基于腦電信號的抑郁識別及數(shù)據(jù)挖掘算法的研究.pdf

1、目前，抑郁癥已經(jīng)成為全球主要的健康和經(jīng)濟(jì)負(fù)擔(dān)，然而現(xiàn)在對于抑郁癥的診斷卻存在諸多問題，如病人配合度低、主觀偏向問題以及低準(zhǔn)確性等，因此，需要一種可靠的、客觀的評估手段實現(xiàn)有效的抑郁檢測。EEG以其時間分辨率高、便于記錄以及無侵入性等優(yōu)勢成為本研究的最優(yōu)選擇。抑郁癥根據(jù)發(fā)病的程度可分為輕度、中度以及重度抑郁癥，且抑郁是一個變化發(fā)展的過程，所以準(zhǔn)確的檢測、預(yù)防及避免病情嚴(yán)重化將是我們亟待解決的問題。
　　雖然近些年存在較多結(jié)合EEG信

2、號及各種分類技術(shù)和特征選擇方法進(jìn)行抑郁識別的研究，但是針對輕度抑郁癥人群的研究還相對較少，且其識別精度還有待提高。故本研究對10名輕度抑郁癥被試和10名正常對照在情緒面部表情圖片任務(wù)（Emo_block和Neu_block）下的腦電信號進(jìn)行處理與分析，期望發(fā)現(xiàn)與輕度抑郁有顯著性關(guān)聯(lián)的頻率波段以及腦區(qū)，并希望找到最優(yōu)的特征選擇和分類算法的組合方法以應(yīng)用到未來的輕度抑郁檢測之中。同時，為了簡化實驗任務(wù)，更好地實現(xiàn)普適化的目標(biāo)，本文也采集了3

3、0名中重度抑郁癥患者和17名正常對照的5分鐘靜息態(tài)腦電數(shù)據(jù)，其目的是為了探究靜息態(tài)腦電中是否存在可以用來區(qū)分抑郁癥患者和正常被試的生物指標(biāo)。下面將本文的主要工作與貢獻(xiàn)闡述如下：
　?。?）本文針對輕度抑郁癥被試腦電數(shù)據(jù)提取了8個線性特征和9個非線性動力學(xué)特征，由于腦電特征維度較高，為了去除冗余、低判別性能特征，本文應(yīng)用基于關(guān)聯(lián)性的特征選擇（CFS）的BestFirst（BF）、GreedyStepwise（GSW）、Genetic

4、Search（GS）、LinearForwordSelection（LFS）和RankSearch（RS）5種搜索算法進(jìn)行特征選擇，并使用貝葉斯信念網(wǎng)絡(luò)（BN）、支持向量機(jī)（SVM）、最近鄰分類器（KNN）、邏輯回歸（LR）以及隨機(jī)森林（RF）5種典型分類器進(jìn)行分類。實驗結(jié)果表明：GSW+KNN的組合方法可以實現(xiàn)最優(yōu)的性能，且beta波段的分類結(jié)果高于alpha和theta波段的結(jié)果，對于Emo_block和Neu_block任務(wù)下的b

5、eta頻段數(shù)據(jù)，實現(xiàn)的分類準(zhǔn)確率分別為92.00％和98.00%，在此種情況下，GSW+KNN獲得的準(zhǔn)確率比GSW+其他分類器（BN，SVM，LR和RF）的準(zhǔn)確率分別平均提高了4.17%和9.25%，T檢驗結(jié)果也驗證了此方法的有效性；分析獲得最高準(zhǔn)確率的特征及其腦區(qū)分布特點，本文發(fā)現(xiàn)線性特征以及左頂顳腦區(qū)在識別輕度抑郁癥被試具有更加重要的作用；簡化的EEG系統(tǒng)（FP1、FP2、F3、O2和T3）并結(jié)合線性特征的情況下，對于兩種任務(wù)數(shù)據(jù)，

6、可以達(dá)到的準(zhǔn)確率均高于91.00%，為便攜系統(tǒng)的實現(xiàn)奠定了基礎(chǔ)。
　?。?）綜合以上發(fā)現(xiàn)的結(jié)果，并結(jié)合相關(guān)研究可知，大部分非線性特征運算量大、實時監(jiān)測難以及可重復(fù)性差，所以為了更好地實現(xiàn)抑郁的實時監(jiān)測，本文對中重度抑郁癥患者的腦電數(shù)據(jù)僅提取8個線性特征，且對128導(dǎo)的單電極的腦電數(shù)據(jù)應(yīng)用GSW+KNN方法進(jìn)行分類，準(zhǔn)確率能夠達(dá)到80.85%，結(jié)果相對較優(yōu)；應(yīng)用腦地形圖分析方法對具有顯著性差異的特征（基于Hjorth參數(shù)的activ

7、ity和complexity特征）進(jìn)行分析，結(jié)果顯示抑郁癥患者在alpha、beta和theta三頻段下的activity和complexity特征的值均高于正常對照組，且這些差異主要位于大腦頂枕區(qū)及左顳葉；進(jìn)一步計算activity和complexity與PHQ-9量表分?jǐn)?shù)的相關(guān)性表明抑郁癥患者的頂區(qū)（E51、E64、E89和E92）的alpha頻段、beta頻段和theta頻段下的activity特征值以及枕區(qū)（E73，E75和E7

8、6）的alpha頻段下的complexity值均正相關(guān)于PHQ-9分?jǐn)?shù)，因此得出結(jié)論這兩個特征值尤其是activity特征可能被用來作為一個敏感性指標(biāo)來識別抑郁。
　　最后，綜合兩部分研究結(jié)果，我們可以得出更加有意義的結(jié)論，第一，在本文中，GSW+KNN的組合方法可以實現(xiàn)更加準(zhǔn)確的抑郁識別，且運行時間短使其更適合應(yīng)用于實時系統(tǒng)；第二，線性特征尤其是activity特征在抑郁識別中起著相對重要的作用，且該特征在頂葉（E51、E64、