基于深度学习与心电信号的抑郁症识别系统、介质及设备

摘要

本发明属于信号识别领域，提供了一种基于深度学习与心电信号的抑郁症识别系统、介质及设备。其中，基于深度学习与心电信号的抑郁症识别系统包括数据采集模块，其用于采集被测试者在静息状态下的心电数据并转换成一维矩阵形式；数据切割模块，其用于将一维矩阵形式的心电数据预处理后切割成设定长度的待测心电片段；症状预测模块，其用于利用深度神经网络模型对待测心电片段进行识别，输出识别结果；其中，识别结果包括正常和抑郁两种状态。

说明书

技术领域

本发明属于信号识别领域，尤其涉及一种基于深度学习与心电信号的抑郁症识别系统、介质及设备。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

目前临床抑郁症的判别和诊断主要从两个方面入手：(1)依靠主观因素，主要是医生采用量表进行筛查。这些基于量表的诊断大部分形式为临床心理医生与患者进行沟通交流，过程中医生参照诊断标准对患者的心理综合情况做出判断。该过程要求患者具有较高的配合度，而且不同的医生对症状的认识以及判断也都存在主观差异性，这使得临床抑郁症的诊断存在较大的不确定性；(2)依靠生物学信息。脑电图(EEG)、功能性磁共振成像(fMRI)等技术已经被用于抑郁症的诊断，比如抑郁障碍人群EEG的伽马波段呈现持续增强的现象，抑郁障碍人群有大脑前额叶激活水平不对称性的增加等。由于脑电是一种极其微弱的信号，从头皮上采集到的脑电信号容易淹没在各种其他相对较强的生物电信号(如眼电)当中，发明人发现，脑电信号采集和分析比较困难，除此之外，脑电检查的费用也较高。

发明内容

为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种基于深度学习与心电信号的抑郁症识别系统、介质及设备，其所使用的心电信号易获取，处理简单，实用性强，检测费用低，可以实现对正常人和抑郁症患者的心电信号的有效辨识并进行正确分类，消除在使用量表进行诊断时医生和患者的主观影响，使得诊断结果更具客观性。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于深度学习与心电信号的抑郁症识别系统，其包括：

数据采集模块，其用于采集被测试者在静息状态下的心电数据并转换成一维矩阵形式；

数据切割模块，其用于将一维矩阵形式的心电数据预处理后切割成设定长度的待测心电片段；

症状预测模块，其用于利用深度神经网络模型对待测心电片段进行识别，输出识别结果；其中，识别结果包括正常和抑郁两种状态。

本发明的第二个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：

获取被测试者在静息状态下的心电数据并转换成一维矩阵形式；

将一维矩阵形式的心电数据预处理后切割成设定长度的待测心电片段；

利用深度神经网络模型对待测心电片段进行识别，输出识别结果；其中，识别结果包括正常和抑郁两种状态。

本发明的第三个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤：

获取被测试者在静息状态下的心电数据并转换成一维矩阵形式；

将一维矩阵形式的心电数据预处理后切割成设定长度的待测心电片段；

利用深度神经网络模型对待测心电片段进行识别，输出识别结果；其中，识别结果包括正常和抑郁两种状态。

与现有技术相比，本发明的有益效果是：

(1)本发明所使用的心电信号易获取，处理简单，实用性强，检测费用低；

(2)本发明将心电信号与深度学习相结合应用于抑郁症的筛查或临床辅助诊断，可以实现对正常人和抑郁症患者的心电信号的有效辨识并进行正确分类，消除了在使用量表进行诊断时医生和患者的主观影响，诊断结果更具客观性；

(3)本发明能够快速、准确地对抑郁症患者进行初步辨识，为抑郁症的排查提供一种新的客观方法，也使得医生更有针对性地进行后续的问诊或治疗。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例的基于深度学习与心电信号的抑郁症识别系统结构示意图；

图2是本发明实施例的采集被测试者心电信号的实验平台示意图；

图3是本发明实施例的心电信号预处理的流程图；

图4是本发明实施例对预处理之后的心电信号进行切割的示意图；

图5为本发明实施例LSTM单个神经元结构图；

图6为本发明实施例构建的LSTM模型图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

参照图1，本实施例的一种基于深度学习与心电信号的抑郁症识别系统，其包括：

(1)数据采集模块，其用于采集被测试者在静息状态下的心电数据并转换成一维矩阵形式。

具体地，使用生理信号采集仪器采集被测试者在静息状态下的心电数据。

心电信号在一个相对封闭的诊疗室采集，房间中没有噪音、温湿度适宜、无电磁干扰。采用多通道生理信号采集处理系统RM-6280C对被测试者进行心电信号的采集，其中采样率设置为1kHz，灵敏度为1mv。让被测试者在实验床上平躺，在被测试者的右手腕处、脚踝上方擦拭少量的生理盐水，采用标准Ⅱ导联心电采集方式采集，测量心电的三个电极分别接到被测试者的右手腕处和左右脚踝关节上方，准备工作做好之后提醒被测试者在采集过程中闭眼、保持全身放松状态，观察多通道生理信号采集处理系统软件中的心电信号是否正常，符合记录条件后单击记录/结束按钮，开始采集并记录时长至少5.5min的心电信号，如若中间有异常信号出现，则需要将采集时间适当的延长，确保采集到5.5min的有效信号时长，按序列号保存并导出存储。该采集过程示意图如图2所示。

为了保持一致性，在相同的实验条件下获取抑郁症患者和健康对照组的心电信号，在对抑郁症患者采集数据的过程中，有两位精神科医生伴随以防出现紧急情况。

采集过程全部结束后，从多通道生理信号采集处理系统的软件中读取原始txt数据并转化处理为一维矩阵。

(2)数据切割模块，其用于将一维矩阵形式的心电数据预处理后切割成设定长度的待测心电片段。

所述基于深度学习与心电信号的抑郁症识别系统还包括数据预处理模块，其用于将一维矩阵形式的心电数据预处理消除干扰和噪声。

具体地，1kHz对心电信号来说采样率偏高，所以先将其重采样为360Hz，然后再进行预处理，预处理的流程图如图3所示，原理如下：

(2.1)使用低通滤波器滤除肌电干扰

通常来说，肌电信号的频率为20～5000Hz，其主要成分的频率与肌肉类型有关，一般在30～300Hz，而心电信号的频率主要集中在5～10Hz，所以选择低通滤波器来滤除肌电干扰。

巴特沃斯滤波器的特点是通频带内的频率响应曲线最大限度平坦，没有纹波，而在阻频带则逐渐下降为零。巴斯特滤波器可用如下振幅的平方对频率ω的公式表示：

其中，n为滤波器的阶数，ω

(2.2)使用带陷滤波器消除工频干扰

由于供电网络无处不在，因此50Hz的工频干扰是最普遍的，也是心电信号的主要干扰来源。50Hz陷波器的软件设计方法多种多样，常见方法有小波变换滤波、自适应滤波、模板匹配滤波等，但是都需要手工计算获得滤波器的参数，运算比较复杂。使用FIR滤波器可以自动获得滤波器的参数，而且滤波效果好，能使波形失真达到最低。

以窗函数法设计的FIR数字滤波器来构成带陷滤波器，其原理为：

50Hz陷波器由截止频率为49Hz的FIR低通滤波器和截止频率为51Hz的FIR高通滤波器组成，而高通滤波器又是由全通滤波器减去截止频率为51Hz的低通FIR滤波器所得，所以FIR低通滤波器的设计是关键。使用窗函数设计FIR低通滤波器的基本思想为：首先选择一个合适的理想低通滤波器(它总是具有一个非因果、无限持续时间脉冲响应)，然后截取(或加窗)它的脉冲响应得到线性相位和因果FIR滤波器。H(e

其中ω

上面两式可以看出理想低通滤波器是非因果的，它的冲激响应是无限长的。但是可以将无限长冲激响应截断，得到一个有限长序列，并用它逼近理想的低通滤波器。要得到一个窗口长度为N的因果线性相位滤波器，必须有

逼近后的低通滤波器的冲激响应h(n)可以看作理想低通滤波器h

h(n)＝h

在频域中，因果FIR滤波器响应H(e

因为这个滤波器的脉冲响应是非因果且无限长的，所以用最优化窗结构函数来截取它的脉冲响应，从而得到线性相位和因果的FIR滤波器。Kaiser窗是接近最优化窗结构的窗函数，它可以根据不同的参数调整滤波器的各项指标，因此选用其作为FIR滤波器的窗函数。通过Matlab调用“ω＝Kaiser(N，β)”可得到该窗函数。其中N为窗口函数的长度，β值确定了窗函数的主瓣宽度和旁瓣衰减之间的关系，ω为返回的窗函数系数。改变N和β就能改变滤波器的阻带衰减和过渡带宽。相反，根据对阻带衰减和过渡带宽的要求，也能确定N和β的值，它们之间有一套具体的计算公式。

Kaiser窗的函数为：

式中I

β为主瓣宽度参数，由下式计算：

α可以控制窗的形状。一般α加大，主瓣加宽，旁瓣幅度减小，典型取值为4＜α＜9，由下式计算：

其中，α

选定窗函数后要构造理想低通滤波器，理想低通滤波器的脉冲响应是Sinc函数，如下式所示：

其中的主要参数是截止频率ω

h＝ideal_lp(π，n)-ideal_lp(ω

(2.3)使用零相移滤波器对基线漂移进行纠正

基线漂移属于低频干扰，频率分布在0.15Hz-0.3Hz之内，由于电极位置的滑动变化或者人体的呼吸运动造成心电信号随时间缓慢变化而偏离正常基线位置产生基线漂移，幅度和频率都会时刻变化。心电信号中的PR波段和ST波段都非常容易受到影响产生失真。由于基线漂移信号是低频的，所以设计对应的高通滤波器，滤除这些低频干扰来达到调整基线的效果。

采用FIR滤波器虽然易于实现和能够得到线性相位，但如果要消除频率很低的基线漂移而又希望保持ECG信号其他成分(主要是ST段)的形态不受影响，要求滤波器的转折频率最好小于2Hz，这样必须增加滤波器的长度，而IIR滤波器能以较少的滤波器系数获得较低的转折频率。IIR滤波器是非线性相位的，但是可以通过逆滤波实现线性相位。

在离散系统中，y(n)表示输出，x(n)表示输入，h(n)表示滤波器所使用的响应函数，它们之间的关系可以表示为：y(n)＝x(n)*h(n)，通过数字滤波后，信号的模和相位分别表示为：

|Y(e

Arg[Y(e

从上面两式可以看出滤波后信号的振幅为|X(e

零相位数字滤波方法是：先将输入信号x(n)顺序滤波，将所得的结果y

Y

Y

Y

Y(e

其中N为滤波器的长度，由上述公式可得：Y(e

可以看出输入与输出之间不存在相位失真，只存在幅度失真。零相移滤波器能够有效地消除心电信号中的基线漂移，从而保持心电信号的原有特性。

将预处理之后的心电数据切割成设定长度(比如5s)的心电片段。

具体地，本实施例采用对信号直接切割的方式，将预处理之后的心电信号进行切割.每个片段的长度为5s。直接切割可以使得截取的信息更完整.且不依赖于特定的QRS检测算法，流程上也变得简单和一般化。为了增加样本量，采用片段之间重叠切取的方式，如图4所示(为表示方便，相邻片段使用了不同宽度)。在数据集的划分上采用了Inter-patient划分方式，即训练集和测试集来自不同的个体，个体差异性被充分考虑。抑郁症患者和正常对照组的心电片段数量之比为1:1，训练集和测试集的比例为7:3。

(3)症状预测模块，其用于利用深度神经网络模型对待测心电片段进行识别，输出识别结果；其中，识别结果包括正常和抑郁两种状态。

具体地，使用长短时记忆网络(Long Short-Term Memory，LSTM)对心电数据进行训练得到深度神经网络模型。LSTM的搭建在tensorflow框架下完成，使用交叉熵作为损失函数，优化方法为Adam算法。

将经过预处理和切割处理之后的心电片段作为LSTM模型的输入数据，对网络模型进行训练，该过程首先对心电数据逐层特征学习和映射，将得到的输出向量送入该网络的全连接层和softmax层，从而得到标准化后概率的输出向量，再利用交叉熵损失函数来计算真实分布与期望分布的距离，并通过优化算法来降低交叉熵损失来对网络模型进行优化，使得LSTM网络模型收敛到全局最优，最终得到深度神经网络模型。

具体地，一维心电信号本质上是一个时间序列，时间序列中往往存在着复杂的因果关系，也是隐藏规律的所在。在深度学习领域常用循环神经网络(Recurrent NeuralNetwork，RNN)来处理时间序列，尤其是RNN的变种——长短时记忆网络，可以良好地解决RNN的长程依赖问题。

LSTM通过引入门机制来控制信息传递的方式，从而使得网络能够建立起长距离的时序关系。如图5所示，为LSTM单个神经元的结构图，其包含输入门，遗忘门和输出门来保护和控制单元状态。每一个门包含一个sigmoid神经网络层和一个逐点乘法操作。Sigmoid层输出0到1之间的数值，表示让对应信息通过的权重。0代表“不允许任何量通过”，1代表“允许任意量通过”。

LSTM的工作原理为：

(1)遗忘门：决定了上一时刻的单元状态有多少保留到当前时刻。该门会读取h

f

其中h

(2)输入门：决定让多少新的信息加入到当前单元状态中。该功能的实现需要两个步骤：

(2-1)“input gate”层通过sigmoid来决定哪些信息需要更新，tanh层创建一个新的候选值向量

i

其中i

(2-2)更新旧的单元状态，将C

其中C

(3)输出门：控制单元状态C

o

h

其中，W

(4)残差的反向传播：利用反向传播来计算梯度，更新参数，此时输出门用于学习何时允许误差流入内存单元，输入门学习何时允许其流出内存单元并传播到网络的其余部分。

本发明采用LSTM中的“多对多”基本应用模式，每个数据点是每个时刻的输入，掌握每个时刻的网络输出，得到每个时刻的网络输出组成的序列之后，再送入一个全连接层，全连接层的输出就是One-hot类型的类别编码，如图6所示。

本实施例将心电信号与深度学习相结合应用于抑郁症的筛查或临床辅助诊断，可以实现对正常人和抑郁症患者的心电信号的有效辨识并进行正确分类，消除了在使用量表进行诊断时医生和患者的主观影响，诊断结果更具客观性；能够快速、准确地对抑郁症患者进行初步辨识，为抑郁症的排查提供一种新的客观方法，也使得医生更有针对性地进行后续的问诊或治疗。

实施例二

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：

获取被测试者在静息状态下的心电数据并转换成一维矩阵形式；

将一维矩阵形式的心电数据预处理后切割成设定长度的待测心电片段；

利用深度神经网络模型对待测心电片段进行识别，输出识别结果；其中，识别结果包括正常和抑郁两种状态。

本实施例的所述处理器执行所述程序时实现的步骤与实施例一中的基于深度学习与心电信号的抑郁症识别系统的各个模块的具体实施过程相同，此处不再累述。

本实施例将心电信号与深度学习相结合应用于抑郁症的筛查或临床辅助诊断，可以实现对正常人和抑郁症患者的心电信号的有效辨识并进行正确分类，消除了在使用量表进行诊断时医生和患者的主观影响，诊断结果更具客观性；能够快速、准确地对抑郁症患者进行初步辨识，为抑郁症的排查提供一种新的客观方法，也使得医生更有针对性地进行后续的问诊或治疗。

实施例三

本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤：

获取被测试者在静息状态下的心电数据并转换成一维矩阵形式；

将一维矩阵形式的心电数据预处理后切割成设定长度的待测心电片段；

利用深度神经网络模型对待测心电片段进行识别，输出识别结果；其中，识别结果包括正常和抑郁两种状态。

本实施例的所述处理器执行所述程序时实现的步骤与实施例一中的基于深度学习与心电信号的抑郁症识别系统的各个模块的具体实施过程相同，此处不再累述。

本实施例将心电信号与深度学习相结合应用于抑郁症的筛查或临床辅助诊断，可以实现对正常人和抑郁症患者的心电信号的有效辨识并进行正确分类，消除了在使用量表进行诊断时医生和患者的主观影响，诊断结果更具客观性；能够快速、准确地对抑郁症患者进行初步辨识，为抑郁症的排查提供一种新的客观方法，也使得医生更有针对性地进行后续的问诊或治疗。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。