将数据集分为训练集，验证集和测试集。
S2：为了得到邻接矩阵，将每名受试者的多通道数据按顺序拼接为一个长序列，计算每个长序列之间的皮尔逊相关系数(PCC)，得到皮尔逊相关系数矩阵P。用绝对皮尔逊相关系数(Absolute PCC)矩阵|P|减去单位矩阵I，得到邻接矩阵A。
S3：为了得到特征矩阵，将脑电信号分为delta(<4Hz)、theta(4-8Hz)、alpha(8-13Hz)、lower beta(13-16Hz)、higher beta(16-30Hz)和gamma(>30Hz)六个频段。取每个频段的平均功率作为该通道的特征，然后按顺序将每个通道的特征拼接为一个长特征作为一个受试者的特征向量，所有受试者的特征向量构成特征矩阵X。
S4：将得到的邻接矩阵与特征矩阵送入图卷积神经网络(GCN)中进行预训练，得到预训练好的GCN，进行第一阶段的特征学习。
S5：固定预训练好的GCN的除输出层以外的其他层，利用图互信息最大化方法，通过局部-全局互信息最大化的对比学习方法训练GCN模型的输出层，进行第二阶段的特征学习，最终得到GCNs-MI模型。
S6：将第二阶段学习到的特征向量与实际标签分为训练集、验证集和测试集，对SVM分类器进行训练，得到训练好的SVM分类器。
S7：获取待识别的脑电信号，将待识别的脑电信号输入到GCNs-MI模型中，直接得到第二阶段的特征向量，将得到的特征向量输入到SVM分类器中，获得重度抑郁症(MDD)识别结果。
本实施例中的训练用脑电信号，为IEEE Healthcom 2020/MODMA数据集，这是一个用于精神障碍分析的抑郁症全引导静息状态EEG数据集。数据采集设备采用128通道HydroCel Geodesic Sensor Net(HCGSN)脑电采集系统，采集软件为Net Station 4.5.4版。本实施例中，包括了128个电(E1到E128)的放置，采样频率为250Hz，所有原始电极信号均以Cz为参考。实验范例是脑电图记录闭眼五分钟的静息状态。
本实例包含从数据集中提取的14名重度抑郁症(MDD)患者的数据和17名正常对照(NC)数据。
S1中，具体步骤包括：
对信号进行预处理，将每个受试者的数据分为40个2s的数据段，某一受试者的某一通道表示为
cm表示第m个通道的序列。其中m为通道号，l为截取长度，
表示第m个通道中序列的第l个值。因此包含560(14×40)个MDD患者数据和680(17×40)个NC数据。每个数据都是二维数据(通道×截取长度，即128×500)。按照6:2:2的比例，将数据集划分为训练集、验证集和测试集。
S2中，具体步骤包括：
将每个通道的数据依次拼接成一个长序列，即
计算每个长序列C之间的Pearson相关系数(PCC)，从而得到PCC矩阵P。这里，考虑P中的正相关和负相关，将P中的每个负元素值变为其相反值，从而获得绝对PCC矩阵|P|∈[0,1]。因此，邻接矩阵表示为A＝|P|-I,
其中I是单位矩阵，V是网络中节点的个数。得到的PCC矩阵，绝对PCC矩阵和邻接矩阵如图2所示。
S3中，具体步骤包括：
使用python中scipy包下的signal包下的welch方法，采样率设为250，将EEG信号分为六个频段，delta(<4Hz)、theta(4-8Hz)、alpha(8-13Hz)、lower beta(13-16Hz)、higher beta(16-30Hz)and gamma(>30Hz)。
以各频段的平均功率为信道特征，即：
其中，zm代表第m个通道的特征向量，
代表第m个通道的delta频段的平均功率，其他五个字符代表第m个通道其他五个频段的平均功率。
然后将每个通道的特征向量依次拼接成一个长特征，即
i∈[1,V]作为每个节点的特征向量，最后得到所有被试的特征矩阵
其中N为节点的特征个数。
S4中，具体步骤包括：
计算度矩阵D，D为对角矩阵，第i个对角元素通过
计算。因此，得到拉普拉斯算子L＝D-A,
然后，将图拉普拉斯算子归一化为L＝IV-D-1/2AD-1/2来表示节点之间的相关性。
由于L是一个实对称半正定矩阵，其特征向量集
是完整且正交的。并且相关的特征值
是有序且实非负的。傅里叶基
分解图拉普拉斯算子，即L＝UΛUT，其中
信号
通过图傅里叶变换表示为
其逆傅里叶变换为
图*G上的卷积定义如下：
x*Gg＝U((UTx)⊙(UTg)) (1)
其中，⊙代表元素的Hadamard乘积。然后经过非参数滤波器gθ，其中
是傅里叶系数的向量，并且gθ(Λ)＝diag(θ)。
GCN的卷积操作如下：
y＝gθ(L)x＝gθ(UΛUT)x＝Ugθ(Λ)UTx (2)
由于非参数滤波器的计算复杂度过高，本实施例使用切比雪夫多项式近似滤波器，作为特征值的对角矩阵的切比雪夫近似多项式，它可以被参数化为k-1阶的截断展开式：
其中，参数
是一组Chebyshev系数，
是在
处的kth阶Chebyshev多项式，IV是特征值的对角矩阵。
然后，信号x通过下面定义的滤波器gθ执行卷积操作：
其中
是在缩放的拉普拉斯算子
处得到的k阶切比雪夫多项式。令
利用递归关系计算
其中
利用训练集、验证集和测试集，最终得到预训练好的GCN，并进行第一阶段的特征学习。GCN学习到的特征表示如图3所示。
S5中，具体步骤包括：
首先构建一个编码器
其中
是权重矩阵，即
其中
是每个节点的高级(patch)表示向量
然后，使用平均池化操作
将获得的patch表示向量
汇总为图级(summary)表示向量
这里采用GCN编码器，如S4中所介绍，是一种灵活的节点嵌入架构，通过在局部节点邻域上重复聚合来生成节点表示。
为了最大化
和
之间的互信息，引入鉴别器
其中
是权重矩阵。即
表示patch-summary对的得分。一般来说，如果summary中包含越多关于patch的信息，那么得分会越高，反之则越低。负样本的生成通过打乱节点与特征向量之间的对应关系生成
训练的目标函数是一种噪声对比模型，在正样本和负样本之间计算二进制交叉熵损失(BCE)，训练目标函数如下所示：
其中，W是可学习的权重矩阵，σ是sigmoid激活函数，
用于将
转换为是正例的概率得分。
利用训练集、验证集和测试集，最终得到训练好的GCNs-MI，并进行第二阶段的特征学习，GCNs-MI学习到的特征表示如图4所示。
S6中，具体步骤包括：
将S5中第二阶段学习到的特征向量与实际标签分为训练集、验证集和测试集，对SVM分类器进行训练，将识别的脑电结果与每条脑电信号的实际标签进行比较，如果分类结果正确率达到设定的阈值，则停止训练，输出识别结果正确率最高时对应的SVM分类器即为训练好的SVM分类器；否则，就继续训练。
S7中，具体步骤包括：
将待识别的脑电信号输入到本实施例构造的GCNs-MI模型中，直接得到第二阶段的特征向量，然后将得到的特征向量输入到SVM分类器中，获得重度抑郁症(MDD)识别结果。
图5为将第一阶段与第二阶段学习到的特征表示分别送入SVM分类器后输出的分割超平面，其中绿点是支持向量(SV)。可以看出GCN得到分割超平面划分的区域极不平衡，而GCNs-MI得到的分割超平面几乎将图片平均分成两部分。因此，GCNs-MI学习到了表达性更强的特征表示。
下表为GCNs-MI方法得到的特征表示用于下游SVM分类器进行抑郁患者脑电识别时的结果报告。GCNs-MI的所有测试结果值均高于0.95，表明本实施例所述的模型获得的特征向量在下游任务的各种评估标准下均表现良好。
实施例2：
本发明实施例2提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如下步骤：
获取待识别的脑电信号并进行预处理；
根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；
根据获取的特征向量和预设分类模型，得到抑郁症识别结果；
其中，预设特征提取模型的训练，包括：
根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部-全局互信息最大化的对比学习训练图卷积神经网络的输出层。
详细步骤与实施例1中的系统工作方法相同，这里不再赘述。
实施例3：
本发明实施例3提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如下步骤：
获取待识别的脑电信号并进行预处理；
根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；
根据获取的特征向量和预设分类模型，得到抑郁症识别结果；
其中，预设特征提取模型的训练，包括：
根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部-全局互信息最大化的对比学习训练图卷积神经网络的输出层。
详细步骤与实施例1中的系统工作方法相同，这里不再赘述。
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，本发明可采用硬件实施例、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和光学存储器等)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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
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。
Claims (10)
1.一种基于图互信息最大化的抑郁症患者脑电识别系统，其特征在于：
包括：
数据获取模块，被配置为：获取待识别的脑电信号并进行预处理；
特征提取模块，被配置为：根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；
抑郁症识别模块，被配置为：根据获取的特征向量和预设分类模型，得到抑郁症识别结果；
其中，预设特征提取模型的训练，包括：
根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部-全局互信息最大化的对比学习训练图卷积神经网络的输出层。
2.如权利要求1所述的基于图互信息最大化的抑郁症患者脑电识别系统，其特征在于：
邻接矩阵的获取，包括：
将多名受试者的多通道脑电数据按顺序拼接为一个序列，计算每个序列之间的皮尔逊相关系数，得到皮尔逊相关系数矩阵；
用绝对皮尔逊相关系数矩阵减去单位矩阵，得到邻接矩阵。
3.如权利要求1所述的基于图互信息最大化的抑郁症患者脑电识别系统，其特征在于：
将脑电信号分为多个频段，取每个频段的平均功率作为该通道的特征；
按顺序将每个通道的特征拼接为一个特征作为一个受试者的特征向量；
所有受试者的特征向量构成特征矩阵。
4.如权利要求1所述的基于图互信息最大化的抑郁症患者脑电识别系统，其特征在于：
预处理，包括：
将每条信号截取为规定长度的信号，每条数据为通道和时间对应的二维数据。
5.如权利要求1所述的基于图互信息最大化的抑郁症患者脑电识别系统，其特征在于：
将脑电信号分为delta、theta、alpha、lower beta、higher beta和gamma六个频段。
6.如权利要求1所述的基于图互信息最大化的抑郁症患者脑电识别系统，其特征在于：
通过局部-全局互信息最大化的对比学习训练图卷积神经网络的输出层，包括：
构建编码器；
根据构建的编码器，得到每个节点的patch表示向量；
使用平均池化操作，将patch表示向量汇总为图级表示向量；
通过鉴别器最大化patch表示向量和图级表示向量之间的互信息。
7.如权利要求6所述的基于图互信息最大化的抑郁症患者脑电识别系统，其特征在于：
图级表示向量包含的patch信息越多，鉴别器的得分越高。
8.如权利要求6所述的基于图互信息最大化的抑郁症患者脑电识别系统，其特征在于：
对比学习训练目标函数为噪声对比模型，在正样本和负样本之间计算二进制交叉熵损失。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如下步骤：
获取待识别的脑电信号并进行预处理；
根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；
根据获取的特征向量和预设分类模型，得到抑郁症识别结果；
其中，预设特征提取模型的训练，包括：
根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部-全局互信息最大化的对比学习训练图卷积神经网络的输出层。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如下步骤：
获取待识别的脑电信号并进行预处理；
根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；
根据获取的特征向量和预设分类模型，得到抑郁症识别结果；
其中，预设特征提取模型的训练，包括：
根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部-全局互信息最大化的对比学习训练图卷积神经网络的输出层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111362136.3A CN114209320B (zh) | 2021-11-17 | 2021-11-17 | 一种基于图互信息最大化的抑郁症患者脑电识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111362136.3A CN114209320B (zh) | 2021-11-17 | 2021-11-17 | 一种基于图互信息最大化的抑郁症患者脑电识别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114209320A true CN114209320A (zh) | 2022-03-22 |
| CN114209320B CN114209320B (zh) | 2024-05-07 |
Family
ID=80697390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111362136.3A Active CN114209320B (zh) | 2021-11-17 | 2021-11-17 | 一种基于图互信息最大化的抑郁症患者脑电识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114209320B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628472A (zh) * | 2023-04-28 | 2023-08-22 | 哈尔滨工程大学 | 一种基于特征关联的辐射源个体信号图结构映射方法 |
| CN117251807A (zh) * | 2023-11-17 | 2023-12-19 | 中国医学科学院生物医学工程研究所 | 一种神经网络的运动想象脑电信号分类方法 |
| CN117708570A (zh) * | 2024-02-05 | 2024-03-15 | 中国科学院自动化研究所 | 癫痫预测方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
| US20210000404A1 (en) * | 2019-07-05 | 2021-01-07 | The Penn State Research Foundation | Systems and methods for automated recognition of bodily expression of emotion |
| CH716863A2 (de) * | 2019-11-22 | 2021-05-31 | Univ Lanzhou | Depressionserkennungssystem basierend auf einer unter Verwendung von Trainingssätzen getroffenen Kanalauswahl von Mehrkanal-Elektroenzephalographie. |
-
2021
- 2021-11-17 CN CN202111362136.3A patent/CN114209320B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210000404A1 (en) * | 2019-07-05 | 2021-01-07 | The Penn State Research Foundation | Systems and methods for automated recognition of bodily expression of emotion |
| 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 |
| CH716863A2 (de) * | 2019-11-22 | 2021-05-31 | Univ Lanzhou | Depressionserkennungssystem basierend auf einer unter Verwendung von Trainingssätzen getroffenen Kanalauswahl von Mehrkanal-Elektroenzephalographie. |
| CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张桐: "基于时空神经网络的动态情感识别研究", 《中国硕博学位论文全文数据库》, 15 March 2020 (2020-03-15) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628472A (zh) * | 2023-04-28 | 2023-08-22 | 哈尔滨工程大学 | 一种基于特征关联的辐射源个体信号图结构映射方法 |
| CN117251807A (zh) * | 2023-11-17 | 2023-12-19 | 中国医学科学院生物医学工程研究所 | 一种神经网络的运动想象脑电信号分类方法 |
| CN117251807B (zh) * | 2023-11-17 | 2024-02-13 | 中国医学科学院生物医学工程研究所 | 一种神经网络的运动想象脑电信号分类方法 |
| CN117708570A (zh) * | 2024-02-05 | 2024-03-15 | 中国科学院自动化研究所 | 癫痫预测方法、装置、电子设备及存储介质 |
| CN117708570B (zh) * | 2024-02-05 | 2024-06-04 | 中国科学院自动化研究所 | 癫痫预测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114209320B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | LSTM-based EEG classification in motor imagery tasks | |
| Yang et al. | Emotion recognition from multi-channel EEG through parallel convolutional recurrent neural network | |
| CN114209320A (zh) | 一种基于图互信息最大化的抑郁症患者脑电识别系统 | |
| Bizopoulos et al. | Signal2image modules in deep neural networks for eeg classification | |
| CN114052735B (zh) | 一种基于深度领域自适应的脑电情绪识别方法及系统 | |
| Zamanian et al. | A new feature extraction method to improve emotion detection using EEG signals | |
| Zangeneh Soroush et al. | A novel EEG-based approach to classify emotions through phase space dynamics | |
| CN113011239A (zh) | 一种基于最优窄频带特征融合的运动想象分类方法 | |
| Li et al. | Mapping brain structural connectivities to functional networks via graph encoder-decoder with interpretable latent embeddings | |
| Shaw et al. | A critical comparison between SVM and k-SVM in the classification of Kriya Yoga meditation state-allied EEG | |
| CN112990008A (zh) | 基于三维特征图和卷积神经网络的情绪识别方法及系统 | |
| CN113673434A (zh) | 一种基于高效卷积神经网络和对比学习的脑电情绪识别方法 | |
| Rasoulzadeh et al. | A comparative stationarity analysis of EEG signals | |
| Demir et al. | EEG-GAT: graph attention networks for classification of electroencephalogram (EEG) signals | |
| Motin et al. | Detecting Parkinson’s disease from electroencephalogram signals: an explainable machine learning approach | |
| Gómez-Tapia et al. | On the minimal amount of EEG data required for learning distinctive human features for task-dependent biometric applications | |
| Qiao et al. | A two-stage efficient 3-D CNN framework for EEG based emotion recognition | |
| CN116919422A (zh) | 基于图卷积的多特征情感脑电识别模型建立方法及装置 | |
| Acharya et al. | Comparative analysis of feature extraction technique on EEG-based dataset | |
| Alessandrini et al. | EEG-Based Neurodegenerative Disease Classification using LSTM Neural Networks | |
| Jo et al. | Channel-Aware Self-Supervised Learning for EEG-based BCI | |
| CN114429174A (zh) | 基于脑网络和多尺度排列熵的脑电信号情绪识别方法 | |
| Dura et al. | Unsupervised emotional state recognition based on clustering of EEG features | |
| Mathur et al. | Weighted vector visibility based graph signal processing (WVV-GSP) for neural decoding of motor imagery EEG signals | |
| Mohamed et al. | Recurrent Neural Networks (RNNs) to improve EEG-based person identification |
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 |