CN110338820A

CN110338820A - 一种抑郁症和精神***症识别方法

Info

Publication number: CN110338820A
Application number: CN201910511990.8A
Authority: CN
Inventors: 张军鹏
Original assignee: Sichuan University
Current assignee: Sichuan University
Priority date: 2019-06-13
Filing date: 2019-06-13
Publication date: 2019-10-18

Abstract

本发明涉及一种抑郁症和精神***症识别方法，步骤如下：S1，获取静息态下患者睁眼和闭眼的脑电数据；S2，对步骤S1所述的脑电数据进行预处理；S3，将对步骤S2中预处理得到的数据转换成功率谱密度即为PSD；S4，提取步骤S3中PSD的各种特征，构成特征向量；S5，利用步骤S4中的特征向量作为分类器的输入，对上述数据进行分类；S6，对步骤S5分类结果进行模型评估，得到泛化能力良好的分类模型；S7，将测试集输入到步骤S6中的分类器模型中进行分类，实现抑郁症和精神***症的识别。该抑郁症和精神***症分类方法中利用支持向量机分类方法来对患者的脑电进行处理分类，对于数据有较好的可分性，准确率较高，优于其它分类方法。

Description

一种抑郁症和精神***症识别方法

技术领域

本发明涉及静息态脑电技术领域，具体为一种抑郁症和精神***症识别方法。

背景技术

精神***症(schizophrenia,SCZ)和抑郁症(depression,DP)是现代社会高发的高危害疾病。及时准确的诊断将非常有利于此类疾病的预防和治疗，脑电(EEG)是通过大脑皮层记录到的神经细胞的电活动信号，研究表明，抑郁症和精神***症患者的脑电在节律、波幅、功率等参数中表现出异常现象，故通过脑电的对比分析研究，有助于此两种疾病的区分诊断，但现在市面上现有的，现有的分类方法准确率较低。

发明内容

为了解决上述问题，本发明的目的在于提供一种抑郁症和精神***症识别方法。

为实现上述目的，本发明提供如下技术方案：一种抑郁症和精神***症识别方法，步骤如下：

S1，获取静息态下患者睁眼和闭眼的脑电数据；

S2，对步骤S1所述的脑电数据进行预处理；

S3，将对步骤S2中预处理得到的数据转换成功率谱密度即为PSD；

S4，提取步骤S3中PSD的各种特征，构成特征向量；

S5，利用步骤S4中的特征向量作为分类器的输入，对上述数据进行分类；

S6，对步骤S5分类结果进行模型评估，得到泛化能力良好的分类模型；

S7，将测试集输入到步骤S6中的分类器模型中进行分类，实现抑郁症和精神***症的识别。

优选的，所述步骤S1中的数据采集为患者深呼吸3分钟，深呼吸停止后缓和10s，再睁眼、闭眼交替进行3次，每次在5-10s之间。

优选的，所述步骤S2中的预处理为a、定位电极：用EEGLAB处理数据，对数据的电极进行重新定位；b、剔除无用电极：针对数据的特性，剔除了数据中的无用电极；c、滤波：设置0.5Hz-45Hz的滤波带通，50Hz的陷波；d、分段：以睁、闭眼标签为节点对数据进行分段处理；e、ICA除伪迹：用独立成分分析方法ICA，人工去除心电和眼动等伪迹；f、重参考：以所有电极的平均值作为参考电极的参考值，进行电极重参考。

优选的，所述的步骤S4中包括S41：计算PSD的特征，将每段PSD数据，看成包含16个电极信息的一个样本，求该段PSD数据中的每个电极的各种特征；S42：特征提取：计算每个电极上的数据特征，扩展成一个特征向量用来描述每一段PSD数据。

优选的，所述步骤S42中将得到的样本熵SAMEN、近似熵APEN、信息熵SEN组成熵向量E；均值、方差、峰度、偏度组成统计学向量T；四个频段的相对功率谱密度组成相对功率谱密度向量P，构成原始特征数据集。

与现有技术相比，本发明的有益效果是：抑郁症和精神***症分类方法中利用支持向量机分类方法来对患者的脑电进行处理分类，对于数据有较好的可分性，准确率较高，优于其它分类方法。该方法将静息态脑电的时域信号转换成频域的PSD信号，提取PSD信号的特征向量，利用特征向量对分类器进行训练得到分类识别模型，该模型降低了医生的劳动强度，提高了准确识别率，同时相对功率谱密度在本方法的模型中具有很好的可分性，可作为生物标记区分这两种疾病，在临床上有很重要的意义。

附图说明

图1为本发明结构框图；

图2为静态数据预处理流程图；

图3为本发明中不同的分类器模型和特征向量的分类实验结果图；

图4为本发明中支持向量机最优模型对测试集的分类实验结果图；

图5为本发明中使用留出法对数据集的分类实验结果图；

图6为本发明中四个节律的相对功率谱密度分类效果对比图.

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。请参阅图1-6，本发明提供一种技术方案：一种抑郁症和精神***症识别方法，步骤如下：

S1，获取静息态下患者睁眼和闭眼的脑电数据；

S2，对步骤S1所述的脑电数据进行预处理；

S4，提取步骤S3中PSD的各种特征，构成特征向量；

进一步的，所述步骤S1中的数据采集为患者深呼吸3分钟，深呼吸停止后缓和10s，再睁眼、闭眼交替进行3次，每次在5-10s之间。

进一步的，所述步骤S2中的预处理为a、定位电极：用EEGLAB处理数据，对数据的电极进行重新定位；b、剔除无用电极：针对数据的特性，剔除了数据中的无用电极；c、滤波：设置0.5Hz-45Hz的滤波带通，50Hz的陷波；d、分段：以睁、闭眼标签为节点对数据进行分段处理；e、ICA除伪迹：用独立成分分析方法ICA，人工去除心电和眼动等伪迹；f、重参考：以所有电极的平均值作为参考电极的参考值，进行电极重参考。

进一步的，所述的步骤S4中包括S41：计算PSD的特征，将每段PSD数据，看成包含16个电极信息的一个样本，求该段PSD数据中的每个电极的各种特征；S42：特征提取：计算每个电极上的数据特征，扩展成一个特征向量用来描述每一段PSD数据。

进一步的，所述步骤S42中将得到的样本熵SAMEN、近似熵APEN、信息熵SEN组成熵向量E；均值、方差、峰度、偏度组成统计学向量T；四个频段的相对功率谱密度组成相对功率谱密度向量P，构成原始特征数据集。

具体的为，选取抑郁症和精神***症患者各100例。所有患者的年龄均在32岁到51岁之间，且服从正态分布，利用上述方法的到PSD数据，其中PSD的特征包括信息熵、近似熵，样本熵；

信息熵作为不确定性和信息量大小的度量，其计算公式为：

H(x)＝-∑_ip_ilog(p_i)

其中H(x)表示信息熵的大小，p_i表示事件发生的概率，i表示样本数量。通过以上公式就可以度量整个样本空间的信息量，或者可以看成是整个***不确定性的期望，可将本方法中的每个电极看成是一个频率f∈[0 55]的固定序列，每个频率点对应的PSD的值为p_i且i∈[0 55]，通过归一化后表示为P_Ni∈[0 1]，则求PSD数据的某一个电极的信息熵公式可表示为如下：En(x)＝-∑_iP_Nilog(P_Ni)，其中P_Ni＝P_i/∑_iP_i，且∑P_Ni＝1。

利用下述方法进来计算近似熵：

1、等时间间隔的N维时间序列T(1),T(2),…,T(N)，定义相关参数m,r；其中m表示重构向量的长度。r是‘相似系数’，用于重构向量之间相似度的度量。

2、定义d＝d[X(i),X(j)]＝max|T(a)-T'(a)|表示重构向量之间的距离，即两个重构向量之间的距离d定义为：两个向量对应元素之差的绝对值最大时的距离。其中T(a),T'(a)表示重构向量X(i),X(j)对应位置的元素，且i,j∈[1(N-m+1)]。

3、对于上述序列，重构m维向量X(1),X(2),…X(i),…,X(N-m+1)，其中X(i)＝[T(i),T(i+1),…,T(i+m-1)]。

4、对于i,j∈[1(N-m+1)]，依次取i，计算重构向量X(i)与X(j)间的距离，若d≤r时，认为此时两重构向量相似。n＝number(d≤r)表示相似重构向量个数。计算相似的重构向量占总的重构向量个数的比例表示为：

5、定义如下公式：

6、最后定义近似熵为：APEN＝Φ^m(r)-Φ^m+1(r)。

将频率序列等效成近似熵算法中的时间序列。求得每个电极对应的一个近似熵，得到一个16维的近似熵向量。

样本熵的计算：前四步与近似熵相似，不同的是样本熵算法的2、4步中多了i≠j的条件，且第4步中相似度量的条件是d<r，且第5、6步的定义也不同；

5、定义：即计算的均值。

6、最后定义样本熵为：SAMEN＝-ln(E^m+1(r)/E^m(r))，参数设置为m＝2，r＝0.2std。

在PSD数据中每个电极P_i的均值(m)、方差(v)、偏度(s)、和峰度(k)来描述该数据。此外，将PSD数据分成delta(1-3Hz)、theta(4-7Hz)、alpha(8-13Hz)、beta(14-30Hz)四段节律，分别求每段节律对总体PSD的占比(即相对PSD)，表示为P_δ(j)，P_θ(j)，P_α(j)，P_β(j)。计算公式如下表1：(其中P_i表示对应频率点的功率谱密度大小，i∈[1 55]表示频率点，j∈[116]表示16个电极)。

表一

之后将每个电极上的数据特征，再扩展成一个特征向量用来描述每一段PSD数据，具体如下：

S421：1.将睁、闭眼状态下的每一段PSD数据看成一个样本，计算每个样本中每一个电极的样本熵(SAMEN)、近似熵(APEN)、信息熵(SEN)。

S422：用求得的SAMEN、APEN、SEN各自组成3个16维的熵向量E₁[SAMEN(1) SAMEN(2)...SAMEN(16)]，E₂[APEN(1) APEN(2)...APEN(16)]，E₃＝[SEN(1) SEN(2)...SEN(16)]，其中E₁对应样本熵(SAMEN)向量，E₂对应近似熵(APEN)向量，E₃对应信息熵(SEN)向量。

S423：将步骤2中的3个16维的向量拓展成一个48维的特征向量E＝[E₁ E₂ E₃]用于分类。

S424：同理，可得到64维的统计量特征向量，T＝[T₁ T₂ T₃ T₄]，其中T＝[T₁ T₂ T₃T₄]，其中T₁＝[m(1) m(2)...m(16)],T₂＝[v(1) v(2)…v(16)],T₃＝[s(1) s(2)...s(16)],T₄＝[k(1) k(2)...k(16)，64维的相对PSD的特征向量P＝[P_δ P_θ P_α P_β]，其中P_δ＝[P_δ(1) P_δ(2)...P_δ(16)]，P_θ＝[P_θ(1) P_θ(2)...P_θ(16)]，P_α＝[P_α(1) P_α(2)...P_α(16)]，P_β＝[P_β(1) P_β(2)...P_β(16)]，然后利用单变量特征提取和基于惩罚项的特征选择方法进行特征提取和选择。

在用步骤S6中的模型评估对数据进行评估，利用了准确率、查准率、查全率来评价模型的性能[12-13]。以抑郁症的度量为例，表二是对应的混淆矩阵。查准率(precision,Pr)、查全率(recall,Re)、准确率(accuracy,ACC)的定义公式如下：

表二

利用上述方法进行多组实验得到如图3-6的实验数据可得出支持向量机的分类效果较好，三种特征向量中，相对PSD组成的特征向量P的分类实验效果最好，基于惩罚项的特征选择处理的特征向量用于分类效果更好。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,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

1.一种抑郁症和精神***症识别方法，其特征在于：步骤如下：

S1，获取静息态下患者睁眼和闭眼的脑电数据；

S2，对步骤S1所述的脑电数据进行预处理；

S4，提取步骤S3中PSD的各种特征，构成特征向量；

2.根据权利要求1所述抑郁症和精神***症识别方法，其特征在于：所述步骤S1中的数据采集为患者深呼吸3分钟，深呼吸停止后缓和10s，再睁眼、闭眼交替进行3次，每次在5-10s之间。

3.根据权利要求1所述的抑郁症和精神***症识别方法，其特征在于：所述步骤S2中的预处理为a、定位电极：用EEGLAB处理数据，对数据的电极进行重新定位；b、剔除无用电极：针对数据的特性，剔除了数据中的无用电极；c、滤波：设置0.5Hz-45Hz的滤波带通，50Hz的陷波；d、分段：以睁、闭眼标签为节点对数据进行分段处理；e、ICA除伪迹：用独立成分分析方法ICA，人工去除心电和眼动等伪迹；f、重参考：以所有电极的平均值作为参考电极的参考值，进行电极重参考。

4.根据权利要求1所述的抑郁症和精神***症识别方法，其特征在于：所述的步骤S4中包括S41：计算PSD的特征，将每段PSD数据，看成包含16个电极信息的一个样本，求该段PSD数据中的每个电极的各种特征；S42：特征提取：计算每个电极上的数据特征，扩展成一个特征向量用来描述每一段PSD数据。

5.根据权利要求4所述的抑郁症和精神***症识别方法，其特征在于：所述步骤S42中将得到的样本熵SAMEN、近似熵APEN、信息熵SEN组成熵向量E；均值、方差、峰度、偏度组成统计学向量T；四个频段的相对功率谱密度组成相对功率谱密度向量P，构成原始特征数据集。