基于脑电及卷积神经网络的抑郁症实时监测方法研究

摘要

近年来，越来越多的研究开始着眼于以脑电(electroencephalograph，EEG)为代表的生理信号的量化分析，以实现对抑郁症等心理障碍疾病更为客观和有效的诊断。然而，抑郁症作为一种非常复杂且随时间发展动态变化的心理障碍疾病，其有效诊断往往依赖于对患者心理状态的持续评估，而传统的多导脑电采集仪因价格昂贵且需要专人操作很难实现对患者EEG数据的有效跟踪，急需可以对患者EEG进行长期监测和跟踪采集的解决方案。同时，由于EEG信号具有非线性、非平稳等特点，且存在个体生理差异性，如何提取EEG信号中更能反映患者心理状态的特征，构建泛化能力更强的预测模型就成为实现抑郁症有效诊断和监测的重要前提。 针对上述问题，本文基于便携式脑电传感器构建了普适化 EEG 信号的跟踪采集和实时量化评估框架，利用卷积神经网络(Convolutional Neural Network，CNN)对普适化EEG构建抑郁症分类模型，借鉴其自动特征提取优势、优良空间特性以及面对大量数据时优秀的新分类模式发现能力，保证模型的快速更迭与泛化能力。主要工作和贡献包括以下三个方面： 1) 结合EEG实时采集模块与抑郁风险预测模块设计两阶段实时抑郁症监测方法：EEG实时采集阶段主要实现实时滤波、实时眼电伪迹剔除、数据可视化，通过普适化方法将传统的单次EEG采集上升到长期性的抑郁症监测上；抑郁风险预测阶段主要实现多个分类模型决策层融合给出被试的抑郁风险评估。 2) 对静息态脑电进行CNN网络结构探索，从浅层网络入手，逐步分析网络参数不同选取对最终分类效果的影响。针对浅层CNN中面临的问题，提出更为鲁棒的抑郁症分类模型：基于特征图的神经网络以及基于残差连接的深度残差网络。相比传统的分类算法，这两种基于CNN的方法可以充分利用导联之间的地理关联，使得分类性能有显著提升，其中特征图神经网络达到了 76.33%的平均准确率，深度残差网络达到了80.33%的平均准确率。 3)对引入音频实验范式的EEG构建CNN与长短期记忆网络(Long Short-term Memory，LSTM)相结合的分类模型。与静息态脑电中采用原始信号不同，时序标记的EEG数据需转为更易于分析的图片模式转为类似视频分类的任务。卷 积操作可预先利用空间信息自动提取特征，而 LSTM 则对卷积输出结果在时序上建模。本文对三种主流时空信息提取方法进行对比实验，包含三种特征提取器：时域卷积、CNN +LSTM、ConvLSTM。其中，ConvLSTM达到了最优的82.35%分类准确率。

目录

第一个书签之前