CN112190269B - 基于多源脑电数据融合的抑郁症辅助识别模型构建方法 - Google Patents
基于多源脑电数据融合的抑郁症辅助识别模型构建方法 Download PDFInfo
- Publication number
- CN112190269B CN112190269B CN202011132515.9A CN202011132515A CN112190269B CN 112190269 B CN112190269 B CN 112190269B CN 202011132515 A CN202011132515 A CN 202011132515A CN 112190269 B CN112190269 B CN 112190269B
- Authority
- CN
- China
- Prior art keywords
- feature matrix
- combination
- feature
- fusion
- classifier
- 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 72
- 238000010276 construction Methods 0.000 title claims description 9
- 210000004556 brain Anatomy 0.000 title description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000002996 emotional effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008451 emotion Effects 0.000 description 9
- 230000000638 stimulation Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000008909 emotion recognition Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 208000017194 Affective disease Diseases 0.000 description 1
- 208000019022 Mood disease Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003001 depressive effect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- 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)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Social Psychology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Educational Technology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
基于多源脑电数据融合的抑郁症辅助识别模型的构建方法,包括:构建多数据源抑郁症脑电数据的特征矩阵;使用基于个体分类器赋权的多分类器组合策略从已构建的特征矩阵中找出表现较好的特征矩阵;通过对特征矩阵的多元组合形成特征矩阵组合;利用基于权重优化的并行特征层融合策略将最佳的特征矩阵组合进行融合,从而构建具有较高识别准确率的抑郁症辅助识别模型,能提高抑郁症辅助识别模型的泛化能力从而提供客观且普适化的辅助识别的工具。
Description
技术领域
本发明涉及一种疾病诊断的辅助方法,具体来说,本发明涉及基于多源脑电数据融合的抑郁症辅助识别模型的构建方法。本发明方法首先构建多数据源抑郁症脑电数据的特征矩阵,其次使用基于个体分类器赋权的多分类器组合策略从已构建的特征矩阵中找出准确率较高的特征矩阵,然后通过对特征矩阵的多元组合形成特征矩阵组合,进而再利用基于权重优化的并行特征层融合策略将最佳的特征矩阵组合进行融合,从而构建具有较高识别准确率的抑郁症辅助识别模型。本发明方法能够提高抑郁症辅助识别模型的泛化能力,从而提供一种用于抑郁症辅助诊断的客观且普适化的工具。
背景技术
1.脑电数据与抑郁症
脑电数据在情感识别领域的应用研究越来越广,研究表明抑郁症等情感障碍疾病与脑电数据的变化有着极大的相关性,因此,将脑电数据应用在抑郁症识别领域也逐渐成为研究的热点。研究人员通过对比分析患者和健康人群脑电数据的差异,寻找能够作为识别抑郁症的脑电指标来构建抑郁症的辅助识别模型。例如,在有关抑郁症患者脑电数据的研究中,有很多的研究表明抑郁症患者与正常人的脑电数据存在大量的差异,特别是前额叶的脑电数据的变化与抑郁症具有紧密的联系。
2.多分类器组合
由多个个体分类器组成的多分类器组合通常由两部分构成:个体分类器的生成以及根据组合策略对多个个体分类器的输出结果进行集成输出。在多分类器组合的过程中,个体分类器的差异性、准确性以及个体分类器之间的组合策略、直接影响着多分类器组合结果的好坏。
3.多源数据融合
多源数据融合是一种能够组合来自多个信息源的数据以形成统一信息的技术。多源数据融合的概念由信息融合发展而来,这个概念最早起源于上世纪七十年代,美国军方为了军事需求,将C3I(Command、Control、Communication and Intelligence)军事***中多个来源的数据进行融合,进而发展成为了一门独立的学科。多源数据融合的定义为“对来自多个数据源的数据,利用计算机技术进行多层次、多方面的综合处理的过程,从而产生一个能够达到所学的决策和估计目标的新信息”。多源数据融合能够自动或半自动的将来自不同信息源和不同时间点的信息进行转化,从而为人们在进行决策时提供有效的支撑。
多源数据融合技术能够通过融合多个单一数据源的数据来提供比单个数据源更加全面、准确的信息。数据融合是在几个层次上完成对多源数据信息的处理过程。目前,普遍接受的融合层次的划分可分为三个级别:数据层融合、特征层融合和决策层融合。在本发明中主要采用特征层融合。
数据层融合:又称像素层融合,是三个融合层次中最低层次的融合。其直接对获取到的原始数据进行融合,然后基于融合后的数据进行特征提取并进行决策判断。需要注意的是进行数据层融合的多源数据是同质的。
特征层融合:作为三种融合层次中中间层次的融合,特征层融合较为智能化,其先对原始数据进行特征提取和处理,然后再将这些多源的特征按照一定的融合算法融合成一个联合特征向量。
决策层融合:是三种融合层次中最高层次的融合,是最高层面的智能化融合,是将多个来源的信息单独进行决策,换言之就是对多源的数据分别进行特征提取,特征选择等操作形成特征矩阵,然后将这些特征矩阵输入各自的分类器中,形成各自的决策,最后再将各自的决策结果通过一定的方式进行融合处理,从而得到问题最终的决策结果。
传统的基于线性投影的并行特征层融合策略认为所有数据源的特征矩阵的权重是一致的。考虑到在脑电数据中,不同数据源的特征矩阵对抑郁症辅助识别模型的贡献度是不一样的。比如,抑郁症患者对负性情绪刺激的反应较强而对正性情绪刺激的反应较弱。具体负性情绪的贡献度较大还是正性情绪刺激的贡献度较大,在实际的建模中是需要考虑的问题。因此,在构建模型的过程中不能将在不同数据源下提取的特征矩阵一概而论,而是应该根据其对模型贡献度的大小对不同数据源的特征矩阵赋予相应的权重。
4.抑郁症辅助识别模型的现有技术及缺点
脑电数据在情感识别领域的应用越来越广泛,许多研究人员通过寻找识别抑郁症的脑电数据指标来构建其辅助识别模型。然而目前的抑郁症辅助识别模型存在较多缺陷,主要有:
(1)在传统的抑郁症脑电数据研究中,多数的研究都使用单个数据源的特征矩阵作为研究内容(通常在静息态下或者在单一刺激态下进行)。如果仅使用一个数据源的特征矩阵进行建模,势必会导致建模数据不充分从而影响模型整体的分类效果。
(2)目前对于抑郁症辅助识别模型的构建多采用单一个体分类器,通过对特征矩阵拟合寻找一个最佳的个体分类器,而不同的个体分类器对特征矩阵的拟合程度不同,导致不同的个体分类器在脑电数据上的分类效果差异很大,这对抑郁症辅助识别模型泛化能力的评估带来了一定的困难。
5.多分类器组合策略的现有技术及缺点
目前的多分类器组合策略虽然能够在一定程度上提升分类效果,但是对于个体分类器的性能依赖过高,组合策略的结果与个体分类器有极大的关系,并且不能充分利用个体分类器的优势。
6.多源数据特征层融合的现有技术及缺点
(1)传统串行特征层融合策略随着数据源的增加会造成维数灾难。
(2)传统并行特征层融合策略采用线性投影方式进行特征矩阵融合,能够避免维数灾难。但是这种策略认为所有数据源的特征矩阵的权重是一致的,而在抑郁症脑电特征中,不同数据源的特征矩阵对抑郁症辅助识别模型的贡献度是不一样的。因此传统并行特征层融合策略不能根据不同数据源的特征矩阵对模型贡献度的大小来赋予其相应的权重。
发明概述
鉴于以上问题,本发明的目的在于提供一种抑郁症辅助识别模型构建方法,它采用基于个体分类器赋权的多分类器组合策略以及基于权重优化的并行特征层融合策略对采集的脑电数据构建辅助识别模型,从而实现准确率高、普适性强、泛化性好的抑郁症辅助识别模型。
为了实现上述目的,本发明提出一种基于多数据源脑电数据融合的抑郁症辅助识别模型构建方法,该方法包括:
步骤1):构建多数据源抑郁症脑电数据的特征矩阵;
步骤2):使用基于个体分类器赋权的多分类器组合策略对步骤1)中构建的所述特征矩阵根据其分类准确率进行选择,选取分类准确率较高的特征矩阵;
步骤3):对所述特征矩阵进行多元组合,即将基于个体分类器赋权的多分类器组合策略所筛选出的特征矩阵进行二元组合、三元组合、四元组合、五元组合直至n元组合,其中n为选取的所述特征矩阵数;
步骤4):采用基于权重优化的并行特征层融合策略对步骤3)中得到的所述各特征矩阵组合进行融合,并得出每个特征矩阵组合融合后的融合特征矩阵的分类准确率从而根据融合特征矩阵的分类准确率选出最佳特征矩阵组合;以及
步骤5):对步骤4)中所述的最佳特征矩阵组合进行融合以构建抑郁症辅助识别模型。
根据本发明的实施例,在步骤2)中:
基于个体分类器赋权的多分类器组合策略如下:
(1)假定个体分类器的集合E=(e1,e2,…,en),个体分类器的初始权重集合W0=(w01,w02,…,w0n),其中n为个体分类器的个数;对于特征矩阵x,分类器集合E判定的类别集合L=(l1,l2,…,ln),lr=0或1,1≤r≤n
则此时的组合策略为:
F0=w01l1+w02l2+…+w0nln
其中w01+w02+…+w0n=1,当F0>0.5时,则判定样本x的类别为1,否则类别为0,
当使用n个个体分类器时需要优化n个权重,因此使用n位二进制进行编码;在目标函数设定方面,采用特征矩阵x的分类准确率f(x)作为目标函数,目标函数为最大值问题;初始分类准确率为f0(x);
(2)更新个体分类器的权重集合Wi=(wi1,wi2,…,win),i∈N+,迭代步长为α,若且j≠i,j∈N+使得fj(x)>fi(x),则令权重集合Wi=Wj,否则继续迭代,直至达到终止边界;
(3)迭代结束后,若且k≠i,k∈N+,使得fk(x)>fi(x),算法收敛,则多分类器组合策略为
Fi=wi1l1+wi2l2+…+winln
其中wi1+wi2+…+win=1,特征矩阵x的分类准确率为fi(x)。
根据本发明的实施例,前述的分类准确率是前10%。
根据本发明的实施例,在步骤4)中:
基于权重优化的并行特征层融合策略如下:
设当前特征矩阵组合共有n个数据源的特征矩阵,详细的代数方法如下:
(1)n个数据源的特征矩阵的初始权重集合Θ0=(θ01,θ02,…,θ0n),θ0i∈[-1,1],0≤i≤n且i∈N+,n个数据源的特征矩阵集合M=(m1,m2,…,mn),初始的融合特征矩阵 设目标函数/>表示融合特征矩阵的初始分类准确率,则此时的代价函数为:
(2)更新Θj=(θj1,θj2,…θjn),j∈N+,迭代步长β,如果且k≠j,k∈N+,使得τk>τj,则令Θj=Θk,否则继续迭代,直至达到终止边界。
(3)迭代结束后,若r≠j,r∈N+,使得τr>τj,算法收敛,当前特征矩阵组合融合后的融合特征矩阵/> 其分类准确率为/>
根据本发明的实施例,在步骤5)中:
融合所述特征矩阵组合的计算公式如下:
X=w1x1+w2x2+…+wnxn
其中X表示特征矩阵组合融合后的融合特征矩阵,x1,x2,…,xn分别代表n个数据源的特征矩阵,w1,w2,…,wn分别代表所述n个数据源的特征矩阵利用基于权重优化的并行特征层融合策略优化出的权重。
根据本发明的实施例,数据源的个数与步骤1)构建的特征矩阵的数目相等。根据本发明的实施例,抑郁症辅助识别模型中的数据源数目为45个。根据本发明的实施例,数据源的数目还可以为情绪刺激数*电极数*脑电波段数,其中情绪刺激数是将人类情绪划分的类型的数目,电极数是脑电数据采集设备所用导联的数目,脑电波段数是指脑电数据采集时所采集脑电波段的数目。
发明的有益效果
采用基于个体分类器赋权的多分类器组合策略优点如下:
1)与单一个体分类器相比,本发明所提出的基于个体分类器赋权的多分类器组合策略平均分类准确率有较大提升;
2)相对于传统的基于投票以及准确率赋权的组合策略,基于个体分类器赋权的多分类器组合策略标准差较低,即偏离平均准确率的误差范围较小,且鲁棒性较好;
3)本发明所提出的基于个体分类器赋权的多分类器组合策略能够提升个体分类器的分类准确率,而且可以弥补分类结果对于某些个体分类器有偏重的缺陷,充分发挥每个个体分类器的优势,利用该组合策略构造的模型具有一定的泛化能力,具有一定的适用性;
采用基于权重优化的并行特征层融合策略优点如下:
1)基于权重优化的并行特征层融合策略准确率高于传统的串行特征层融合策略和并行特征层融合策略;
2)利用融合后的脑电数据构建的抑郁症辅助识别模型相比于由单个数据源构建的辅助识别模型,其识别准确率更高,稳定性更强。
附图的简要说明
将结合附图对本发明的技术特征进行详细的说明,其中:
图1显示了本发明实施例的脑电数据采集中的电极位及配套的脑电采集设备。
图2是根据本发明的基于个体分类器赋权的多分类器组合策略的流程图。
图3是根据本发明的基于权重优化的并行特征层融合策略的流程图。
图4是根据本发明实施例的多源脑电数据抑郁症辅助识别模型构建方法的流程图。
具体实施方式
本发明提供一种基于多源脑电数据融合的抑郁症辅助识别模型构建方法。下面将以抑郁症为例说明根据本发明的辅助识别模型构建方法。
本实施例中采用3导联的脑电数据采集设备,即采用3个电极,如图1所示。一般来说,也可以采用8、32、64和128导联的数据采集设备。
图4是根据本发明的实施例的多源脑电数据抑郁症辅助识别模型构建方法的流程图。
如图4所示,利用数据采集设备采集了脑电数据并进行数据预处理后,提取脑电特征(通常脑电特征分为线性特征以及非线性特征)然后构建特征矩阵。通常来说,根据情绪刺激数、电极数、脑电波段数构建特征矩阵,即特征矩阵数=情绪刺激数*电极数*脑电波段数,其中情绪刺激数是将人类情绪划分的类型(比如中性、正性和负性)的数目,电极数是脑电数据采集设备所用导联的数目,脑电波段数是指脑电数据采集时所采集脑电波段(比如Beta、Gamma等)的数目。在本实施例中,情绪刺激数=3,电极数=3,脑电波段数=5,因此特征矩阵数为45。
接下来,如图2的基于个体分类器赋权的多分类器组合策略的流程图所示,利用基于个体分类器赋权的多分类器组合策略对已构造的多源抑郁症脑电特征矩阵进行选择,本实施例从45个特征矩阵中选择出5个准确率为前10%的特征矩阵,分别为中性情绪刺激下Fp2电极Beta波段的特征矩阵(NEU_BFp2)、负性情绪刺激下Fpz电极和Fp1电极Beta波段的特征矩阵(NEG_BFpz、NEG_BFp1)以及正性情绪刺激下Fpz电极和Fp1电极Beta波段的特征矩阵(POS_BFpz、POS_BFp1)。根据其它实施例,可以根据为其它值的分类准确率来选择特征矩阵。
其次,对5个特征矩阵进行二元组合、三元组合、四元组合、五元组合,得到特征矩阵组合。
然后通过基于权重优化的并行特征层融合策略对各特征矩阵组合进行融合并选择准确率最高的特征矩阵组合。图3是基于权重优化的并行特征层融合策略的详细流程图。
在本实施例中,参与融合的最佳特征矩阵组合的特征矩阵数量n的值为3。在本实施例中最佳特征矩阵组合为:负性情绪刺激材料下Fpz电极Beta波段的特征矩阵(NEG_BFpz)、正性情绪刺激材料下Fp1电极Beta波段的特征矩阵(POS_BFp1)、正性情绪刺激材料下Fpz电极Beta波段的特征矩阵(POS_BFpz)。利用基于权重优化的并行特征层融合策略对这3个特征矩阵进行融合以形成抑郁症辅助识别模型。
融合特征矩阵X的计算如以下公式所示:
X=w1x1+w2x2+w3x3
其中x1,x2,x3分别代表NEG_BFpz,POS_BFp1,POS_BFpz 3个特征矩阵,w1,w2,w3分别代表这3个特征矩阵利用基于权重优化的并行特征层融合策略优化出的权重,在本实施例中,每个特征矩阵的权重如下表所示:
每个特征矩阵的最佳权重
虽然已给出本发明的一些实施范例,但本领域的技术人员应当理解,在不脱离本发明精神的情况下,可以对本发明的实施范例进行改变。上述实施范例只是示例性的,不应以本实施范例作为本发明权利范围的限定。
Claims (7)
1.一种基于多数据源脑电数据融合的抑郁症辅助识别模型构建方法,其特征在于,该方法包括:
步骤1):构建多数据源抑郁症脑电数据的特征矩阵;
步骤2):使用基于个体分类器赋权的多分类器组合策略对步骤1)中构建的所述特征矩阵根据其分类准确率进行选择,选取分类准确率较高的特征矩阵;
其中,基于个体分类器赋权的多分类器组合策略如下:
(1)假定个体分类器的集合E=(e1,e2,…,en),个体分类器的初始权重集合W0=(w01,w02,…,w0n),其中n为个体分类器的个数;对于特征矩阵x,分类器集合E判定的类别集合L=(l1,l2,…,ln),lr=0或1,1≤r≤n;
其中,en代表第n个个体分类器;w0n代表第n个个体分类器在第0次,即初始状态迭代下的权重;ln代表第n个个体分类器对样本x的判别结果;
则此时的组合策略为:
F0=w01l1+w02l2+…+w0nln;
其中w01+w02+…+w0n=1,当F0>0.5时,则判定样本x的类别为1,否则类别为0,
当使用n个个体分类器时需要优化n个权重,因此使用n位二进制进行编码;在目标函数设定方面,采用特征矩阵x的分类准确率f(x)作为目标函数,目标函数为最大值问题;初始分类准确率为f0(x);
(2)更新个体分类器的权重集合Wi=(wi1,wi2,…,win),i∈N+,迭代步长为α,若且j≠i,j∈N+使得fj(x)>fi(x),则令权重集合Wi=Wj,否则继续迭代,直至达到终止边界;
(3)迭代结束后,若且k≠i,k∈N+,使得fk(x)>fi(x),算法收敛,则多分类器组合策略为:
Fi=wi1l1+wi2l2+…+winln;
其中wi1+wi2+…+win=1,特征矩阵x的分类准确率为fi(x);第n次迭代中的分类准确率即为fn(x);
步骤3):对所述特征矩阵进行多元组合,即将基于个体分类器赋权的多分类器组合策略所筛选出的特征矩阵进行二元组合、三元组合、四元组合、五元组合直至n元组合,其中n为选取的所述特征矩阵数;
步骤4):采用基于权重优化的并行特征层融合策略对步骤3)中得到的所述各特征矩阵组合进行融合,并得出每个特征矩阵组合融合后的融合特征矩阵的分类准确率,从而根据融合特征矩阵的分类准确率选出最佳特征矩阵组合;以及
步骤5):对步骤4)中所述的最佳特征矩阵组合进行融合以构建抑郁症辅助识别模型。
2.根据权利要求1的方法,其特征在于,所述的分类准确率为前10%。
3.根据权利要求1的方法,其特征在于,在所述步骤4)中:
基于权重优化的并行特征层融合策略如下:
设当前特征矩阵组合共有n个数据源的特征矩阵,详细的代数方法如下:
(1)n个数据源的特征矩阵的初始权重集合Θ0=(Θ01,Θ02,…,Θ0n),Θ0i∈[-1,1],0≤i≤n且i∈N+,n个数据源的特征矩阵集合M=(m1,m2,…,mn),初始的融合特征矩阵下设目标函数/>表示融合特征矩阵的初始分类准确率,则此时的代价函数为:
(2)更新Θj=(Θj1,Θj2,…Θjn),j∈N+,迭代步长β,如果且k≠j,k∈N+,使得τk>τj,则令Θj=Θk,否则继续迭代,直至达到终止边界;
(3)迭代结束后,若r≠j,r∈N+,使得τr>τj,算法收敛,当前特征矩阵组合融合后的融合特征矩阵/>其分类准确率为/>
4.根据权利要求1的方法,其特征在于,在所述步骤5)中:
融合所述特征矩阵组合的计算公式如下:
X=w1'x1+w2'x2+…+wn'xn;
其中X表示特征矩阵组合融合后的融合特征矩阵,x1,x2,…,xn分别代表n个数据源的特征矩阵,w1',w2',…,wn'分别代表所述n个数据源的特征矩阵利用基于权重优化的并行特征层融合策略优化出的权重。
5.根据权利要求1-4中任一项的方法,其特征在于,其中所述数据源的个数与所述步骤1)构建的所述特征矩阵的数目相等。
6.根据权利要求1-4中任一项的方法,其特征在于,其中所述抑郁症辅助识别模型中的数据源数目为45个。
7.根据权利要求1-4中任一项的方法,其特征在于,其中所述数据源的个数为:情绪刺激数×电极数×脑电波段数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132515.9A CN112190269B (zh) | 2020-12-04 | 2020-12-04 | 基于多源脑电数据融合的抑郁症辅助识别模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132515.9A CN112190269B (zh) | 2020-12-04 | 2020-12-04 | 基于多源脑电数据融合的抑郁症辅助识别模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112190269A CN112190269A (zh) | 2021-01-08 |
CN112190269B true CN112190269B (zh) | 2024-03-12 |
Family
ID=74010460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011132515.9A Active CN112190269B (zh) | 2020-12-04 | 2020-12-04 | 基于多源脑电数据融合的抑郁症辅助识别模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112190269B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1251974A (zh) * | 1997-04-11 | 2000-05-03 | 哈特林克世界专利公司 | 诊断精神疾病的方法 |
CN1395433A (zh) * | 2002-07-12 | 2003-02-05 | 胜利石油管理局电力管理总公司 | 一种无线收发双频信道多元组合方法 |
CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
CN105651941A (zh) * | 2015-12-31 | 2016-06-08 | 云南中烟工业有限责任公司 | 一种基于分解-聚合策略的卷烟感官智能评估*** |
CN106407733A (zh) * | 2016-12-12 | 2017-02-15 | 兰州大学 | 基于虚拟现实场景脑电信号的抑郁症风险筛查***和方法 |
CN106886792A (zh) * | 2017-01-22 | 2017-06-23 | 北京工业大学 | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 |
CN107145519A (zh) * | 2017-04-10 | 2017-09-08 | 浙江大学 | 一种基于超图的图像检索与标注方法 |
CN109994200A (zh) * | 2019-03-08 | 2019-07-09 | 华南理工大学 | 一种基于相似度融合的多组学癌症数据整合分析方法 |
WO2019155523A1 (ja) * | 2018-02-06 | 2019-08-15 | 日本電気株式会社 | 分類器形成装置、分類器形成方法、及びプログラムを格納する非一時的なコンピュータ可読媒体 |
WO2019164064A1 (ko) * | 2018-02-26 | 2019-08-29 | (주)헬스허브 | 정제된 인공지능 강화학습 데이터 생성을 통한 의료영상 판독 시스템 및 그 방법 |
CN110693493A (zh) * | 2019-10-12 | 2020-01-17 | 北京工业大学 | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法 |
CN110739070A (zh) * | 2019-09-26 | 2020-01-31 | 南京工业大学 | 一种基于3d卷积神经网络的脑疾病诊断方法 |
CN111627553A (zh) * | 2020-05-26 | 2020-09-04 | 四川大学华西医院 | 首发精神***症个体化预测模型的构建方法 |
CN111931806A (zh) * | 2020-06-23 | 2020-11-13 | 广州杰赛科技股份有限公司 | 一种多传感器数据融合的设备故障诊断方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6636862B2 (en) * | 2000-07-05 | 2003-10-21 | Camo, Inc. | Method and system for the dynamic analysis of data |
US20180146879A9 (en) * | 2004-08-30 | 2018-05-31 | Kalford C. Fadem | Biopotential Waveform Data Fusion Analysis and Classification Method |
US10068186B2 (en) * | 2015-03-20 | 2018-09-04 | Sap Se | Model vector generation for machine learning algorithms |
-
2020
- 2020-12-04 CN CN202011132515.9A patent/CN112190269B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1251974A (zh) * | 1997-04-11 | 2000-05-03 | 哈特林克世界专利公司 | 诊断精神疾病的方法 |
CN1395433A (zh) * | 2002-07-12 | 2003-02-05 | 胜利石油管理局电力管理总公司 | 一种无线收发双频信道多元组合方法 |
CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
CN105651941A (zh) * | 2015-12-31 | 2016-06-08 | 云南中烟工业有限责任公司 | 一种基于分解-聚合策略的卷烟感官智能评估*** |
CN106407733A (zh) * | 2016-12-12 | 2017-02-15 | 兰州大学 | 基于虚拟现实场景脑电信号的抑郁症风险筛查***和方法 |
CN106886792A (zh) * | 2017-01-22 | 2017-06-23 | 北京工业大学 | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 |
CN107145519A (zh) * | 2017-04-10 | 2017-09-08 | 浙江大学 | 一种基于超图的图像检索与标注方法 |
WO2019155523A1 (ja) * | 2018-02-06 | 2019-08-15 | 日本電気株式会社 | 分類器形成装置、分類器形成方法、及びプログラムを格納する非一時的なコンピュータ可読媒体 |
WO2019164064A1 (ko) * | 2018-02-26 | 2019-08-29 | (주)헬스허브 | 정제된 인공지능 강화학습 데이터 생성을 통한 의료영상 판독 시스템 및 그 방법 |
CN109994200A (zh) * | 2019-03-08 | 2019-07-09 | 华南理工大学 | 一种基于相似度融合的多组学癌症数据整合分析方法 |
CN110739070A (zh) * | 2019-09-26 | 2020-01-31 | 南京工业大学 | 一种基于3d卷积神经网络的脑疾病诊断方法 |
CN110693493A (zh) * | 2019-10-12 | 2020-01-17 | 北京工业大学 | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法 |
CN111627553A (zh) * | 2020-05-26 | 2020-09-04 | 四川大学华西医院 | 首发精神***症个体化预测模型的构建方法 |
CN111931806A (zh) * | 2020-06-23 | 2020-11-13 | 广州杰赛科技股份有限公司 | 一种多传感器数据融合的设备故障诊断方法及装置 |
Non-Patent Citations (2)
Title |
---|
Feature-level fusion approaches based on multimodal EEG data for depression recognition;Hanshu Cai 等;《Information Fusion》;第59卷(第2020期);127-136页 * |
基于多尺度功能脑网络融合特征的抑郁症分类算法;付常洋;王瑜;肖洪兵;邢素霞;;中国医学物理学杂志;第37卷(第04期);439-444页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112190269A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Menegola et al. | RECOD titans at ISIC challenge 2017 | |
JP6244059B2 (ja) | 基準画像に基づく顔画像検証方法、及び顔画像検証システム | |
Huang et al. | A ViT-AMC network with adaptive model fusion and multiobjective optimization for interpretable laryngeal tumor grading from histopathological images | |
CN111291604A (zh) | 面部属性识别方法、装置、存储介质及处理器 | |
Liu et al. | Adaptive multilayer perceptual attention network for facial expression recognition | |
CN113011239B (zh) | 一种基于最优窄频带特征融合的运动想象分类方法 | |
CN110689523A (zh) | 基于元学习个性化图像信息评价方法、信息数据处理终端 | |
CN112085745A (zh) | 基于均衡采样拼接的多通道u型全卷积神经网络的视网膜血管图像分割方法 | |
CN109330613A (zh) | 基于实时脑电的人体情绪识别方法 | |
Sumi et al. | Improving classification accuracy using combined filter+ wrapper feature selection technique | |
CN114187308A (zh) | 基于多尺度池化金字塔的HRNet自蒸馏目标分割方法 | |
CN108256423B (zh) | 基于总体相关系数的阿尔茨海默症特征提取方法及*** | |
CN114743053B (zh) | 基于图神经网络和自注意力的磁共振影像辅助处理*** | |
CN112529063A (zh) | 一种适用于帕金森语音数据集的深度域适应分类方法 | |
Xie et al. | WT feature based emotion recognition from multi-channel physiological signals with decision fusion | |
Danubianu | Step by step data preprocessing for data mining. A case study | |
Gao et al. | AMSSE-Net: Adaptive multiscale spatial–spectral enhancement network for classification of hyperspectral and LiDAR data | |
CN112190269B (zh) | 基于多源脑电数据融合的抑郁症辅助识别模型构建方法 | |
CN114067313A (zh) | 一种双线性残差网络模型的农作物叶部病害识别方法 | |
Liu et al. | Collaborative transfer network for multi-classification of breast cancer histopathological images | |
Dong et al. | Supervised learning-based retinal vascular segmentation by m-unet full convolutional neural network | |
CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
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 | |
CN116226629B (zh) | 一种基于特征贡献的多模型特征选择方法及*** | |
CN116433679A (zh) | 一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法 |
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 |