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)濟負擔，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，所以準確的檢測、預防及避免病情嚴重化將是我們亟待解決的問題。
　　雖然近些年存在較多結合EEG信

2、號及各種分類技術和特征選擇方法進行抑郁識別的研究，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（Emo_block和Neu_block）下的腦電信號進行處理與分析，期望發(fā)現(xiàn)與輕度抑郁有顯著性關聯(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用到未來的輕度抑郁檢測之中。同時，為了簡化實驗任務，更好地實現(xiàn)普適化的目標，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。下面將本文的主要工作與貢獻闡述如下：
　?。?）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，本文應用基于關聯(lián)性的特征選擇（CFS）的BestFirst（BF）、GreedyStepwise（GSW）、Genetic

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

5、eta頻段數(shù)據(jù)，實現(xiàn)的分類準確率分別為92.00％和98.00%，在此種情況下，GSW+KNN獲得的準確率比GSW+其他分類器（BN，SVM，LR和RF）的準確率分別平均提高了4.17%和9.25%，T檢驗結果也驗證了此方法的有效性；分析獲得最高準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）并結合線性特征的情況下，對于兩種任務數(shù)據(jù)，

6、可以達到的準確率均高于91.00%，為便攜系統(tǒng)的實現(xiàn)奠定了基礎。
　?。?）綜合以上發(fā)現(xiàn)的結果，并結合相關研究可知，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導的單電極的腦電數(shù)據(jù)應用GSW+KNN方法進行分類，準確率能夠達到80.85%，結果相對較優(yōu)；應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）進行分析，結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；進一步計算activity和complexity與PHQ-9量表分數(shù)的相關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值均正相關于PHQ-9分數(shù)，因此得出結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來識別抑郁。
　　最后，綜合兩部分研究結果，我們可以得出更加有意義的結論，第一，在本文中，GSW+KNN的組合方法可以實現(xiàn)更加準確的抑郁識別，且運行時間短使其更適合應用于實時系統(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、