CN116211322A - 一种基于机器学习脑电信号的抑郁症识别方法和*** - Google Patents
一种基于机器学习脑电信号的抑郁症识别方法和*** Download PDFInfo
- Publication number
- CN116211322A CN116211322A CN202310342454.6A CN202310342454A CN116211322A CN 116211322 A CN116211322 A CN 116211322A CN 202310342454 A CN202310342454 A CN 202310342454A CN 116211322 A CN116211322 A CN 116211322A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- electroencephalogram signal
- signal
- depression
- machine learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000007637 random forest analysis Methods 0.000 claims abstract description 22
- 210000004556 brain Anatomy 0.000 claims abstract description 17
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003183 myoelectrical effect Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 2
- 238000005311 autocorrelation function Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 7
- 238000003066 decision tree Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007177 brain activity Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000020401 Depressive disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001202 rhombencephalon Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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]
-
- 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
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (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机器学习脑电信号的抑郁症识别方法和***，所述方法包括：获取原始脑电信号，将所述原始脑电信息进行去噪和规范化处理，得到第一脑电信号；对所述第一脑电信号进行特征提取，提取到脑电信号中包括的线性特征、非线性特征和功率谱特征；将提取到的所述线性特征、非线性特征和功率谱特征输入到随机森林中进行训练，得到训练好的抑郁症分类模型；根据所述训练好的抑郁症分类模型输出目标脑电信号的抑郁症概率。所述方法和***预先对采集到的脑电信号进行特征选取，选取脑电信号中的线性特征、非线性特征和功率谱特征，将上述提取的特征进行规范化处理后选择不同脑电通道进行随机森林模型构建。
Description
技术领域
本发明涉及脑科学技术领域，特别涉及一种基于机器学习脑电信号的抑郁症识别方法和***。
背景技术
脑电是一种使用电生理指标记录大脑活动方法，记录大脑活动时电波变化，研究表明脑电信号虽然复杂不稳定，但是对于抑郁症患者脑功能的变化会在脑电信号中反映出来，通过脑电信号去识别抑郁症是提供了一种较为客观的方法辅助抑郁症的诊断。目前现有技术中抑郁症的诊断依然依赖于医生主观因素的判断，缺乏客观的标准准确识别抑郁症的脑电信号。
发明内容
本发明其中一个发明目的在于提供一种基于机器学习脑电信号的抑郁症识别方法和***，所述方法和***预先对采集到的脑电信号进行特征选取，选取脑电信号中的线性特征、非线性特征和功率谱特征，将上述提取的特征进行规范化处理后选择不同脑电通道进行随机森林模型构建，利用所述随机森林模型判断抑郁症病人，从而使得本发明利用脑电信号判断抑郁症的准确率大幅提高。
本发明其中一个发明目的在于提供一种基于机器学习脑电信号的抑郁症识别方法和***，所述方法和***利用了非线性特征中的DFA和Hjorth参数，其中DFA和Hjorth参数分别描述了长程相关性和脑电信号的活动性、移动性和复杂度。因此本发明选取构建的特征从更多维度分析脑电信号的抑郁症之间潜在的联系，提高脑电分析抑郁症的准确性。
本发明其中一个发明目的在于提供一种基于机器学习脑电信号的抑郁症识别方法和***，所述方法和***将脑电信号进行去噪和规范化处理，其中去噪和规范化处理包括去除眼电伪迹、肌电伪迹、心电伪迹等伪迹，剔除市电干扰、电极伪迹等不良信号，得到可以准体现脑电信号的洁净数据，提高随机森林的模型训练效果。
为了实现至少一个上述发明目的，本发明进一步提供一种基于机器学习脑电信号的抑郁症识别方法，所述方法包括：
获取原始脑电信号，将所述原始脑电信息进行去噪和规范化处理，得到第一脑电信号；
对所述第一脑电信号进行特征提取，提取到脑电信号中包括的线性特征、非线性特征和功率谱特征；
将提取到的所述线性特征、非线性特征和功率谱特征输入到随机森林中进行训练，得到训练好的抑郁症分类模型；
根据所述训练好的抑郁症分类模型输出目标脑电信号的抑郁症概率。
根据本发明其中一个较佳实施例，所述去噪处理包括：对原始脑电信号中的生理伪迹，如眼电伪迹、肌电伪迹、心电伪迹、非生理伪迹和市电干扰剔除，规范化处理包括：对去噪后脑电信号进行滤波和去除坏段。
根据本发明另一个较佳实施例，对所述第一脑电信号进行特征提取的方法包括：利用FIR滤波将所述第一脑电信号分成包括Delta、Theta、Alphal、Alpha2、Beta、Gramma的6个频段，从所述6个频段和全频段中根据不同特征的特征类型数和对应特征通道数从7个频段第一脑电信号中分别提取所述线性特征、非线性特征和功率谱特征。
根据本发明另一个较佳实施例，其中所述线性特征的特征类型包括脑电信号序列中最大值，每段脑电信号中的方差，脑电信号中的峰度，脑电信号中的偏度，用于构建所述线性特征。
根据本发明另一个较佳实施例，所述非线性特征的特征类型包括：去趋势波动分析，用于分析时间序列的长程相关性，Hjorth参数，用于脑电信号的特征提取和分析处理的参数；谱熵，用于描述功率谱和熵率的关系。
根据本发明另一个较佳实施例，所述去趋势波动分析方法包括：分析时间序列的长程关系，采用如下公式计算趋势波动：
其中公式(1)中的Ave表示x的序列值，将积分序列Y切片成方框，其中x是信号长度的2的最近幂，而公式(2)中的Yn是指装配线上的系列，k个元素Yn(k)对应于y(k)，公式(3)中的F(n)表示所有盒子中平均总剩余的平方根，所述趋势波动为在log(F(n))和log(n)之间执行最小二乘拟合，拟合线的斜率为趋势波动值。
根据本发明另一个较佳实施例，所述非线性特征还包括Hjorth参数，其中所述Hjorth参数包括活动性、移动性和复杂度，计算公式分别为：
Activity＝VAR(y)2；
Complexity＝Mobility(y′)/Mobility(y)；
其中，参数y为信号，y′是信号的导数，VAR为方差
根据本发明另一个较佳实施例，计算功率谱特征方法如下：将长度为N的第一脑电信号x(n),分为L段，每段包含M个数据，第i段脑电信号表示为：
Xi(n)＝x(n+iM-M),0≤n≤M,1≤i≤L；
周期图计算公式如下：
功率谱估计公式为：
xx表示信号的功率谱密度，表示信号在频域中每个频率上的功率强度，L表示分段数，即将信号分成L个段进行处理，通常采用分段处理的方法是为了减少信号长度对频率精度的影响，以提高功率谱密度估计的准确性，Ii(w)，表示第i段信号在频率w上的周期图，可以理解为对第i段信号进行傅里叶变换得到的频率谱。
为了实现至少一个上述发明目的，本发明进一步提供一种基于机器学习脑电信号的抑郁症识别***，所述***执行上述一种基于机器学习脑电信号的抑郁症识别方法。
本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现上述一种基于机器学习脑电信号的抑郁症识别方法。
附图说明
图1显示的是本发明一种基于机器学习脑电信号的抑郁症识别方法流程示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
请结合图1，本发明公开了一种基于机器学习脑电信号的抑郁症识别方法和***，其中所述方法主要包括如下步骤：获取原始脑电信号，将原始脑电信号整理为可被识别的edf、set、vhdr等的脑电文件格式数据，生成原始脑电样本数据，将所述原始脑电样本数据进行去噪和规范化处理，其中将去噪和规范化处理的第一脑电信号进行特征提取，提取到脑电信号中的线性特征、非线性特征和功率谱特征，将提取的所述线性特征、非线性特征和功率谱特征输入到随机森林中进行模型训练，得到训练好的抑郁预测模型用于目标脑电信号的抑郁概率预测。
具体而言，在完成对原始脑电信号的去噪和规范化处理后得到第一脑电信号，进一步将所述第一脑电信号作为样本脑电信号采用FIR滤波得到脑电信号，将脑电信号划分为6个频段，Delta(0.5-4Hz)，Theta(4-7Hz)，Alphal(8-10Hz)，Alpha2(10-12Hz)，Beta(13-30Hz)，Gramma(30-40Hz)，全频段为包括上述6个频段的所有频段。进一步对脑电信号进行特征提取，线性特征包括最大值、方差、峰度和偏度，非线性特征包括趋势波动(DFA)和Hjorth参数，功率谱特征包括功率谱密度和频带能量。其中，DFA值表示长程相关性，Hjorth参数描述脑电信号的活动性、移动性和复杂度。
将上述提取的特征作为输入脑电特征，输入到随机森林模型中构建抑郁分类模型。其中所述抑郁分类模型用于输出输入脑电特征是抑郁状态还是正常状态的概率值。
所述去噪方法包括但不仅限于对脑电信号中的伪迹进行剔除，包括生理伪迹，如眼电伪迹、肌电伪迹、心电伪迹等，还包括非生理伪迹，市电干扰，电极伪迹。所述规范化处理包括滤波，剔除坏段等。上述伪迹处理和规范化处理本发明不再详细描述，本领域技术人员可以根据需要执行。
其中所述线性特征提取的类型包括：
最大值，找到一段脑电信号序列的最大值；
方差,计算每段脑电数据中的方差，方差用以度量脑电信号序列数据的离散情况；
峰度，表示概率密度分布曲线在平均值处峰值高低的特征数，具体计算方法如下：
其中
表示样本均值，SD表示标准差；
偏度，用以度量统计数据分布偏斜方向和程度的特征，具体计算如下
其中k2k3分别表示二阶和三阶中心矩，k为一阶中心矩，σ用来表示标准差，μ表示数据平均值。
非线性特征包括：去趋势波动分析(DFA)，用以分析时间序列的长程相关性，时间序列可以表示为X＝[X(1),X(2),……,X(N)]，DFA具体计算方式如下：
公式1：
其中公式1中的Ave表示x的序列值。将积分序列Y切片成方框，其中x是信号长度的2的最近幂。
公式2：
公式2中的Yn是指装配线上的系列，k个元素Yn(k)对应于y(k)。
公式3：
公式3中的F(n)表示所有盒子中平均总剩余的平方根。
其中去趋势波动分析DFA为在log(F(n))和log(n)之间执行最小二乘拟合，拟合线的斜率为DFA值。
所述非线性特征还包括Hjorth参数，该参数由三个描述符参数组成:
活动性：Activity＝VAR(y)2；
移动性：
复杂度：Complexity＝Mobility(y′)/Mobility(y)；
其中上述参数中的y为信号，y′是信号的导数。
提取特征还包括功率谱特征：功率谱密度可以看作一段信号在单位频率内的“功率”，功率谱Welch计算功率谱密度如下：
将长度为N的脑电数据x(n),分为L段，每段包含M个数据，第i段脑电数据表示为：
Xi(n)＝x(n+iM-M),0≤n≤M,1≤i≤L
周期图计算公式如下：
上述功率谱估计公式：
对上述特征进行选择，基于L1正则化的线性特征选择使用线性模型系数筛选脑电特征，重要的特征在模型中对应系数越大，若特征中存在较多0则形成稀疏矩阵。
其中L1正则化认为是损失函数的惩罚项，惩罚是对损失函数某些参数做限制L1正则化损失函数为：
Xw是数据矩阵X乘以权重向量w的结果，表示线性回归模型的预测值；y是真实标签向量，表示训练数据的真实值；nasmples表示训练样本的数量；w是待求解的权重向量；α是正则化参数，用于控制L1正则化项的权重。α‖w‖1是L1正则化项，用于对权重向量w进行惩罚，使得模型的解更加稀疏。
其中L1正则化可以生成一个稀疏矩阵，表示少数特征对于最终预测结果有帮助，即系数非0特征，将系数非0对应特征保存，完成特征选择过程。
完成上述特征选择后，选择不同的脑电通道进行随机森林分类模型建立，脑电通道可根据不同类型脑电帽进行选取，包括前额，后脑等部位。
随机森林利用多棵决策树对样本集进行训练并预测,所述决策树为一种常见的分类和回归算法，它通过构建树形结构来对数据进行分类或预测。决策树构建过程为：
1.决策树的每个节点都代表一个特征，每个分支代表一个特征值，并且每个叶节点代表一种分类或回归结果。决策树的构建过程是一个递归的过程，从根节点开始，每次选择一个最优的特征进行***，直到达到某个停止条件为止。
2.决策树的分类或预测过程是从根节点开始，依次根据每个节点的特征值进行向下遍历，直到达到叶节点，即得到最终的分类或预测结果。
3.通过一系列的特征分割来逐步划分数据空间，从而实现对数据的分类或预测。在决策树的构建过程中，通常使用信息增益来选择最优的分割特征和特征值。信息增益的计算公式为：
其中，S是数据集，A是一个特征，vaules(A)是特征A所有可能的取值集合，Sv是在特征S取值为v时的数据子集，|S|和|Sv|分别表示数据集S和数据子集|Sv|的大小，Ent(S)是数据集S的熵，计算公式为：
其中，|C|是数据集|S|中类别的数量，pi是数据集S中属于类别i的样本所占的比例。
随机森林是一种基于决策树的集成学***均，从而得到最终的分类或预测结果。随机森林构建过程如下：
首先随机从原始数据集中有放回地抽样得到若干个数据子集，然后对每个数据子集分别构建一棵决策树，每次在分割节点处随机选择一部分特征进行分割，最后将所有决策树的结果进行投票或平均得到最终结果。
随机森林中的每棵决策树都是独立的，它们之间没有关联。这种随机化的方式可以降低随机误差和过拟合风险，提高算法的泛化能力。随机森林的分类或预测过程与决策树类似，只不过需要对所有决策树的结果进行投票或平均来得到最终结果。假设随机森林中共有T棵决策树，第t棵决策树的分类或预测结果为yt，则随机森林的分类或预测结果为：
其中yRF是随机森林的分类或预测结果。
使用随机森林进行抑郁症脑电信号识别是一种高效、准确且易于实现的机器学***衡的数据集也具有良好的适应性；随机森林具有可解释性和可视化性，可以通过可视化决策树来分析数据的特征和分类规则。从而能够更准确对抑郁症脑电病人的信号进行识别判断，提高精确度。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线段、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线段的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线段、电线段、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明，本发明的目的已经完整并有效地实现，本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
Claims (10)
1.一种基于机器学习脑电信号的抑郁症识别方法，其特征在于，所述方法包括：
获取原始脑电信号，将所述原始脑电信息进行去噪和规范化处理，得到第一脑电信号；
对所述第一脑电信号进行特征提取，提取到脑电信号中包括的线性特征、非线性特征和功率谱特征；
将提取到的所述线性特征、非线性特征和功率谱特征输入到随机森林中进行训练，得到训练好的抑郁症分类模型；
根据所述训练好的抑郁症分类模型输出目标脑电信号的抑郁症概率。
2.根据权利要求1所述的一种基于机器学习脑电信号的抑郁症识别方法，其特征在于，所述去噪处理包括：对原始脑电信号中的生理伪迹，如眼电伪迹、肌电伪迹、心电伪迹、非生理伪迹和市电干扰剔除，规范化处理包括：对去噪后脑电信号进行滤波和去除坏段。
3.根据权利要求1所述的一种基于机器学习脑电信号的抑郁症识别方法，其特征在于，对所述第一脑电信号进行特征提取的方法包括：利用FIR滤波将所述第一脑电信号分成包括Delta、Theta、Alphal、Alpha2、Beta、Gramma的6个频段，从所述6个频段和全频段中根据不同特征的特征类型数和对应特征通道数从7个频段第一脑电信号中分别提取所述线性特征、非线性特征和功率谱特征。
4.根据权利要求1所述的一种基于机器学习脑电信号的抑郁症识别方法，其特征在于，其中所述线性特征的特征类型包括脑电信号序列中最大值，每段脑电信号中的方差，脑电信号中的峰度，脑电信号中的偏度，用于构建所述线性特征。
5.根据权利要求1所述的一种基于机器学习脑电信号的抑郁症识别方法，其特征在于，所述非线性特征的特征类型包括：去趋势波动分析，用于分析时间序列的长程相关性，Hjorth参数，用于脑电信号的特征提取和分析处理的参数；谱熵，用于描述功率谱和熵率的关系。
6.根据权利要求1所述的一种基于机器学习脑电信号的抑郁症识别方法，其特征在于，所述去趋势波动分析方法包括：分析时间序列的长程关系，采用如下公式计算趋势波动：
其中公式(1)中的Ave表示x的序列值，将积分序列Y切片成方框，其中x是信号长度的2的最近幂，而公式(2)中的Yn是指装配线上的系列，k个元素Yn(k)对应于y(k)，公式(3)中的F(n)表示所有盒子中平均总剩余的平方根，所述趋势波动为在log(F(n))和log(n)之间执行最小二乘拟合，拟合线的斜率为趋势波动值。
7.根据权利要求1所述的一种基于机器学习脑电信号的抑郁症识别方法，其特征在于，所述非线性特征还包括Hjorth参数，其中所述Hjorth参数包括活动性、移动性和复杂度，计算公式分别为：
Activity＝VAR(y)2；
Complexity＝Mobility(y′)/Mobility(y)；
其中，参数y为信号，y′是信号的导数，VAR为方差。
8.根据权利要求1所述的一种基于机器学习脑电信号的抑郁症识别方法，其特征在于，计算功率谱特征方法如下：
将长度为N的第一脑电信号x(n),分为L段，每段包含M个数据，第i段脑电信号表示为：
Xi(n)＝x(n+iM-M),0≤n≤M,1≤i≤L；
周期图计算公式如下：
功率谱估计公式为：
下标的“xx”表示信号的自相关函数，即信号x(n)和x(n-k)的乘积的平均值，L表示分段数，即将信号分成L个段进行处理，通常采用分段处理的方法是为了减少信号长度对频率精度的影响，以提高功率谱密度估计的准确性。
9.一种基于机器学习脑电信号的抑郁症识别***，其特征在于，所述***执行权利要求1-8中任意一项所述的一种基于机器学习脑电信号的抑郁症识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1-8中任意一项所述的一种基于机器学习脑电信号的抑郁症识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310342454.6A CN116211322A (zh) | 2023-03-31 | 2023-03-31 | 一种基于机器学习脑电信号的抑郁症识别方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310342454.6A CN116211322A (zh) | 2023-03-31 | 2023-03-31 | 一种基于机器学习脑电信号的抑郁症识别方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116211322A true CN116211322A (zh) | 2023-06-06 |
Family
ID=86580690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310342454.6A Pending CN116211322A (zh) | 2023-03-31 | 2023-03-31 | 一种基于机器学习脑电信号的抑郁症识别方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116211322A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117633667A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学第一医院 | 基于n270波形的抑郁症病症识别方法、装置及设备 |
| CN117942076A (zh) * | 2024-01-18 | 2024-04-30 | 好心情健康产业集团有限公司 | 基于单导脑电信号的心理状态识别方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106618611A (zh) * | 2017-03-06 | 2017-05-10 | 兰州大学 | 基于睡眠多通道生理信号的抑郁症辅助诊断方法和*** |
| CN109199414A (zh) * | 2018-10-30 | 2019-01-15 | 武汉理工大学 | 一种基于脑电信号的视听诱发情绪识别方法及*** |
| CN110025322A (zh) * | 2019-04-11 | 2019-07-19 | 辽宁师范大学 | 基于滤波与集成分类器的多模态生理信号情感分类方法 |
| CN112200016A (zh) * | 2020-09-17 | 2021-01-08 | 东北林业大学 | 基于集成学习方法AdaBoost的脑电信号情感识别 |
| CN112741638A (zh) * | 2021-01-05 | 2021-05-04 | 北京航空航天大学 | 一种基于eeg信号的医疗诊断辅助*** |
| CN115349861A (zh) * | 2022-08-23 | 2022-11-18 | 山东大学 | 一种基于单通道脑电信号的精神压力检测***及方法 |
-
2023
- 2023-03-31 CN CN202310342454.6A patent/CN116211322A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106618611A (zh) * | 2017-03-06 | 2017-05-10 | 兰州大学 | 基于睡眠多通道生理信号的抑郁症辅助诊断方法和*** |
| CN109199414A (zh) * | 2018-10-30 | 2019-01-15 | 武汉理工大学 | 一种基于脑电信号的视听诱发情绪识别方法及*** |
| CN110025322A (zh) * | 2019-04-11 | 2019-07-19 | 辽宁师范大学 | 基于滤波与集成分类器的多模态生理信号情感分类方法 |
| CN112200016A (zh) * | 2020-09-17 | 2021-01-08 | 东北林业大学 | 基于集成学习方法AdaBoost的脑电信号情感识别 |
| CN112741638A (zh) * | 2021-01-05 | 2021-05-04 | 北京航空航天大学 | 一种基于eeg信号的医疗诊断辅助*** |
| CN115349861A (zh) * | 2022-08-23 | 2022-11-18 | 山东大学 | 一种基于单通道脑电信号的精神压力检测***及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117942076A (zh) * | 2024-01-18 | 2024-04-30 | 好心情健康产业集团有限公司 | 基于单导脑电信号的心理状态识别方法及装置 |
| CN117633667A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学第一医院 | 基于n270波形的抑郁症病症识别方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8315970B2 (en) | Method and rhythm extractor for detecting and isolating rhythmic signal features from an input signal using the wavelet packet transform | |
| CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、***、装置和介质 | |
| CN116211322A (zh) | 一种基于机器学习脑电信号的抑郁症识别方法和*** | |
| CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及*** | |
| CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
| CN112741638B (zh) | 一种基于eeg信号的医疗诊断辅助*** | |
| Sairamya et al. | A new approach for automatic detection of focal EEG signals using wavelet packet decomposition and quad binary pattern method | |
| CN113066502B (zh) | 基于vmd和多小波的心音分割定位方法 | |
| CN114366124B (zh) | 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 | |
| Al-Qazzaz et al. | Effective EEG channels for emotion identification over the brain regions using differential evolution algorithm | |
| CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
| CN117503057B (zh) | 基于高阶张量分解构建脑网络的癫痫发作检测装置及介质 | |
| CN112800928B (zh) | 融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法 | |
| CN113723557B (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类*** | |
| CN114027846B (zh) | 一种智能心电信号处理方法 | |
| CN113974653A (zh) | 基于约登指数优化棘波检测方法和装置、存储介质和终端 | |
| CN111887811B (zh) | 基于脑电信号特征的大脑异常放电检测方法及*** | |
| Stepanov | Wavelet analysis of compressed biomedical signals | |
| Jaffino et al. | Expectation-maximization extreme machine learning classifier for epileptic seizure detection | |
| CN115017960B (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
| CN116350239A (zh) | 一种脑电信号专注度分类方法及*** | |
| Liu et al. | Remove motion artifacts from scalp single channel EEG based on noise assisted least square multivariate empirical mode decomposition | |
| CN111493864B (zh) | Eeg信号混合噪声处理方法、设备和存储介质 | |
| CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及*** | |
| CN114795247A (zh) | 脑电信号分析方法、装置、电子设备和存储介质 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Pan Yu Inventor after: Jin Jia Inventor after: Wang Zhongfeng Inventor after: Li Yuhao Inventor before: Pan Yu Inventor before: Jin Jia Inventor before: Wang Zhongfeng Inventor before: Li Yuhao |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230606 |