CN113052113A - 一种基于紧凑型卷积神经网络的抑郁症识别方法及*** - Google Patents
一种基于紧凑型卷积神经网络的抑郁症识别方法及*** Download PDFInfo
- Publication number
- CN113052113A CN113052113A CN202110364597.8A CN202110364597A CN113052113A CN 113052113 A CN113052113 A CN 113052113A CN 202110364597 A CN202110364597 A CN 202110364597A CN 113052113 A CN113052113 A CN 113052113A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- depression
- compact
- compact convolutional
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (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紧凑型卷积神经网络的抑郁症识别方法及***,所述方法包括:获取若干个受测者的脑电信号数据;其中,所述受测者包括抑郁症受测者和正常受测者;对所述脑电信号数据进行数据预处理,并按照预设的比例将预处理后的脑电信号数据划分为训练数据集和测试数据集;将所述训练数据集输入至预先构建的紧凑型卷积神经网络,以对所述紧凑型卷积神经网络进行训练,在所述紧凑型卷积神经网络达到预设的收敛状态时,生成抑郁症识别模型;将所述测试数据集输入至所述抑郁症识别模型进行识别并分别输出抑郁症识别结果以及正常识别结果。通过实施本发明能够有效降低识别模型对数据质量的依赖性,并提高识别的准确性。
Description
技术领域
本发明涉及情绪识别技术领域,尤其是涉及一种基于紧凑型卷积神经网络的抑郁症识别方法及***。
背景技术
抑郁症已成为一个全球性问题,其患病率高、致残致死率高,严重影响人群健康和社会功能。现有诊断主要依赖于量表评估和精神医生的经验判断,当前医生在量表和诊断标准的选取上受其从业经验的影响,行业内并无统一的标准;此外,量表内的问题涉及到个人隐私,一些就诊人员在回答问题时会对实际情况有所隐瞒,从而导致医生诊断上的偏差。受这些因素的影响,该方法对抑郁症患者的识别率和敏感性较低。在国内,地级市以上的医院当前对抑郁症患者的识别率不足百分之二十。因而,如何客观、准确地诊断抑郁症是当前该领域研究中的一个热点。
目前,Hosseinifard等人从脑电中提取了四个EEG波段的功率谱特征和四种非线性特征,把这两类特征分别与最近邻分类算法(KNN)、线性判别分析(LDA)和逻辑回归(LR)算法相结合,在由45名抑郁症患者和45名正常被试脑电数据组成的数据集上取得了83.3%的最高分类准确率;Bachmann等人使用从脑电中提取到的线性特征频谱不对称指数(SASI)和非线性特征Higuchi’s分形维度(HFD)做抑郁症的分类研究,得到了85%的分类准确率;Erguzel等人使用特征选择算法对提取自脑电的众多特征做筛选,之后基于选取的特征组合使用反向传播神经网络做抑郁症诊断,最终得到了89.12%的最高分类准确率。
从脑电中提取的各类特征是大多数相关研究对抑郁症进行诊断的依据,特征必须用某种非线性来选择分析后,采用支持向量机、概率神经网络、逻辑回归等机器学习分类算法进行分类。
现有技术的识别方法存在以下缺点:
(1)近年来许多人利用非线性动力学方法,如关联、分形维数、Lempel-Ziv复杂度(LZC)等对脑电信号进行了研究并取得了一定进展,但它们对数据质量依赖性太强且对干扰和噪声太敏感,使其在刻画脑电非线性时受到了方法本身及数据质量的制约,这些参数的原始算法存在数据存储和计算量上的冗余。
(2)传统机器学习方法,需要花费大量精力和时间进行特征选择,并且难以判断特征质量,可能会丢失一些关键特征,从而降低识别的准确性。
发明内容
本发明旨在提供一种基于紧凑型卷积神经网络的抑郁症识别方法及***,以解决上述技术问题,从而能够降低识别模型对数据质量的依赖性,并提高识别的准确性。
为了解决上述技术问题,本发明提供了一种基于紧凑型卷积神经网络的抑郁症识别方法,包括:
获取若干个受测者的脑电信号数据;其中,所述受测者包括抑郁症受测者和正常受测者;
对所述脑电信号数据进行数据预处理,并按照预设的比例将预处理后的脑电信号数据划分为训练数据集和测试数据集;
将所述训练数据集输入至预先构建的紧凑型卷积神经网络,以对所述紧凑型卷积神经网络进行训练,在所述紧凑型卷积神经网络达到预设的收敛状态时,生成抑郁症识别模型;其中,所述紧凑型卷积神经网络包含常规卷积层、Depthwise卷积层、Separable卷积层和softmax层;
将所述测试数据集输入至所述抑郁症识别模型进行识别并分别输出抑郁症识别结果以及正常识别结果。
进一步地,所述的基于紧凑型卷积神经网络的抑郁症识别方法还包括:
根据所述抑郁症识别结果计算所述抑郁症识别模型的性能评价指标,并基于所述性能评价指标对所述抑郁症识别模型进行性能评估;其中,所述性能评价指标包括准确率、精确率和召回率。
进一步地,所述将所述训练数据集输入至预先构建的紧凑型卷积神经网络,以对所述紧凑型卷积神经网络进行训练,在所述紧凑型卷积神经网络达到预设的收敛状态时,生成抑郁症识别模型,具体包括:
将所述训练数据集输入至预先构建的紧凑型卷积神经网络进行正向传播得到预测值;
将所述预测值输入至预设的损失函数中,以比较所述预测值与目标值相差的损失值;
利用反向传播法根据所述损失值确定梯度向量,并通过所述梯度向量对所述紧凑型卷积神经网络中的网络参数进行调整,以降低所述损失值;
将所述训练数据集输入至调整参数后的紧凑型卷积神经网络并根据得到的预测值重新计算损失值,并重新对所述紧凑型卷积神经网络中的网络参数进行调整,直至所述紧凑型卷积神经网络达到预设的收敛状态,生成所述抑郁症识别模型。
进一步地,所述数据预处理为采用Z-score标准化方法。
为了解决相同的技术问题,本发明还提供了一种基于紧凑型卷积神经网络的抑郁症识别***,包括:
数据获取模块,用于获取若干个受测者的脑电信号数据;其中,所述受测者包括抑郁症受测者和正常受测者;
数据划分模块,用于对所述脑电信号数据进行数据预处理,并按照预设的比例将预处理后的脑电信号数据划分为训练数据集和测试数据集;
模型训练模块,用于将所述训练数据集输入至预先构建的紧凑型卷积神经网络,以对所述紧凑型卷积神经网络进行训练,在所述紧凑型卷积神经网络达到预设的收敛状态时,生成抑郁症识别模型;其中,所述紧凑型卷积神经网络包含常规卷积层、Depthwise卷积层、Separable卷积层和softmax层;
数据识别模块,用于将所述测试数据集输入至所述抑郁症识别模型进行识别并分别输出抑郁症识别结果以及正常识别结果。
进一步地,所述的基于紧凑型卷积神经网络的抑郁症识别***还包括:
模型评估模块,用于根据所述抑郁症识别结果计算所述抑郁症识别模型的性能评价指标,并基于所述性能评价指标对所述抑郁症识别模型进行性能评估;其中,所述性能评价指标包括准确率、精确率和召回率。
进一步地,所述模型训练模块具体包括:
数据预测单元,用于将所述训练数据集输入至预先构建的紧凑型卷积神经网络进行正向传播得到预测值;
误差计算单元,用于将所述预测值输入至预设的损失函数中,以比较所述预测值与目标值相差的损失值;
网络调整单元,用于利用反向传播法根据所述损失值确定梯度向量,并通过所述梯度向量对所述紧凑型卷积神经网络中的网络参数进行调整,以降低所述损失值;
模型生成单元,用于将所述训练数据集输入至调整参数后的紧凑型卷积神经网络并根据得到的预测值重新计算损失值,并重新对所述紧凑型卷积神经网络中的网络参数进行调整,直至所述紧凑型卷积神经网络达到预设的收敛状态,生成所述抑郁症识别模型。
进一步地,所述数据预处理为采用Z-score标准化方法。
与现有技术相比,本发明具有如下有益效果:
本发明提供了一种基于紧凑型卷积神经网络的抑郁症识别方法及***,所述方法包括:获取若干个受测者的脑电信号数据;其中,所述受测者包括抑郁症受测者和正常受测者;对所述脑电信号数据进行数据预处理,并按照预设的比例将预处理后的脑电信号数据划分为训练数据集和测试数据集;将所述训练数据集输入至预先构建的紧凑型卷积神经网络,以对所述紧凑型卷积神经网络进行训练,在所述紧凑型卷积神经网络达到预设的收敛状态时,生成抑郁症识别模型;将所述测试数据集输入至所述抑郁症识别模型进行识别并分别输出抑郁症识别结果以及正常识别结果。通过实施本发明能够有效降低识别模型对数据质量的依赖性,并提高识别的准确性。
附图说明
图1是本发明一实施例提供的基于紧凑型卷积神经网络的抑郁症识别方法的流程示意图;
图2是本发明一实施例提供的基于紧凑型卷积神经网络的抑郁症识别方法的另一流程示意图;
图3是本发明一实施例提供的紧凑型卷积神经网络的架构示意图;
图4是本发明一实施例提供的基于紧凑型卷积神经网络的抑郁症识别装置的结构示意图。
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、完整的描述,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作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。
请参见图1,本发明实施例提供了一种基于紧凑型卷积神经网络的抑郁症识别方法,包括步骤:
S1、获取若干个受测者的脑电信号数据;其中,所述受测者包括抑郁症受测者和正常受测者;
S2、对所述脑电信号数据进行数据预处理,并按照预设的比例将预处理后的脑电信号数据划分为训练数据集和测试数据集;进一步地,所述数据预处理为采用Z-score标准化方法。
S3、将所述训练数据集输入至预先构建的紧凑型卷积神经网络,以对所述紧凑型卷积神经网络进行训练,在所述紧凑型卷积神经网络达到预设的收敛状态时,生成抑郁症识别模型;其中,所述紧凑型卷积神经网络包含常规卷积层、Depthwise卷积层、Separable卷积层和softmax层;
S4、将所述测试数据集输入至所述抑郁症识别模型进行识别并分别输出抑郁症识别结果以及正常识别结果。
在本发明实施例中,进一步地,所述的基于紧凑型卷积神经网络的抑郁症识别方法还包括步骤:
S5、根据所述抑郁症识别结果计算所述抑郁症识别模型的性能评价指标,并基于所述性能评价指标对所述抑郁症识别模型进行性能评估;其中,所述性能评价指标包括准确率、精确率和召回率。
在本发明实施例中,进一步地,步骤S3具体包括:
S301、将所述训练数据集输入至预先构建的紧凑型卷积神经网络进行正向传播得到预测值;
S302、将所述预测值输入至预设的损失函数中,以比较所述预测值与目标值相差的损失值;
S303、利用反向传播法根据所述损失值确定梯度向量,并通过所述梯度向量对所述紧凑型卷积神经网络中的网络参数进行调整,以降低所述损失值;
S304、将所述训练数据集输入至调整参数后的紧凑型卷积神经网络并根据得到的预测值重新计算损失值,并重新对所述紧凑型卷积神经网络中的网络参数进行调整,直至所述紧凑型卷积神经网络达到预设的收敛状态,生成所述抑郁症识别模型。
请参见图2-图3,基于上述方案,为便于更好的理解本发明实施例提供的基于紧凑型卷积神经网络的抑郁症识别方法,以下对方案的步骤流程进行详细说明:
(1)获取数据
从MODMA数据集中获取静息状态下带有抑郁症与正常人标签的脑电信号。数据集共有55位受试的3导联(Fp1,Fpz,Fp2)脑电信号,其中26名为已被诊断的抑郁症患者,29名为正常人。
(2)数据预处理
首先需要对数据进行归一化处理,数据归一化处理是数据挖掘的一项基础工作。不同评价指标往往具有不同的量纲,数值间的差别可能很大,不进行处理可能会影响到数据分析的结果。为了消除指标之间的量纲和取值范围差异的影响,需要进行标准化处理,将数据按照比例进行缩放,使之落入一个特定的区域,便于进行综合分析,本发明实施例使用的归一化方法为Z-score。将长度为T秒的3通道脑电信号看做是C×T的矩阵。C表示通道数,再使用大小为t(40s)的滑动窗口将信号分割为m个矩阵,m表示总长度时间中时间间隔为t的数目。
矩阵维度为[3,10000],样本分割的目的在于增加样本数量。其次是划分数据集,以7:3的比例将总样本数量划分为训练集与测试集。训练集主要用来训练神经网络中的参数,模型训练完成后再通过测试集来比较判断模型的性能。
(3)模型搭建
建立初始的基于紧凑型的卷积神经网络模型,网络结构包含普通的卷积层,Depthwise卷积层,Separable卷积层,softmax层。依次对脑电时序信号执行2个卷积模块步骤:
首先,在常规卷积层中设置卷积核大小为(1,125),这里长度选择为采样频率(250HZ)的一半。这一卷积模块操作做为时间滤波器,输出的特征图包含脑电信号不同的带通频率。设置卷积核长度为采样率的一半能够捕获2Hz以上的频率信息。
在Depthwise卷积层,卷积核大小为(3,1)。此卷积模块作为空间滤波器,提取脑电信号的空间特征。在计算机视觉的CNN应用中,Depthwise卷积的主要好处是减少了拟合过程中的可训练参数的数量,因为这些卷积并没有完全连接到所有以前的特征映射。重要的是,当用于基于脑电信号的抑郁症识别任务时,该操作提供了一种直接学习每个时间滤波器的空间滤波器的方法,从而能够有效提取频率特定的空间滤波器。
这两个卷积模块步骤是一方面是受到滤波器组共空间模式的启发,另一方面在性质上类似于另一种分解技术,双线性判别分量分析。在两个卷积模块中激活函数为线性激活函数linear,在应用指数线性单元(ELU)非线性激活函数之前,沿特征映射维进行批归一化处理。为了防止训练模型过拟合,还使用了丢弃法Dropout技术。设置dropout概率为0.5。应用平均池化层大小为(1,5)降低信号的采样率为50HZ,还将每个空间滤波器的权值用最大范数约束1正则化;||W2||<1。
在Separable卷积层,这是一个深度卷积(核大小为(1,16)),表示在50Hz下40s的脑电信号活动,然后是核大小为(1,1)的逐点的卷积层。可分离卷积的主要优点包括:1、减少拟合参数;2、通过学***均池化层用于降维。
在分类模块中,特征被直接传递给一个带有N个单元的softmax分类器,N是数据中的类别数量,在本任务中类别N为2。在softmax分类器之前,省略使用密集层来进行特征聚合,以减少模型中自由参数的数量。
(4)模型训练
1、将训练集的数据输入紧凑型卷积神经网络正向传播得到得分,将“得分”输入损失函数,与目标值比较得到误差,多个则为误差的和,通过误差(损失值)判断识别程度(损失值越小则效果越好)。
2、根据损失值,利用反向传播确定梯度向量,通过梯度向量来调整每一层网络的参数(权值),从而降低损失值,使误差趋于0。
3、根据调整的参数继续计算预测值(得分),并计算预测值与目标值的误差,即损失值。
4、重复步骤2,3,直至整个卷积神经网络的损失值达到最小,即模型收敛。
(5)训练可视化
利用损失值与准确值曲线图,观察网络模型是否在有效训练,以及模型拟合的情况。若模型过拟合,欠拟合或不收敛,则通过调整对模型再训练,直至得到满意的模型拟合效果。需要说明的是,通过这个训练可视化,可以观察网络模型是否在有效训练,以及模型拟合的情况。从而通过模型在训练集上的误差不断迭代训练模型,得到对训练集拟合合理的模型。
(6)模型评估,本发明用分类的准确率,精确率,召回率衡量抑郁症识别模型的性能。计算公式如下:
准确率(正确率):Accuracy
精确率(查准率):Precision
召回率(查全率):Recall
需要说明的是,这里的模型评估是由数据预处理(2)中的测试集去做模型评估的,在这一部分模型预测的是未曾接触过的数据。我们最终的目的是将训练好的模型部署到真实的环境中,希望训练好的模型能够在真实的数据上得到好的预测效果,换句话说就是希望模型在真实数据上预测的结果误差越小越好。测试集是用来模拟真实数据的,我们把模型在真实环境中的误差叫做泛化误差,最终的目的是希望训练好的模型泛化误差越低越好。模型评估得到的指标就是为了评估模型的泛化能力的。上述在结果(训练)可视化的步骤中,所得到的结果只是为了训练出好的模型,模型的拟合能力好不代表着泛化能力就好。而在模型评估阶段,用的是测试集,目的是评估模型的泛化能力(指一个神经网络模型对于没有见过的样本的识别能力)。
与现有技术相比,本发明实施例提出一种基于紧凑型卷积神经网络的抑郁症识别方法,识别模型从抑郁症患者与正常人在静息状态下的脑电信号提取出与抑郁症任务相关的特征向量,再利用提取出的特征信息对不同人群的脑电信号进行分类,基于紧凑型卷积神经网络的脑电抑郁症识别模型可通过区分不同人群的脑电信号进行抑郁症辅助诊断。现有技术中医学临床诊断抑郁症依赖于医师的经验,采用抑郁自评表等一些调查问卷作为辅助诊断的方法,这些都易受人的主观影响,本发明方案通过对生理信号进行分析与处理,提供了一种客观可靠的辅助诊断方法。
需要说明的是,对于以上方法或流程实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作并不一定是本发明实施例所必须的。
请参见图4,为了解决相同的技术问题,本发明还提供了一种基于紧凑型卷积神经网络的抑郁症识别***,包括:
数据获取模块1,用于获取若干个受测者的脑电信号数据;其中,所述受测者包括抑郁症受测者和正常受测者;
数据划分模块2,用于对所述脑电信号数据进行数据预处理,并按照预设的比例将预处理后的脑电信号数据划分为训练数据集和测试数据集;
模型训练模块3,用于将所述训练数据集输入至预先构建的紧凑型卷积神经网络,以对所述紧凑型卷积神经网络进行训练,在所述紧凑型卷积神经网络达到预设的收敛状态时,生成抑郁症识别模型;其中,所述紧凑型卷积神经网络包含常规卷积层、Depthwise卷积层、Separable卷积层和softmax层;
数据识别模块4,用于将所述测试数据集输入至所述抑郁症识别模型进行识别并分别输出抑郁症识别结果以及正常识别结果。
进一步地,所述的基于紧凑型卷积神经网络的抑郁症识别***还包括:
模型评估模块,用于根据所述抑郁症识别结果计算所述抑郁症识别模型的性能评价指标,并基于所述性能评价指标对所述抑郁症识别模型进行性能评估;其中,所述性能评价指标包括准确率、精确率和召回率。
进一步地,所述模型训练模块具体包括:
数据预测单元,用于将所述训练数据集输入至预先构建的紧凑型卷积神经网络进行正向传播得到预测值;
误差计算单元,用于将所述预测值输入至预设的损失函数中,以比较所述预测值与目标值相差的损失值;
网络调整单元,用于利用反向传播法根据所述损失值确定梯度向量,并通过所述梯度向量对所述紧凑型卷积神经网络中的网络参数进行调整,以降低所述损失值;
模型生成单元,用于将所述训练数据集输入至调整参数后的紧凑型卷积神经网络并根据得到的预测值重新计算损失值,并重新对所述紧凑型卷积神经网络中的网络参数进行调整,直至所述紧凑型卷积神经网络达到预设的收敛状态,生成所述抑郁症识别模型。
进一步地,所述数据预处理为采用Z-score标准化方法。
可以理解的是上述***项实施例,是与本发明方法项实施例相对应的,本发明实施例提供的一种基于紧凑型卷积神经网络的抑郁症识别***,可以实现本发明任意一项方法项实施例提供的基于紧凑型卷积神经网络的抑郁症识别方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种基于紧凑型卷积神经网络的抑郁症识别方法,其特征在于,包括:
获取若干个受测者的脑电信号数据;其中,所述受测者包括抑郁症受测者和正常受测者;
对所述脑电信号数据进行数据预处理,并按照预设的比例将预处理后的脑电信号数据划分为训练数据集和测试数据集;
将所述训练数据集输入至预先构建的紧凑型卷积神经网络,以对所述紧凑型卷积神经网络进行训练,在所述紧凑型卷积神经网络达到预设的收敛状态时,生成抑郁症识别模型;其中,所述紧凑型卷积神经网络包含常规卷积层、Depthwise卷积层、Separable卷积层和softmax层;
将所述测试数据集输入至所述抑郁症识别模型进行识别并分别输出抑郁症识别结果以及正常识别结果。
2.根据权利要求1所述的基于紧凑型卷积神经网络的抑郁症识别方法,其特征在于,还包括:
根据所述抑郁症识别结果计算所述抑郁症识别模型的性能评价指标,并基于所述性能评价指标对所述抑郁症识别模型进行性能评估;其中,所述性能评价指标包括准确率、精确率和召回率。
3.根据权利要求1所述的基于紧凑型卷积神经网络的抑郁症识别方法,其特征在于,所述将所述训练数据集输入至预先构建的紧凑型卷积神经网络,以对所述紧凑型卷积神经网络进行训练,在所述紧凑型卷积神经网络达到预设的收敛状态时,生成抑郁症识别模型,具体包括:
将所述训练数据集输入至预先构建的紧凑型卷积神经网络进行正向传播得到预测值;
将所述预测值输入至预设的损失函数中,以比较所述预测值与目标值相差的损失值;
利用反向传播法根据所述损失值确定梯度向量,并通过所述梯度向量对所述紧凑型卷积神经网络中的网络参数进行调整,以降低所述损失值;
将所述训练数据集输入至调整参数后的紧凑型卷积神经网络并根据得到的预测值重新计算损失值,并重新对所述紧凑型卷积神经网络中的网络参数进行调整,直至所述紧凑型卷积神经网络达到预设的收敛状态,生成所述抑郁症识别模型。
4.根据权利要求1所述的基于紧凑型卷积神经网络的抑郁症识别方法,其特征在于,所述数据预处理为采用Z-score标准化方法。
5.一种基于紧凑型卷积神经网络的抑郁症识别***,其特征在于,包括:
数据获取模块,用于获取若干个受测者的脑电信号数据;其中,所述受测者包括抑郁症受测者和正常受测者;
数据划分模块,用于对所述脑电信号数据进行数据预处理,并按照预设的比例将预处理后的脑电信号数据划分为训练数据集和测试数据集;
模型训练模块,用于将所述训练数据集输入至预先构建的紧凑型卷积神经网络,以对所述紧凑型卷积神经网络进行训练,在所述紧凑型卷积神经网络达到预设的收敛状态时,生成抑郁症识别模型;其中,所述紧凑型卷积神经网络包含常规卷积层、Depthwise卷积层、Separable卷积层和softmax层;
数据识别模块,用于将所述测试数据集输入至所述抑郁症识别模型进行识别并分别输出抑郁症识别结果以及正常识别结果。
6.根据权利要求5所述的基于紧凑型卷积神经网络的抑郁症识别***,其特征在于,还包括:
模型评估模块,用于根据所述抑郁症识别结果计算所述抑郁症识别模型的性能评价指标,并基于所述性能评价指标对所述抑郁症识别模型进行性能评估;其中,所述性能评价指标包括准确率、精确率和召回率。
7.根据权利要求5所述的基于紧凑型卷积神经网络的抑郁症识别***,其特征在于,所述模型训练模块具体包括:
数据预测单元,用于将所述训练数据集输入至预先构建的紧凑型卷积神经网络进行正向传播得到预测值;
误差计算单元,用于将所述预测值输入至预设的损失函数中,以比较所述预测值与目标值相差的损失值;
网络调整单元,用于利用反向传播法根据所述损失值确定梯度向量,并通过所述梯度向量对所述紧凑型卷积神经网络中的网络参数进行调整,以降低所述损失值;
模型生成单元,用于将所述训练数据集输入至调整参数后的紧凑型卷积神经网络并根据得到的预测值重新计算损失值,并重新对所述紧凑型卷积神经网络中的网络参数进行调整,直至所述紧凑型卷积神经网络达到预设的收敛状态,生成所述抑郁症识别模型。
8.根据权利要求5所述的基于紧凑型卷积神经网络的抑郁症识别***,其特征在于,所述数据预处理为采用Z-score标准化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364597.8A CN113052113B (zh) | 2021-04-02 | 2021-04-02 | 一种基于紧凑型卷积神经网络的抑郁症识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364597.8A CN113052113B (zh) | 2021-04-02 | 2021-04-02 | 一种基于紧凑型卷积神经网络的抑郁症识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052113A true CN113052113A (zh) | 2021-06-29 |
CN113052113B CN113052113B (zh) | 2022-11-04 |
Family
ID=76517381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110364597.8A Active CN113052113B (zh) | 2021-04-02 | 2021-04-02 | 一种基于紧凑型卷积神经网络的抑郁症识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052113B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113397565A (zh) * | 2021-07-22 | 2021-09-17 | 北京脑陆科技有限公司 | 基于脑电信号的抑郁识别方法、装置、终端及介质 |
CN113476058A (zh) * | 2021-07-22 | 2021-10-08 | 北京脑陆科技有限公司 | 对抑郁症患者的干预处理方法、装置、终端及介质 |
CN113569985A (zh) * | 2021-08-18 | 2021-10-29 | 梧州市中医医院 | 一种烙铁头蛇或竹叶青蛇咬伤的智能识别*** |
CN113723557A (zh) * | 2021-09-08 | 2021-11-30 | 山东大学 | 一种基于多频带时空卷积网络的抑郁脑电分类*** |
CN113712542A (zh) * | 2021-08-27 | 2021-11-30 | 中山大学孙逸仙纪念医院 | 基于深度学习的耳鸣脑电图卷积神经网络模型构建方法 |
CN114403899A (zh) * | 2022-02-08 | 2022-04-29 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法 |
CN114623799A (zh) * | 2022-02-10 | 2022-06-14 | 广州大铁锐威科技有限公司 | 结构健康监测数据异常预警方法、***、装置及存储介质 |
CN115662576A (zh) * | 2022-12-30 | 2023-01-31 | 北京航空航天大学 | 一种阿尔兹海默症和关联认知障碍病症的神经反馈训练范式的生成方法、神经反馈训练*** |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120002848A1 (en) * | 2009-04-16 | 2012-01-05 | Hill Daniel A | Method of assessing people's self-presentation and actions to evaluate personality type, behavioral tendencies, credibility, motivations and other insights through facial muscle activity and expressions |
US20130004019A1 (en) * | 2011-06-30 | 2013-01-03 | Fujitsu Limited | Image recognition device, image recognition method and recording medium for image recognition program |
CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
US20140206945A1 (en) * | 2013-01-22 | 2014-07-24 | Cyberonics, Inc. | Cranial nerve stimulation to treat depression disorders |
US20140378810A1 (en) * | 2013-04-18 | 2014-12-25 | Digimarc Corporation | Physiologic data acquisition and analysis |
US20170365094A1 (en) * | 2016-04-04 | 2017-12-21 | University Of Cincinnati | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data |
US20180173942A1 (en) * | 2016-12-16 | 2018-06-21 | Samsung Electronics Co., Ltd. | Method and apparatus for generating facial expression and training method for generating facial expression |
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*** |
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*** |
CN110472564A (zh) * | 2019-08-14 | 2019-11-19 | 成都中科云集信息技术有限公司 | 一种基于特征金字塔网络的双向lstm微表情识别抑郁症方法 |
CN111126263A (zh) * | 2019-12-24 | 2020-05-08 | 东南大学 | 一种基于双半球差异性模型的脑电情感识别方法及装置 |
CN111192659A (zh) * | 2019-12-31 | 2020-05-22 | 苏州思必驰信息科技有限公司 | 用于抑郁检测的预训练方法和抑郁检测方法及装置 |
CN111209806A (zh) * | 2019-12-25 | 2020-05-29 | 中国人民解放军战略支援部队信息工程大学 | 基于单试次脑电信号的视频目标异步检测方法 |
CN112232191A (zh) * | 2020-10-15 | 2021-01-15 | 南京邮电大学 | 基于微表情分析的抑郁症识别*** |
CN112380924A (zh) * | 2020-10-26 | 2021-02-19 | 华南理工大学 | 一种基于面部微表情动态识别的抑郁倾向检测方法 |
-
2021
- 2021-04-02 CN CN202110364597.8A patent/CN113052113B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120002848A1 (en) * | 2009-04-16 | 2012-01-05 | Hill Daniel A | Method of assessing people's self-presentation and actions to evaluate personality type, behavioral tendencies, credibility, motivations and other insights through facial muscle activity and expressions |
US20130004019A1 (en) * | 2011-06-30 | 2013-01-03 | Fujitsu Limited | Image recognition device, image recognition method and recording medium for image recognition program |
US20140206945A1 (en) * | 2013-01-22 | 2014-07-24 | Cyberonics, Inc. | Cranial nerve stimulation to treat depression disorders |
CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
US20140378810A1 (en) * | 2013-04-18 | 2014-12-25 | Digimarc Corporation | Physiologic data acquisition and analysis |
US20170365094A1 (en) * | 2016-04-04 | 2017-12-21 | University Of Cincinnati | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data |
US20180173942A1 (en) * | 2016-12-16 | 2018-06-21 | Samsung Electronics Co., Ltd. | Method and apparatus for generating facial expression and training method for generating facial expression |
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*** |
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*** |
CN110472564A (zh) * | 2019-08-14 | 2019-11-19 | 成都中科云集信息技术有限公司 | 一种基于特征金字塔网络的双向lstm微表情识别抑郁症方法 |
CN111126263A (zh) * | 2019-12-24 | 2020-05-08 | 东南大学 | 一种基于双半球差异性模型的脑电情感识别方法及装置 |
CN111209806A (zh) * | 2019-12-25 | 2020-05-29 | 中国人民解放军战略支援部队信息工程大学 | 基于单试次脑电信号的视频目标异步检测方法 |
CN111192659A (zh) * | 2019-12-31 | 2020-05-22 | 苏州思必驰信息科技有限公司 | 用于抑郁检测的预训练方法和抑郁检测方法及装置 |
CN112232191A (zh) * | 2020-10-15 | 2021-01-15 | 南京邮电大学 | 基于微表情分析的抑郁症识别*** |
CN112380924A (zh) * | 2020-10-26 | 2021-02-19 | 华南理工大学 | 一种基于面部微表情动态识别的抑郁倾向检测方法 |
Non-Patent Citations (2)
Title |
---|
刘岩 等: "基于固有模态分解和深度学习的抑郁症脑电信号分类分析", 《中国医学物理学杂志》 * |
樊晓平 等: "基于多层前馈型人工神经网络的抑郁症分类***研究", 《计算机工程与应用》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113397565A (zh) * | 2021-07-22 | 2021-09-17 | 北京脑陆科技有限公司 | 基于脑电信号的抑郁识别方法、装置、终端及介质 |
CN113476058A (zh) * | 2021-07-22 | 2021-10-08 | 北京脑陆科技有限公司 | 对抑郁症患者的干预处理方法、装置、终端及介质 |
CN113476058B (zh) * | 2021-07-22 | 2022-11-29 | 北京脑陆科技有限公司 | 对抑郁症患者的干预处理方法、装置、终端及介质 |
CN113569985A (zh) * | 2021-08-18 | 2021-10-29 | 梧州市中医医院 | 一种烙铁头蛇或竹叶青蛇咬伤的智能识别*** |
CN113569985B (zh) * | 2021-08-18 | 2023-08-22 | 梧州市中医医院 | 一种烙铁头蛇或竹叶青蛇咬伤的智能识别*** |
CN113712542A (zh) * | 2021-08-27 | 2021-11-30 | 中山大学孙逸仙纪念医院 | 基于深度学习的耳鸣脑电图卷积神经网络模型构建方法 |
CN113723557A (zh) * | 2021-09-08 | 2021-11-30 | 山东大学 | 一种基于多频带时空卷积网络的抑郁脑电分类*** |
CN113723557B (zh) * | 2021-09-08 | 2023-08-08 | 山东大学 | 一种基于多频带时空卷积网络的抑郁脑电分类*** |
CN114403899B (zh) * | 2022-02-08 | 2023-07-25 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测装置 |
CN114403899A (zh) * | 2022-02-08 | 2022-04-29 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法 |
CN114623799A (zh) * | 2022-02-10 | 2022-06-14 | 广州大铁锐威科技有限公司 | 结构健康监测数据异常预警方法、***、装置及存储介质 |
CN114623799B (zh) * | 2022-02-10 | 2024-03-08 | 广州大铁锐威科技有限公司 | 结构健康监测数据异常预警方法、***、装置及存储介质 |
CN115662576A (zh) * | 2022-12-30 | 2023-01-31 | 北京航空航天大学 | 一种阿尔兹海默症和关联认知障碍病症的神经反馈训练范式的生成方法、神经反馈训练*** |
Also Published As
Publication number | Publication date |
---|---|
CN113052113B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052113B (zh) | 一种基于紧凑型卷积神经网络的抑郁症识别方法及*** | |
Wang et al. | Channel selection method for EEG emotion recognition using normalized mutual information | |
Rubin et al. | Recognizing abnormal heart sounds using deep learning | |
Alqudah et al. | ECG heartbeat arrhythmias classification: A comparison study between different types of spectrum representation and convolutional neural networks architectures | |
CN113729707A (zh) | 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法 | |
Yuan et al. | A novel wavelet-based model for eeg epileptic seizure detection using multi-context learning | |
Olesen et al. | Deep residual networks for automatic sleep stage classification of raw polysomnographic waveforms | |
Singhal et al. | Detection of alcoholism using EEG signals and a CNN-LSTM-ATTN network | |
Jinliang et al. | EEG emotion recognition based on granger causality and capsnet neural network | |
CN113974627B (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
Parte et al. | Non-invasive method for diabetes detection using CNN and SVM classifier | |
CN114595725A (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
CN117883082A (zh) | 一种异常情绪识别方法、***、设备及介质 | |
CN116584902B (zh) | 基于特征选优及可视化的心音分类装置 | |
Liu et al. | Automated Machine Learning for Epileptic Seizure Detection Based on EEG Signals. | |
Gahlan et al. | Three dimensional emotion state classification based on EEG via empirical mode decomposition | |
Xu et al. | Eeg signal classification and feature extraction methods based on deep learning: A review | |
Rajasekharan et al. | EEG-based Mental Workload Assessment using a Graph Attention Network | |
Rudas et al. | On activity identification pipelines for a low-accuracy EEG device | |
Singhal et al. | A deep learning architecture for spatio-temporal feature extraction and alcoholism detection | |
Derevyagin et al. | Applying Neural Networks in Polygraph Testing | |
Roy et al. | A machine learning model to recognise human emotions using electroencephalogram | |
Taha et al. | EEG Emotion Recognition Via Ensemble Learning Representations | |
Sophia et al. | Real time cognitive state prediction analysis using brain wave signal | |
Sakl et al. | DL Methods for Skin Lesions Automated Diagnosis In Smartphone Images |
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 |