CN116250837B - 一种基于动态因效性脑网络的抑郁症检测装置 - Google Patents
一种基于动态因效性脑网络的抑郁症检测装置 Download PDFInfo
- Publication number
- CN116250837B CN116250837B CN202310111108.7A CN202310111108A CN116250837B CN 116250837 B CN116250837 B CN 116250837B CN 202310111108 A CN202310111108 A CN 202310111108A CN 116250837 B CN116250837 B CN 116250837B
- Authority
- CN
- China
- Prior art keywords
- brain
- dynamic
- network
- characteristic
- depression
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000001364 causal effect Effects 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 11
- 230000000638 stimulation Effects 0.000 claims abstract description 9
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 230000035945 sensitivity Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 9
- 230000000994 depressogenic effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000003001 depressive effect Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 claims 1
- 230000006698 induction Effects 0.000 claims 1
- 230000000763 evoking effect Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 208000020401 Depressive disease Diseases 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000003925 brain function Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000013632 homeostatic process Effects 0.000 description 2
- 208000024714 major depressive disease Diseases 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 208000011736 mal de Debarquement Diseases 0.000 description 1
- 210000001595 mastoid Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- A61B5/24—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
- A61B5/7235—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychology (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (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动态因效性脑网络的抑郁症检测装置，包括：采集40Hz‑O‑chirp声刺激下被试的脑电信号，使用滑动窗口对脑电信号加窗，在每一个窗口下，利用基于格兰杰因果思想的偏定向相干算法计算PDC的大小，得到每个时间窗下的PDC邻接矩阵；基于邻接矩阵计算每个时间窗下的脑网络拓扑特征参数，构建出动态脑网络变化图；计算动态脑连接拓扑参数，用于刻画抑郁症患者的大脑动态变化特征；将检测到的异常脑连接子网络特征进行特征降维与融合，采用肯德尔相关系数的变体去除分类能力弱的特征，利用支持向量机进行分类模型的构建，使用留一交叉验证法，最终计算模型的准确性、灵敏度、特异性与ROC曲线以评估分类性能。
Description
技术领域
本发明涉及抑郁症检测领域，尤其涉及一种基于动态因效性脑网络的抑郁症检测装置。
背景技术
抑郁症(Major depressive disorders,MDD)是一种以显著持久的情绪低落、兴趣减退等为主要特征的精神障碍类疾病，具有高患病率、高误诊率、高复发率的特点。抑郁症已经成为了危害人们身心健康的一大杀手。
但目前抑郁症的确诊以临床上精神科医生的症状问询为主，主要依赖心理健康量表的评估以及医生的主观经验，其结果一致性差，误诊率高，缺乏客观的诊断手段。人类大脑是一个由无数个神经元以及神经元之间的相互作用构成的复杂神经网络，大脑各种功能的实现正是通过多个相互作用的单元***的运作来完成的。基于图论的复杂脑网络模型为研究脑区之间的相互作用以及使用强大的计算工具解释功能网络的复杂拓扑结构提供了理论框架。事实上，利用脑网络探究抑郁症患者的大脑功能变化以及取得了一定的进展。然而目前的研究尚无一致性的结果，且目前针对脑网络的研究仅仅只是关注了大脑功能这一复杂时空现象的静态平均值，缺乏对时间维度的刻画和探究。
因此，探究抑郁症患者大脑功能网络的动态变化，提取出动力学特征，为抑郁症的诊断提供可靠的理论和技术支持，具有重要的科学意义。
发明内容
本发明提供了一种基于动态因效性脑网络的抑郁症检测装置，本发明以40Hz频率的啁啾(O-chirp)声诱发患者大脑的gamma节律，利用滑动窗口提取连续的时间窗口，在每一个时间窗口下利用偏定向相干(Partial directed coherence,PDC)构建大脑网络，利用网络统计学工具(Network-based statistics,NBS)对患者组与对照组的动态脑网络连接进行统计学检验，分析患者大脑动态变化异常的脑区连接，接下来计算动态拓扑特征参数，也发现患者大脑的特异性拓扑特征，详见下文描述：
一种基于动态因效性脑网络的抑郁症检测装置，所述装置包括：
采集40Hz-O-chirp声刺激下被试的脑电信号，使用滑动窗口对脑电信号加窗，在每一个窗口下，利用基于格兰杰因果思想的偏定向相干算法计算PDC的大小，得到每个时间窗下的PDC邻接矩阵；
基于邻接矩阵计算每个时间窗下的脑网络拓扑特征参数，构建出动态脑网络变化图；计算动态脑连接拓扑参数，用于刻画抑郁症患者的大脑动态变化特征；
将检测到的异常脑连接子网络特征进行特征降维与融合，采用肯德尔相关系数的变体去除分类能力弱的特征，利用支持向量机进行分类模型的构建，使用留一交叉验证法，最终计算模型的准确性、灵敏度、特异性与ROC曲线以评估分类性能。
其中，使用汉明窗对提取的每一段经过预处理后的脑电信号加窗，窗长为0.6s，步长为0.1s，即在每一个0.6s长的脑电信号下计算PDC矩阵，得到动态因效性脑连接矩阵，构建出对应的动态脑网络；使用网络统计学NBS刻画抑郁症患者的大脑动态变化特征。
进一步地，所述将检测到的异常脑连接子网络特征进行特征降维与融合，采用肯德尔相关系数的变体去除分类能力弱的特征具体为：
利用NBS识别抑郁症患者脑连接中存在异常的部分，得到P维特征：
P＝N×N×T,
其中，N＝30，T为存在异常脑连接的时间窗的数量；
在每一个时间窗口T下，将得到的P维特征进行特征降维，使用肯德尔相关系数去除分类能力弱的特征，相关系数定义如下：
其中，nc、nd分别表示一致对和不一致对的数目，m、n分别表示病人和健康人的数目；观测的一对数据{Xij,Yj}和{Xik,Yk}，Xij指的是第j个被试的脑连接矩阵中的第i个脑连接特征值，Yj指的是第j个被试的类别标签，如果这个被试是抑郁症患者，Yj＝1，如果该被试是健康对照组，则Yj＝-1；
concordant pairs和discordant pairs分别定义为：
concordant pairs：sign(Xij-Xik)＝sign(Yj-Yk)
discordant pairs：sign(Xij-Xik)＝-sign(Yj-Yk)
每个特征属性都会计算出一个Kendall’s tau相关系数，将系数的绝对值作为特征的分类能力。
其中，所述装置包括：
将计算得到的动态拓扑参数进行统计学分析，得到前期、中期、后期具有显著性差异的特质参数，将特征参数与特征值进行融合；
对分类特征进行选择、降维、融合之后，进行分类模型的训练与测试，使用支持向量机作为分类器，留一交叉验证进行模型验证；计算模型的准确性、灵敏度、特异性与ROC曲线进行模型的性能评估。
本发明提供的技术方案的有益效果是：
1、针对现有方法，在抑郁症脑网络特征提取存在的缺陷和问题，采用偏定向相干计算其因效性脑连接，增加了方向维度信息的同时，以滑动时间窗的方法提供了时间维度的信息，不仅发现了抑郁症患者gamma频段下的听觉稳态诱发电位的异常，更进一步从时、空两个维度探究出这种异常是如何分布在大脑的各个脑区之间；
2、通过动态因效性脑连接的方法，本发明发现了抑郁症在早、中、后期不同时期下听觉稳态诱发电位的不同异常子网络分布，以及它们的不同脑网络拓扑特征；为进一步探明抑郁症患者大脑的病理机制以及发现有效实时性的抑郁症诊断标志物提供了技术支持和理论支撑；
3、该项发明进一步阐释了抑郁症的功能病理机制，是抑郁症诊断的潜在神经标志物，具有重要的科研和临床意义。
附图说明
图1为基于动态因效性脑网络模型的抑郁症检测的示意图；
图2为chirp声音刺激范式的示意图；
图3为抑郁症患者早期听觉稳态诱发响应下的异常子网络的示意图；
图4为抑郁症患者中期听觉稳态诱发响应下的异常子网络的示意图；
图5为抑郁症患者后期听觉稳态诱发响应下的异常子网络的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
本发明实施例提出了一种动态因效性脑网络连接装置刻画抑郁症患者gamma频段的脑电数据的脑网络动态特征，以实现低成本、非侵入式、便携的抑郁症检测，其技术流程是：
首先采集40Hz-O-chirp声刺激下被试的脑电信号，使用滑动窗口方法对脑电信号加窗，在每一个窗口下，利用基于格兰杰因果思想的偏定向相干(Partial directedcoherence,PDC)算法计算节点与节点之间的因效性连接，构建出动态脑网络变化图，然后计算动态脑连接拓扑参数，用于刻画抑郁症患者的大脑动态变化特征。
实施例2
下面结合具体的实例，计算公式对实施例1中的方案进行可行性介绍，详见下文描述：
基于动态因效性脑网络模型的抑郁症检测装置流程如图1所示。首先采集40Hz频率啁啾(O-chirp)声诱发的脑电信号，对原始脑电信号进行变参考、滤波、去除伪迹等预处理之后，使用汉明窗对脑电信号加窗，计算PDC的大小，得到每个时间窗下的PDC邻接矩阵，基于这些邻接矩阵计算每个时间窗下的脑网络拓扑特征参数，并使用NBS工具对患者和对照组进行脑连接统计学检验，以探究并检测抑郁症患者的动态因效性异常脑连接子网络特征。将检测到的异常脑连接子网络特征进行特征降维与融合，采用肯德尔(Kendall’s tau)相关系数的变体去除分类能力弱的特征，利用支持向量机进行分类模型的构建，使用留一交叉验证法验证模型，最终计算模型的准确性、灵敏度、特异性与ROC曲线以评估其分类性能。
1、40Hz频率chirp声刺激范式
本发明实施例采用的声音刺激是时长1毫秒、45分贝大小、以40Hz频率呈现的chirp声。Chirp声是一种旨在补偿行波沿耳蜗分区的耳蜗延迟的声音刺激，能够诱发出具有更高信噪比的大脑稳态诱发电位。一个模块通常包含28个试次，每次持续3秒，刺激间间隔设置为1.5秒。在实验过程中，参与者被要求睁大眼睛，保持注意力集中。
2、脑电信号采集及预处理
实验采用美国Neuroscan公司生产的脑电记录仪SYNAMPS，采用Scan 4.5数据采集***记录存储脑电信号，电极帽电极遵照国际脑电协会规定的标准10-20***放置，电极阻抗小于10kΩ。本发明实施例选择左耳乳突(M1)作为参考电极(30个电极分别为：FP1、FP2、FZ、F4、F8、F3、F7、FCZ、FC4、FT8、FC3、FT7、CZ、C4、T8、T7、C3、TP7、TP8、P7、CPZ、CP4、CP3、PZ、P4、P8、P3、OZ、O2和O1)。采样频率为1000Hz，通道阻抗保持在10kΩ以下。利用MATLAB(R2020a)中的EEGLAB对脑电信号进行预处理。EEGLAB是一个开源的基于MATLAB的脑电信号数据处理工具箱。
首先，将数据进行双耳平均参考(M1和M2)。在0.1～70Hz范围内对信号进行带通滤波。然后，利用独立分量分析(ICA)去除眼球运动和呼吸引起的信号伪影。使用EEGLAB中的iclabel工具箱来帮助去除伪影，这可以帮助用户自动过滤掉不必要的ICA成分，减少由于先验知识不足造成的错误。排除标准为“眼睛”，“肌肉”，“心脏”，“线路噪声”和“通道噪声”标签概率＞0.7。接下来，脑电数据被提取成相对于刺激开始的-1000ms到结束于3000ms的28个TRIAL。最后，去除了(-1000ms,0)范围内的数据基线。由于刺激范式为40Hz的声音刺激，本发明实施例关注的亦是gamma(30-50Hz)频段的脑电特征。
3、动态因效性脑连接
本发明实施例使用偏定向相干这一算法用来构建大脑网络的有向连接。格兰杰因果思想最初是应用在经济学领域，由于其能够揭示时间序列之间因果关系，在神经科学领域得到广泛应用。上面是从时域层面介绍的格兰杰因果思想，将格兰杰因果关系进行频域分解，就可以在频域得到格兰杰因果关系。偏定向相干(PDC)是频域格兰杰因果关系的典型算法[2]。假设原始脑电信号是一个K通道的矩阵：
Y(n)＝[y1(n),……,yK(n)]T (1)
yi代表了第i个通道(i＝1,2,…K)脑电数据序列。n时刻的{Y(n)}可以用一个多通道的P阶自回归(Autoregressive model,AR)模型进行拟合。
这里，Ar是计算出的K*K的系数矩阵，这里使用逐步最小二乘估计法计算Ar系数矩阵，利用施瓦茨贝叶斯准则(Schwarz’s Bayesian criterion，SBC)获取多元自回归模型的滞后阶数p。E(n)是当前值与预测值之间的误差。接下来将系数矩阵Ar进行频域分解，即：
这里，I是一个单位矩阵。本发明实施例将通道j对通道i的PDC值定义为：
PDC(j→i)表示从j流向i的信息占所有从j流出的信息的比值。简单的说，PDC值更多的体现通道j对通道i的影响，占自身影响其他通道的比重；PDC呈现归一化的结果，其大小在区间[0，1]，PDC的结果越大体现出两个导联之间就越具有连接性。
在动态脑连接的计算中，本发明实施例使用汉明窗对提取的每一段经过预处理后的脑电信号加窗，窗长为0.6s，步长为0.1s，即在每一个0.6s长的脑电信号下计算多元自回归模型的系数矩阵Ar，然后进行频域分解，最终得到每一个时间窗下的PDC30×30矩阵。由于脑电数据段总时长为3s，所以共得到25个矩阵。
4、脑网络拓扑特征参数
本发明实施例使用了五个常见的图论度量来分析网络的属性。所有这些图论指标都是通过大脑连通性工具箱(BCT)计算的。连接到节点i的边的权重称为强度Wi。节点的强度越高，它就越重要。在有向图中，强度分为流入强度(从其他节点流向节点的边的权重)和流出强度(从节点流出的边的权重)。
聚类系数C用于描述图中节点之间的聚类程度。节点i的聚类系数Ci被定义为i的邻居之间的现有边数除以邻居之间的最大可能边数。所有节点的平均Ci为C。
其中，P[1/3]定义为即对每个元素取3次方根得到的矩阵[4]，ki定义为连接到节点i的所有边的总和。
另一个参数是特征路径长度L，它是一个全局特征，表示在网络中传输信息的难易程度。特征路径长度L通常定义为所有节点对之间最短路径长度的平均值：
其中，dij w是节点i和j之间的最短加权路径长度。
然而，L的这个原始定义在包含多个成分的网络中是有问题的，因为存在没有连接路径的节点对。因此，调和平均距离被提出用于测量L，称为全局效率Ge[5]。Ge也用于描述全局特征。局部效率Le，定义为图中每个节点的周围子图的效率均值，用于描述局部特征。
5、抑郁症分类识别模型的构建
通过上述方法的计算，可供使用的分类特征主要有以下几种：
(1)动态因果性脑网络连接，每个被试可以得到30×30×25＝22500种特征；
(2)动态拓扑参数，包括前期、中期、后期的聚类系数、全局效率、特征路径长度、出度、入度等。高维度的特征不仅存在过度拟合的问题，也存在冗余的信息，因此需要进行特征选择与特征降维，具体过程如下：
Step 1：利用NBS识别抑郁症患者脑连接中存在异常的部分，可得到P维特征：
P＝N×N×T,
其中，N＝30，T为存在异常脑连接的时间窗的数量，需要注意的是，30×30的PDC矩阵中仅仅保留了抑郁症患者与健康对照组存在显著性差异的元素，其余元素皆置0。
Step 2：在每一个时间窗口T下，将得到的P维特征进行特征降维，使用肯德尔(Kendall’stau)相关系数去除分类能力弱的特征，其相关系数定义如下：
其中，nc、nd分别表示一致对(concordant pairs)和不一致对(discordant pairs)的数目，m、n分别表示病人和健康人的数目。对于观测的一对数据{Xij,Yj}和{Xik,Yk}，其中Xij指的是第j个被试的脑连接矩阵中的第i个脑连接特征值，Yj指的是第j个被试的类别标签，如果这个被试是抑郁症患者，Yj＝1，如果该被试是健康对照组，则Yj＝-1。那么，concordant pairs和discordant pairs分别定义为：
concordant pairs：sign(Xij-Xik)＝sign(Yj-Yk)
discordant pairs：sign(Xij-Xik)＝-sign(Yj-Yk)
这样，每个特征属性都会计算出一个Kendall’s tau相关系数，把这个系数的绝对值作为这个特征的分类能力，绝对值越大，表示这个特征的分类能力越大。
Step 3：将计算得到的动态拓扑参数进行统计学分析，得到前期、中期、后期具有显著性差异的特质参数。将该特征参数与Step 2得到的特征参数进行融合。
对分类特征进行选择、降维、融合之后，进行分类模型的训练与测试，使用支持向量机(SVM)作为分类器，留一交叉验证进行模型验证。最终计算模型的准确性、灵敏度、特异性与ROC曲线进行模型的性能评估。其中，留一交叉验证法是每次只使用一个作为测试集，剩下的全部作为训练集，这种方法得出的结果与训练整个测试集的期望值一般最为接近。
实施例3
下面结合图3-图5对实施例1和2中的方案进行可行性验证，详见下文描述：
本发明实施例旨在提出一种基于动态因效性脑网络模型的抑郁症检测装置。图3、图4、图5分别展示了抑郁症患者早、中、后期的异常子网络及其拓扑特征。以40Hz频率的O-chirp声诱发患者大脑的gamma节律，在听觉稳态诱发电位下，利用滑动窗口法提取连续的时间窗口，在每一个时间窗口下利用PDC构建大脑网络，利用网络统计学工具(Network-based statistics,NBS)对患者组与对照组的动态脑网络连接进行统计学检验，分析患者大脑动态变化异常的脑区连接，接下来计算动态拓扑特征参数，也发现患者大脑的特异性拓扑特征。该项发明进一步阐释了抑郁症的功能病理机制，是抑郁症诊断的潜在神经标志物，具有重要的科研和临床意义。
该项发明可有效的提取出抑郁症与健康对照组的异常网络特征，在时间、空间两个维度上探究了抑郁症患者gamma频段下听觉稳态诱发响应的异常信息交互的动力学、空间学特征，为临床对抑郁症的客观识别检测提供了有力的理论支撑和技术支持。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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)
1.一种基于动态因效性脑网络的抑郁症检测装置，其特征在于，所述装置用于提取出抑郁症与健康对照组的异常网络特征，在时间、空间两个维度上探究了抑郁症患者gamma频段下听觉稳态诱发响应的异常信息交互的动力学、空间学特征，为临床对抑郁症的客观识别检测，所述装置包括：
采集40Hz-O-chirp声刺激下被试的脑电信号，使用滑动窗口对脑电信号加窗，在每一个窗口下，利用基于格兰杰因果思想的偏定向相干算法计算PDC的大小，得到每个时间窗下的PDC邻接矩阵；
将通道j对通道i的PDC值定义为：
其中，PDC(j→i)表示从j流向i的信息占所有从j流出的信息的比值，PDC呈现归一化的结果，其大小在区间[0，1]，PDC的结果越大体现出两个导联之间就越具有连接性；
基于邻接矩阵计算每个时间窗下的脑网络拓扑特征参数，构建出动态脑网络变化图；计算动态脑连接拓扑参数，用于刻画抑郁症患者的大脑动态变化特征；
将检测到的异常脑连接子网络特征进行特征降维与融合，采用肯德尔相关系数的变体去除分类能力弱的特征，利用支持向量机进行分类模型的构建，使用留一交叉验证法，最终计算模型的准确性、灵敏度、特异性与ROC曲线以评估分类性能；
其中，使用汉明窗对提取的每一段经过预处理后的脑电信号加窗，窗长为0.6s，步长为0.1s，即在每一个0.6s长的脑电信号下计算PDC矩阵，得到动态因效性脑连接矩阵，构建出对应的动态脑网络；使用网络统计学NBS刻画抑郁症患者的大脑动态变化特征；
采用的声音刺激是时长1毫秒、45分贝大小、以40Hz频率呈现的chirp声；
其中，所述将检测到的异常脑连接子网络特征进行特征降维与融合，采用肯德尔相关系数的变体去除分类能力弱的特征具体为：
(1)动态因果性脑网络连接，每个被试可以得到30×30×25＝22500种特征；
(2)动态拓扑参数，包括前期、中期、后期的聚类系数、全局效率、特征路径长度、出度、入度，进行特征选择与特征降维，具体过程如下：
利用NBS识别抑郁症患者脑连接中存在异常的部分，得到P维特征：
P＝N×N×T
其中，N＝30，T为存在异常脑连接的时间窗的数量；
在每一个时间窗口T下，将得到的P维特征进行特征降维，使用肯德尔相关系数去除分类能力弱的特征，相关系数定义如下：
其中，nc、nd分别表示一致对和不一致对的数目，m、n分别表示病人和健康人的数目；观测的一对数据{Xij,Yj}和{Xik,Yk}，Xij指的是第j个被试的脑连接矩阵中的第i个脑连接特征值，Yj指的是第j个被试的类别标签，如果这个被试是抑郁症患者，Yj＝1，如果该被试是健康对照组，则Yj＝-1；
concordant pairs和discordant pairs分别定义为：
concordant pairs：sign(Xij-Xik)＝sign(Yj-Yk)
discordant pairs：sign(Xij-Xik)＝-sign(Yj-Yk)
每个特征属性都会计算出一个Kendall’s tau相关系数，将系数的绝对值作为特征的分类能力；
所述装置包括：
将计算得到的动态拓扑参数进行统计学分析，得到前期、中期、后期具有显著性差异的特质参数，将特征参数与特征值进行融合；
对分类特征进行选择、降维、融合之后，进行分类模型的训练与测试，使用支持向量机作为分类器，留一交叉验证进行模型验证；计算模型的准确性、灵敏度、特异性与ROC曲线进行模型的性能评估；
其中，脑网络拓扑特征参数为：节点的强度、聚类系数、特征路径长度；调和平均距离；局部效率；
强度分为流入强度和流出强度；Wi＝∑jwij
聚类系数用于描述图中节点之间的聚类程度，节点i的聚类系数Ci被定义为i的邻居之间的现有边数除以邻居之间的最大可能边数，所有节点的平均Ci为C；
其中，P[1/3]定义为即对每个元素取3次方根得到的矩阵，ki定义为连接到节点i的所有边的总和；
特征路径长度L为所有节点对之间最短路径长度的平均值：
其中，dij w是节点i和j之间的最短加权路径长度；
调和平均距离被提出用于测量L，称为全局效率Ge也用于描述全局特征；
局部效率Le定义为图中每个节点的周围子图的效率均值，用于描述局部特征；
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310111108.7A CN116250837B (zh) | 2023-02-14 | 2023-02-14 | 一种基于动态因效性脑网络的抑郁症检测装置 |
| JP2023050095A JP7508007B1 (ja) | 2023-02-14 | 2023-03-27 | 動的・因果的な脳ネットワークに基づくうつ病検出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310111108.7A CN116250837B (zh) | 2023-02-14 | 2023-02-14 | 一种基于动态因效性脑网络的抑郁症检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116250837A CN116250837A (zh) | 2023-06-13 |
| CN116250837B true CN116250837B (zh) | 2024-02-13 |
Family
ID=86678818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310111108.7A Active CN116250837B (zh) | 2023-02-14 | 2023-02-14 | 一种基于动态因效性脑网络的抑郁症检测装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7508007B1 (zh) |
| CN (1) | CN116250837B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103989482A (zh) * | 2013-12-26 | 2014-08-20 | 应俊 | 用于幻听检测的声音刺激器及用于幻听检测的装置 |
| CN113255728A (zh) * | 2021-04-26 | 2021-08-13 | 浙江工业大学 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
| CN113706434A (zh) * | 2020-05-09 | 2021-11-26 | 北京康兴顺达科贸有限公司 | 基于深度学习对胸部增强ct图像的后处理方法 |
| WO2021237918A1 (zh) * | 2020-05-25 | 2021-12-02 | 五邑大学 | 基于gpdc图卷积神经网络的疲劳检测方法、装置及存储介质 |
| CN114903442A (zh) * | 2022-06-02 | 2022-08-16 | 东南大学 | 基于门控循环网络的脑电信号间效应连通性检测方法 |
| CN115414051A (zh) * | 2021-05-12 | 2022-12-02 | 西安邮电大学 | 一种脑电信号自适应窗口的情绪分类识别方法 |
| JP2023002436A (ja) * | 2021-06-22 | 2023-01-10 | リー・ソル・カンパニー・リミテッド | 部位別電気刺激に基づく生体信号測定装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200086316A (ko) * | 2017-11-10 | 2020-07-16 | 엘비스 코포레이션 | 개별 환자 데이터 및 치료적 뇌 네트워크 맵을 사용한 효능 및/또는 치료적 파라미터 추천 |
| US11406316B2 (en) * | 2018-02-14 | 2022-08-09 | Cerenion Oy | Apparatus and method for electroencephalographic measurement |
| US20230293036A1 (en) | 2020-07-02 | 2023-09-21 | Advanced Telecommunications Research Institute International | Estimation system, estimation method, program, estimation model, brain activity training apparatus, brain activity training method, and brain activity training program |
| CN115414043A (zh) | 2022-09-26 | 2022-12-02 | 北京脑陆科技有限公司 | 基于脑电信号分析的抑郁障碍识别***、装置及存储介质 |
-
2023
- 2023-02-14 CN CN202310111108.7A patent/CN116250837B/zh active Active
- 2023-03-27 JP JP2023050095A patent/JP7508007B1/ja active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103989482A (zh) * | 2013-12-26 | 2014-08-20 | 应俊 | 用于幻听检测的声音刺激器及用于幻听检测的装置 |
| CN113706434A (zh) * | 2020-05-09 | 2021-11-26 | 北京康兴顺达科贸有限公司 | 基于深度学习对胸部增强ct图像的后处理方法 |
| WO2021237918A1 (zh) * | 2020-05-25 | 2021-12-02 | 五邑大学 | 基于gpdc图卷积神经网络的疲劳检测方法、装置及存储介质 |
| CN113255728A (zh) * | 2021-04-26 | 2021-08-13 | 浙江工业大学 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
| CN115414051A (zh) * | 2021-05-12 | 2022-12-02 | 西安邮电大学 | 一种脑电信号自适应窗口的情绪分类识别方法 |
| JP2023002436A (ja) * | 2021-06-22 | 2023-01-10 | リー・ソル・カンパニー・リミテッド | 部位別電気刺激に基づく生体信号測定装置 |
| CN114903442A (zh) * | 2022-06-02 | 2022-08-16 | 东南大学 | 基于门控循环网络的脑电信号间效应连通性检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7508007B1 (ja) | 2024-07-01 |
| CN116250837A (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
| Bhattacharyya et al. | A novel multivariate-multiscale approach for computing EEG spectral and temporal complexity for human emotion recognition | |
| Khare et al. | PDCNNet: An automatic framework for the detection of Parkinson’s disease using EEG signals | |
| EP1789907B1 (en) | Biopotential waveform data fusion analysis and classification method | |
| Wagh et al. | Performance evaluation of multi-channel electroencephalogram signal (EEG) based time frequency analysis for human emotion recognition | |
| Sharma et al. | Audio-video emotional response mapping based upon electrodermal activity | |
| CN114970599A (zh) | 注意缺陷关联脑电信号的识别方法、识别装置、存储介质 | |
| Zhang et al. | Combining wavelet analysis and Bayesian networks for the classification of auditory brainstem response | |
| Hoppe et al. | An automatic sequential recognition method for cortical auditory evoked potentials | |
| Wang et al. | Automated rest eeg-based diagnosis of depression and schizophrenia using a deep convolutional neural network | |
| Ashenaei et al. | Stable EEG-based biometric system using functional connectivity based on time-frequency features with optimal channels | |
| Sriraam et al. | Multichannel EEG based inter-ictal seizures detection using Teager energy with backpropagation neural network classifier | |
| CN116250837B (zh) | 一种基于动态因效性脑网络的抑郁症检测装置 | |
| Boquete et al. | Multifocal electroretinogram diagnosis of glaucoma applying neural networks and structural pattern analysis | |
| Mohseni et al. | A hybrid approach for MS diagnosis through nonlinear eeg descriptors and metaheuristic optimized classification learning | |
| Tcheslavski et al. | Phase synchrony and coherence analyses of EEG as tools to discriminate between children with and without attention deficit disorder | |
| Song et al. | Dynamic modeling and classification of epileptic EEG data | |
| Falcon-Caro et al. | A diffusion adaptation approach to model brain responses in an EEG-based hyperscanning study | |
| Navea et al. | Classification of wavelet-denoised musical tone stimulated EEG signals using artificial neural networks | |
| Alonso et al. | Spatial Filter comparison for a Brain Computer Interface | |
| Kryvinska et al. | Demand on Computational Intelligence Paradigms Synergy | |
| Masychev et al. | Machine learning approach to diagnose schizophrenia based on effective connectivity of resting EEG data | |
| Dalal et al. | Efficient electro encephelogram classification system using support vector machine classifier and adaptive learning technique | |
| Subramaniam et al. | EEG based hearing states detection using AR modeling techniques | |
| Avvaru | Causal Network Analysis in the Human Brain: Applications in Cognitive Control and Parkinson’s Disease |
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 |