基于动态因果模型中功能连接的抑郁症识别

专利名称：一种基于面部微表情动态识别的抑郁倾向检测方法专利类型：发明专利
发明人：周智恒,许施婷,李波,宋雨庭,胥静
申请号：CN202011153913.9
申请日：20201026
公开号：CN112380924A
公开日：
20210219
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于面部微表情动态识别的抑郁倾向检测方法，包括：S1，采集人脸的面部微表情视频，并提取每个面部微表情视频的动态图像；S2，将动态图像输入到已经训练好的微表情识别模型中，微表情识别模型输出动态图像所属的类别；S3，根据动态图像所属的类别判断是否含有消极情绪；若有，则所属表情类别为消极的，记为有抑郁倾向。

本发明能够是能够识别出高压环境工作者的消极情绪，从而能够更准确的判断是否有抑郁倾向。

申请人：华南理工大学
地址：510640 广东省广州市天河区五山路381号
国籍：CN
代理机构：广州市华学知识产权代理有限公司
代理人：雷芬芬
更多信息请下载全文后查看。

抑郁症自我评估的大脑动态网络模型近日，来自澳洲墨尔本国家青年心理健康中心的Christopher G.Davey等人在AJP期刊（The American Journal of?Psychiatry）上发文，介绍了一项与抑郁症相关的动态因果模型DCM的工作，发现其症状与内侧前额叶皮质的连接具有一定的相关性。

抑郁症的一个重要特征是自我的不安感，其中，内侧前额叶皮层在自我评估过程中起着重要的作用，其和抑郁症有重要的关系，为了探寻该区域的功能变化机理，这项工作对抑郁症自我评估过程中的内侧前额叶皮质活动进行研究。

作者采用动态因果网络模型，基于没有接受过药物治疗的71名患有中度到重度抑郁症的青少年以及88名健康参与者的功能磁共振成像数据，利用贝叶斯模型平均估计动态因果模型的参数，并将其进行比较。

结果：抑郁症组和健康对照组的自主认知过程被证明依赖于同样的动态网络,抑郁症组大脑前额叶皮层对抑郁症组的后扣带皮层有“超调节”效应，导致自我评估的不安感，其内侧前额叶皮质和后扣带皮质之间的负调节比对照组更明显(odds ratio= 0.54,95%ci=0.38,0.77)。

这与相关的抑郁因素低浓度和内张力相关(r=-0.32;95%CI=0.51,0.08)。

结论:在抑郁症的后扣带皮层中，其对内侧前额叶皮质的过度影响是导致抑郁症发病的重要因素。

研究方法：被试:86名没有接受过药物治疗的抑郁症参与者，年龄在15-25之间，DSM-IV 评估至少为中度严重度，MADRS评分20分，通过媒体和广告招募95名健康被试，这些被试没有精神病史，具体信息见表1。

范式设计：参与者完成了一个由自我评估、外部关注和休息组成的fMRI任务。

在自我评估环节，参与者根据一些词汇利用是或者不是来描述自己，在外部关注任务，参与者首先观察八个组块，每个组块有六个单词，每个显示5s，然后回答如“这个单词有四个或者更多元音吗？”这样的问题。

在32秒内插入10秒的休息，参与者被要求注视前方的十字交叉线，使用Stata版本14.1进行行为数据分析。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010763656.4(22)申请日 2020.07.31(71)申请人 华南理工大学地址 510640 广东省广州市天河区五山路381号(72)发明人 杜广龙　(74)专利代理机构 广州粤高专利商标代理有限公司 44102代理人 何淑珍　江裕强(51)Int.Cl.G06K 9/00(2006.01)G06K 9/32(2006.01)G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称基于肢体和微表情的多模态特征的抑郁倾向识别方法(57)摘要本发明公开了一种基于肢体和微表情的多模态特征的抑郁倾向识别方法。

所述方法包括以下步骤：借助非接触式测量传感器Kinect检测人体运动，生成运动文本描述；采用非接触式测量传感器Kinect捕捉人脸图像帧，对人脸感兴趣区域进行Gabor小波和线性判别分析，进行特征提取和降维，然后采用三层神经网络实现人脸表情分类，生成表情文本描述；通过一个具有自组织映射层的融合神经网络提取的文本描述进行融合并生成带有情感特征的信息；使用Softmax分类器将S3中生成的特征信息在情感类别中进行分类，分类结果用于评估该患者是否具有抑郁倾向。

本发明考虑到静态身体运动和动态身体运动，达到了更高的效率。

身体运动有助于识别抑郁症患者的情绪。

权利要求书3页 说明书6页 附图1页CN 111967354 A 2020.11.20C N 111967354A1.基于肢体和微表情的多模态特征的抑郁倾向识别方法，其特征在于，包括以下步骤：S1、借助非接触式测量传感器Kinect检测人体运动，分别采用卷积神经网络(CNN)和双向长短时记忆条件随机场(Bi-LSTM-CRF)对人体静态运动和动态运动进行分析，生成运动文本描述；S2、采用非接触式测量传感器Kinect捕捉人脸图像帧，对人脸感兴趣区域(ROI)进行Gabor小波和线性判别分析(LDA)，进行特征提取和降维，然后采用三层神经网络实现人脸表情分类，生成表情文本描述；S3、通过一个具有自组织映射层的融合神经网络对步骤S1和步骤S2中提取的文本描述进行融合并生成带有情感特征的信息；S4、使用Softmax分类器将S3中生成的特征信息在情感类别中进行分类，分类结果用于评估该患者是否具有抑郁倾向。

动态不确定因果图在中医智能辅助辨证中的应用研究作者：韦昌法刘东波刘惠娜王林峰来源：《现代信息科技》2024年第09期摘要：以郁病辨證为例，开展动态不确定因果图在中医智能辅助辨证中的应用研究，提高中医智能辅助辨证模型中辨证知识的可视化程度和辨证推理过程的可解释性。

对郁病权威文档进行整理分析、获取郁病辨证知识，采集郁病医案并进行筛选和数据预处理，构建郁病智能辅助辨证DUCG知识库，在知识库中表示症状知识和证型知识以及二者之间的关系，结合DUCG推理机进行辨证推理测试和分析。

构建了包含19个子图的郁病智能辅助辨证DUCG知识库和包含6个子图的郁病智能辅助辨证DUCG核心知识库，辨证推理测试获得的初步准确率可达72.92%、按证型分组统计的准确率最高可达100%，可根据DUCG化简图对辨证结果进行详细解释。

将动态不确定因果图理论应用于中医智能辅助辨证研究，有助于提高辨证模型中辨证知识的可视化程度和辨证推理过程的可解释性。

关键词：动态不确定因果图；郁病；智能辅助辨证；知识表示；辨证推理中图分类号：TP391 文献标识码：A 文章编号：2096-4706（2024）09-0120-06Research on the Application of Dynamical Uncertainty Causality Graph in Intelligent Assisted Syndrome Differentiation of Traditional Chinese MedicineWEI Changfa1， LIU Dongbo1， LIU Huina2， WANG Linfeng1（1.School of informatics， Hunan University of Chinese Medicine， Changsha 410208，China;2.Medical School， Hunan University of Chinese Medicine， Changsha 410208， China）Abstract： Taking the syndrome differentiation of depression as an example， this paper carries out research on the application of DUCG in intelligent assisted syndrome differentiation of TCM，and improves the visualization degree of syndrome differentiation knowledge in the syndrome differentiation model and the interpretability of syndrome differentiation reasoning process in the intelligent assisted syndrome differentiation model of TCM. It organizes and analyzes authoritative documents on depression， acquires knowledge on syndrome differentiation of depression， and collects， screens and preprocesses medical records of depression. A DUCG knowledge base for depression intelligent assisted syndrome differentiation is constructed， in which the symptom knowledge， syndrome type knowledge and the relationship between them are expressed， and it combines DUCG inference machine to conduct testing and analysis of syndrome differentiation reasoning. It constructs a DUCG knowledge base for depression intelligent assisted syndrome differentiation containing 19 subgraphs and a DUCG core knowledge base for depression intelligent assisted syndrome differentiation containing 6 subgraphs. The preliminary accuracy obtained through testing of syndrome differentiation reasoning can reach 72.92%， and the highest accuracy achieved by grouping statistics according to syndrome types can reach 100%. The syndrome differentiation results can be explained in detail according to the DUCG diagram. Applying DUCG theory to the research of intelligent assisted syndrome differentiation of TCM can help improve the visualization of syndrome differentiation knowledge and the interpretability of syndrome differentiation reasoning process in syndrome differentiation models.Keywords： Dynamical Uncertainty Causality Graph; depression; intelligent assisted syndrome differentiation; knowledge representation; syndrome differentiation reasoning0 引言从1956年人工智能的概念被提出以来，其发展一直在不断地改变着人类社会生活、改变着世界。

基于动态BP神经网络的抑郁病症诊断系统
杨胜跃;樊晓平;彭展;吉艳平
【期刊名称】《铁道科学与工程学报》
【年(卷),期】2005(002)003
【摘要】随着生活节奏加快,竞争压力增大,抑郁症已成为一种常见的心理疾病, 其发病机理目前尚不是十分清楚,医学界也没有严格统一的诊断标准.基于具有动态结构的BP神经网络,利用VC++设计开发了一套抑郁症诊断系统.该系统具有良好的灵活性和开放性,用户可根据实际需要自行调整网络层数、节点数以及学习收敛误差等参数.采用批量BP算法,提高了学习效率和逼近能力.测试结果表明,该系统具有较好的分类效果,可以用于抑郁症的辅助诊断和治疗.
【总页数】4页(P71-74)
【作者】杨胜跃;樊晓平;彭展;吉艳平
【作者单位】中南大学,信息科学与工程学院,湖南,长沙,410075;中南大学,信息科学与工程学院,湖南,长沙,410075;中南大学,信息科学与工程学院,湖南,长沙,410075;中南大学,信息科学与工程学院,湖南,长沙,410075
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于BP神经网络的疾病症状预测模型 [J], 张雅;宋耀莲;章凡;刘艳菲
2.基于粗糙集和BP神经网络的心脏病病症诊断方法 [J], 史爱松;张秉森
3.基于BP神经网络的刮板输送机传动部智能故障诊断系统的设计与实现 [J], 薛涛平
4.基于BP神经网络的疾病症状预测模型 [J], 张雅;宋耀莲;章凡;刘艳菲
5.基于BP神经网络的立磨齿轮箱专家诊断系统研究 [J], 乔文生;艾士娟;张凤香;李虹;郭理中;曹永辉
因版权原因，仅展示原文概要，查看原文内容请购买。

第１３卷㊀第１１期Ｖｏｌ．１３Ｎｏ．１１㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年１１月㊀Ｎｏｖ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）１１－００８２－０６中图分类号：ＴＰ３９９文献标志码：Ａ基于机器学习的抑郁症脑电识别研究骆睿鹏１，邹任玲１，孟令鹏１，谈宏伟１，刘巨涛１，徐澜菲１，胡秀枋１，曹㊀立２（１上海理工大学健康科学与工程学院，上海２０００９３；２上海交通大学医学院附属第六人民医院神经内科，上海２００２３３）摘㊀要：抑郁症已成为全球主要的健康负担，有效检测抑郁症是公共卫生的一大挑战㊂为了更好地识别抑郁症，本文提取了不同类型的脑电信号特征，其中包括线性特征和非线性特征，对抑郁症患者的脑电信号进行综合分析㊂并使用不同的机器学习算法模型分类器来评估最优特征集㊂在结合所有类型的特征对ＭＤＤ患者进行分类时，获得了最佳识别准确率达到９１％左右㊂这项基于机器学习和脑电信号（ＥＥＧ）的抑郁症识别研究为未来应用于抑郁症领域的早期筛查㊁辅助诊断以及辅助治疗决策等方面提供了一种辅助方案和一定的参考价值㊂关键词：脑电信号；抑郁症；静息态；刺激态；特征提取；机器识别Ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ－ｂａｓｅｄＥＥＧｒｅｃｏｇｎｉｔｉｏｎｓｔｕｄｙｆｏｒｄｅｐｒｅｓｓｉｏｎＬＵＯＲｕｉｐｅｎｇ１，ＺＯＵＲｅｎｌｉｎｇ１，ＭＥＮＧＬｉｎｇｐｅｎｇ１，ＴＡＮＨｏｎｇｗｅｉ１，ＬＩＵＪｕｔａｏ１，ＸＵＬａｎｆｅｉ１，ＨＵＸｉｕｆａｎｇ１，ＣＡＯＬｉ２（１ＳｃｈｏｏｌｏｆＨｅａｌｔｈＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｈａｎｇｈａｉｆｏｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０００９３，Ｃｈｉｎａ；２ＤｅｐａｒｔｍｅｎｔｏｆＮｅｕｒｏｌｏｇｙ，ＳｈａｎｇｈａｉＳｉｘｔｈＰｅｏｐｌｅᶄｓＨｏｓｐｉｔａｌ，ＳｈａｎｇｈａｉＪｉａｏＴｏｎｇＵｎｉｖｅｒｓｉｔｙＳｃｈｏｏｌｏｆＭｅｄｉｃｉｎｅ，Ｓｈａｎｇｈａｉ２００２３３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｄｅｐｒｅｓｓｉｏｎｈａｓｂｅｃｏｍｅａｍａｊｏｒｇｌｏｂａｌｈｅａｌｔｈｂｕｒｄｅｎ，ａｎｄｅｆｆｅｃｔｉｖｅｄｅｔｅｃｔｉｏｎｏｆｄｅｐｒｅｓｓｉｏｎｉｓａｍａｊｏｒｐｕｂｌｉｃｈｅａｌｔｈｃｈａｌｌｅｎｇｅ．Ｔｏｂｅｔｔｅｒｉｄｅｎｔｉｆｙｄｅｐｒｅｓｓｉｏｎ，ｔｈｅｐａｐｅｒｅｘｔｒａｃｔｓｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆＥＥＧｓｉｇｎａｌｆｅａｔｕｒｅｓ，ｗｈｉｃｈｉｎｃｌｕｄｅｌｉｎｅａｒｆｅａｔｕｒｅｓａｎｄｎｏｎｌｉｎｅａｒｆｅａｔｕｒｅｓ，ｆｏｒｔｈｅｃｏｍｐｒｅｈｅｎｓｉｖｅａｎａｌｙｓｉｓｏｆＥＥＧｓｉｇｎａｌｓｆｒｏｍｄｅｐｒｅｓｓｅｄｐａｔｉｅｎｔｓ．Ａｎｄｄｉｆｆｅｒｅｎｔｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓａｒｅｕｓｅｄｔｏｍｏｄｅｌｃｌａｓｓｉｆｉｅｒｓｔｏｅｖａｌｕａｔｅｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｅｔ．Ｔｈｅｂｅｓｔｉｄｅｎｔｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆａｂｏｕｔ９１％ｉｓｏｂｔａｉｎｅｄｗｈｅｎｃｏｍｂｉｎｉｎｇａｌｌｔｙｐｅｓｏｆｆｅａｔｕｒｅｓｔｏｃｌａｓｓｉｆｙＭＤＤｐａｔｉｅｎｔｓ．ＴｈｉｓｓｔｕｄｙｏｎｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｄｅｐｒｅｓｓｉｏｎｂａｓｅｄｏｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｎｄＥＥＧｓｉｇｎａｌｓｐｒｏｖｉｄｅｓａｃｏｍｐｌｅｍｅｎｔａｒｙｓｏｌｕｔｉｏｎａｎｄｔｈｅｒｅｆｅｒｅｎｃｅｖａｌｕｅｆｏｒｆｕｔｕｒｅａｐｐｌｉｃａｔｉｏｎｓｉｎｔｈｅｆｉｅｌｄｏｆｄｅｐｒｅｓｓｉｏｎｆｏｒｅａｒｌｙｓｃｒｅｅｎｉｎｇ，ａｉｄｉｎｇｄｉａｇｎｏｓｉｓａｎｄａｓｓｉｓｔｉｎｇｔｒｅａｔｍｅｎｔｄｅｃｉｓｉｏｎｓ．Ｋｅｙｗｏｒｄｓ：ＥＥＧ；ｄｅｐｒｅｓｓｉｏｎ；ｒｅｓｔｉｎｇｓｔａｔｅ；ｓｔｉｍｕｌｕｓｓｔａｔｅ；ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｍａｃｈｉｎｅｒｅｃｏｇｎｉｔｉｏｎ基金项目：上海市科技创新行动计划产学研医合作领域项目（２１Ｓ３１９０６０００）㊂作者简介：骆睿鹏（１９９７－），男，硕士研究生，主要研究方向：生物信号处理㊁模式识别㊂通讯作者：邹任玲（１９７１－），女，博士，副教授，主要研究方向：生物信号处理㊁康复医疗器械㊂Ｅｍａｉｌ：ｚｏｕｒｅｎｌｉｎｇ＠１６３．ｃｏｍ收稿日期：２０２２－１１－０８０㊀引㊀言据世界卫生组织不完全统计，全球约有超过３．５亿的不同程度抑郁症患者，仅中国统计出的抑郁症患者已超过３０００万，在近２０年的时间抑郁症患者约增加了１２０倍㊂然而，对抑郁症的病理机制的认识㊁尤其量化的评估或精神健康的指标以及有效的精神障碍早诊早治方法仍然缺乏，这成为抑郁症患者痊愈的主要难题㊂由于抑郁症的发病隐蔽性高和大众对抑郁症不够重视，仍有不少的抑郁症患者尚未得到有效治疗㊂目前，对抑郁症的诊断主要依赖于临床医生的观察㊁问诊以及问卷量表调查，这种方法存在一定的主观性和不确定性，易导致误诊㊁漏诊㊁前后诊断不一致，延误患者最佳治疗时期㊂因此，现阶段研究者尝试运用神经成像技术如脑电（Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ，ＥＥＧ）㊁核磁共振㊁脑磁图㊁正电子发射断层显像等来实现对抑郁症的客观评价和诊断㊂其中，ＥＥＧ具有一定的优势，如设备价格低㊁操作简单方便㊁时间分辨率高等㊂随着人工智能的发展，采用机器学习方法结合ＥＥＧ信号特征用于识别抑郁症的分类研究越来越受到重视㊂基于机器学习对抑郁症患者和正常人的脑电信号进行识别已经有一定的研究基础㊂如Ｃａｉ等学者［１］利用８６名抑郁症患者和９２名正常人的脑电数据，提取得到了一部分特征，在ＫＮＮ模型上达到了８６．９８％的准确率㊂Ｈｏｓｓｅｉｎｉｆａｒｄ等研究者［２］利用４５名抑郁症患者４５名正常人的脑电数据提取４个不同波段的功率谱和４种非线性特征等特征，利用逻辑回归分类器达到９０％的准确率㊂郭雨［３］利用１４２名抑郁症患者和７２名健康人的静息态脑电数据，在６种不同的机器学习算法模型上最好效果均达到了８０％以上的准确率㊂然而，以上这些研究只考虑到脑电信号的时域或频域或动力学方面等单一特征对识别的影响，而有大量研究表明抑郁症患者和正常人之间的不同脑部区域存在不同的活动性，因此需要从多方位地引入各种特征对抑郁症识别进行相应的研究㊂本文拟通过将机器学习和脑电信号应用到抑郁症诊断中，一方面可以筛查出大量潜在患者并对其进行及时有效治疗，另一方面可以更客观准确地识别抑郁症，提高医生的工作效率，减轻工作压力㊂实现基于ＥＥＧ信号的抑郁症患者识别将为抑郁症诊断提供一种新的辅助工具，具有极大的研究价值㊂１㊀实验数据集介绍及脑电预处理本研究使用的数据集选用兰州大学可穿戴计算重点实验室公开的用于精神障碍分析的抑郁症研究数据集［４］，经兰州大学第二附属医院伦理委员会批准，并获得所有受试者的书面知情同意㊂该数据集包含２４名抑郁症患者和２９名健康对照者所采集的脑电数据，采用１２８导联进行脑电数据采集的头皮电极位置如图１所示，使用ＨＣＧＳＮ（ＨｙｄｒｏＣｅｌＧｅｏｄｅｓｉｃＳｅｎｓｏｒＮｅｔ）系统采集脑电数据和ＮｅｔＳｔａｔｉｏｎ软件记录脑电数据，整个采集过程的采样频率设置为２５０Ｈｚ，分别采集了受试者闭眼静息态和睁眼刺激态下的脑电数据（刺激态脑电实验范式是采用中国化面孔情绪图片作为刺激材料，以此诱发注意力任务下的ＥＥＧ信号㊂根据情绪效价的不同，共包含恐惧㊁悲伤㊁快乐和中性４种不同类型的面孔情绪图片）㊂抑郁症和健康对照组的年龄分布以及ＰＨＱ－９评分情况统计如图２所示㊂由图２可知，抑郁症患者满足如下条件：（１）男女比例均衡且年龄范围在１６ ５６岁分布；（２）在接受被试前均符合ＤＳＭ的抑郁症诊断标准，且经过ＰＨＱ－９评分问卷的调查；（３）在接受被试前两周以内未服用任何精神类药品，排除了有严重身体疾病或不良倾向的患者㊂健康对照组满足如下：（１）男女比例均衡且年龄范围在１８ ５５岁分布；（２）排除了患有精神疾病病史以及有精神障碍家族史的人㊂图１㊀１２８导联头皮电极位置定位图Ｆｉｇ．１㊀Ｐｏｓｉｔｉｏｎｉｎｇｍａｐｏｆ１２８－ｌｅａｄｓｃａｌｐｅｌｅｃｔｒｏｄｅｓ(16,23)(23,30)(30,38)(38,45)(45,52)a g e0.30.20.10P e r c e n t a g e o f p a t i e n t s /%H C (129)M D D (24)0.80.60.40.20P e r c e n t a g e o f p a t i e n t s /%(0,5)(5,10)(10,14)(14,19)(19,24)H C (129)M D D (24)P H Q -9图２㊀抑郁症和健康对照组的年龄分布及ＰＨＱ－９评分情况Ｆｉｇ．２㊀ＡｇｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｅｘｐｅｒｉｍｅｎｔａｌｓｕｂｊｅｃｔｓａｎｄＰＨＱ－９ｓｃｏｒｅｓｔａｔｉｓｔｉｃｓ㊀㊀由于ＥＥＧ信号在采集过程中抗干扰能力较差，会受到各种干扰信号和伪迹的影响㊂因此采用Ｍａｔｌａｂ２０１９ｂＥＥＧＬＡＢ工具箱和Ｐｙｔｈｏｎ中ＭＮＥ软件包对从采集设备获取到的原始脑电数据进行预处理工作，主要步骤如下：（１）导入连续的脑电数据；（２）电极定位后选择适用的电极通道；（３）降低采样率用以提高运行速度；３８第１１期骆睿鹏，等：基于机器学习的抑郁症脑电识别研究（４）使用１ ４５Ｈｚ的带通滤波器以及５０Ｈｚ的陷波滤波器来消除电源电路中的５０Ｈｚ工频交流电等其他干扰信号；（５）查看脑电时域波形图中是否存在坏通道，若存在则需要对坏导进行插补；（６）将连续的脑电数据分段为多段ｅｐｏｃｈ；（７）使用ＩＣＡ算法手动校正由眼电㊁眨眼㊁心电㊁肌肉活动等产生的生理性伪迹成分和其他非生理性伪迹影响的数据部分以得到较为纯净的脑电数据；（８）手动去除漂移较大的脑电数据段；（９）对预处理后的脑电数据进行保存㊂２㊀抑郁症脑电特征提取和机器学习算法本节通过提取抑郁症患者和健康对照组不同状态下的脑电信号的线性特征和非线性特征，使用随机森林［５］㊁逻辑回归㊁Ｋ近邻［６］㊁支持向量机［７］四种机器学习算法模型进行分类识别，通过比较单一类型特征和多种类型特征㊁静息态和刺激态㊁不同情绪刺激态情况下的抑郁症病症识别效果，对抑郁症病症情况进行分析，并通过调整模型参数获得最优识别模型，具体技术实现路线如图３所示㊂导入脑电原始信号去伪迹滤波构建特征数据集线性特征提取非线性特征提取机器学习分类器(R F 、S V M 、L R 、K N N ）单特征和多特征对比静息态和刺激态对比不同情绪刺激态对比最优模型图３㊀技术实现总流程图Ｆｉｇ．３㊀Ｇｅｎｅｒａｌｆｌｏｗｃｈａｒｔｏｆｔｅｃｈｎｏｌｏｇｙｒｅａｌｉｚａｔｉｏｎ㊀㊀大脑皮层根据不同的位置一般被划分为额叶㊁颞叶㊁顶叶和枕叶，每一块区域都能够反映出人体的不同反应活动㊂其中，额叶区域与注意力㊁记忆㊁个性和情感等高级认知活动有关［８］，有研究者们认为额叶病变主要导致精神障碍，常表现为注意力丧失㊁冷漠㊁思维反应力和创造力都显著下降，这也是抑郁症患者的一部分病症体现㊂杨勇等研究人员通过分析抑郁症患者的脑区能量占比发现，与大脑皮层中央区域和枕叶区域相比，重症抑郁症患者在经过治疗后的额叶区域能量占比表达更为强烈㊂由抑郁症引起的脑电信号异常特征中，经典的以明确的α节律为主，在额叶区域具有较高的振幅，并且同样也会经常采集到δ节律，有研究表明，与α节律的异常相比，β㊁δ㊁θ节律的变化更为明显，不同频带信号的功率谱或大脑不同区域的数据通道之间的不对称性也会显示出不同㊂这些脑电信号特征可用于确定抑郁症的发作情况并评估治疗的有效性，特别是对于长期轻度抑郁症患者㊂医学上根据脑电成分的波动特征将脑电信号分为５种节律信号，详见表１㊂不同的ＥＥＧ节律频段对应不同的人体状态，各种ＥＥＧ节律频段都可在大脑皮层的不同区域出现，但往往在不同的生理状态下最明显的大脑区域有所不同㊂表１㊀脑电信号各节律频段及特点Ｔａｂ．１㊀ＦｒｅｑｕｅｎｃｙｂａｎｄｓａｎｄｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｅａｃｈｒｈｙｔｈｍｏｆＥＥＧｓｉｇｎａｌ节律频段频率／Ｈｚ生理的代表性状态出现的代表性脑区Ｄｅｌｔａ１ ４睡眠㊁病变颞叶㊁顶叶Ｔｈｅｔａ４ ７困倦㊁冥想颞叶Ａｌｐｈａ７ １２放松㊁运动㊁运动想象枕叶Ｂｅｔａ１２ ３０紧张㊁兴奋㊁专注额叶㊁顶叶Ｇａｍｍａ＞３０沉思㊁听觉及视觉感知颞叶㊁顶叶㊀㊀以上这些频段节律信号可以从不同情绪状态中获得，在不同情绪状态下，脑电信号的频率和振幅都会发生相应的变化㊂本研究采用的线性特征主要由脑电信号的峰峰值平均幅度㊁中位振幅㊁最大振幅㊁最小振幅以及α㊁β㊁δ㊁θ四种脑电波节律信号组成［９］㊂由于脑电信号的非线性㊁不规律性以及非平稳性的特点，传统的线性特征只是在时域和频域上反映ＥＥＧ的某方面特征，引入非线性动力学方法能够更加全面地对ＥＥＧ的特征进行分析㊂其中，熵作为非线性特征，是可以用来表征一个系统的复杂性和不规则性㊂本研究采用的非线性特征主要由奇异值分解熵㊁谱熵㊁排列熵组成［９］㊂奇异值分解熵是一种通过奇异谱和信息熵相结４８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀合的分析方法，其基本思想是通过对系统的时域信号序列进行相空间重构和奇异值分解，获取其内在复杂性特征㊂在信号的奇异谱分析基础上，计算奇异谱的信息，即奇异值分解熵，则可定量描述时间序列的复杂状态特征㊂谱熵是用来表示输入信号能量在功率谱划分下的不确定性，若信号组成成分较为复杂时，信号对应的功率谱越分散，对应的功率谱线会增多，得到的谱熵值就会变大，因此谱熵是对信号在频域上能量分布的复杂程度的定量描述㊂排列熵是一种能够检测信号突变的复杂程度的平均熵参数，其值越大就表示所对应的信号越复杂，计算过程简单并且具有很好的抗干扰能力和鲁棒性，能将无法定量描述的复杂系统简洁地描述出来㊂３㊀实验结果与分析在本次实验中，分类器采用了机器学习中的随机森林㊁逻辑回归㊁Ｋ最近邻㊁支持向量机四种算法模型进行构建，主要对以下几种组合情况进行讨论：（１）线性特征和非线性特征在单独及组合构成特征数据集下的识别效果对比；（２）静息态和刺激状态下的脑电信号进行识别效果对比；（３）恐惧㊁悲伤㊁快乐三种不同情绪刺激下的脑电信号进行识别效果对比㊂３．１㊀单一类型特征及组合特征下的识别结果对比为了研究不同类型特征对抑郁症患者和正常人的脑电信号分类的影响，首先分别对线性特征和非线性特征这２类单一类型的特征进行抑郁症识别㊂线性特征下的抑郁症识别结果见表２㊂由表２可以看出，基于刺激态特征数据集和调优后的随机森林算法组合构建的抑郁症识别分类模型具有最高的分类准确率，达到９１％㊂另外，在悲伤情绪刺激态和静息态下，模型的识别准确率最高达到了７０％以上㊂表２㊀线性特征下的抑郁症识别准确率Ｔａｂ．２㊀Ａｃｃｕｒａｃｙｏｆｄｅｐｒｅｓｓｉｏｎｉｄｅｎｔｉｆｉｃａｔｉｏｎｗｉｔｈｌｉｎｅａｒｆｅａｔｕｒｅｓ％脑电状态随机森林逻辑回归Ｋ近邻支持向量机全态４５５５５５７３恐惧６４４５４５５６悲伤７３８２６４４５快乐５５５５５５３６静息态２７６４７３６４刺激态９１６４５５６４㊀㊀非线性特征下的抑郁症识别分类结果见表３㊂由表３可以看出，整体的识别准确率都不是很高，只有基于快乐状态特征数据集和调优后的随机森林算法组合构建的抑郁症识别分类模型的准确率能达到６０％以上㊂表３㊀非线性特征下的抑郁症识别准确率Ｔａｂ．３㊀Ａｃｃｕｒａｃｙｏｆｄｅｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎｕｎｄｅｒｎｏｎｌｉｎｅａｒｆｅａｔｕｒｅｓ％脑电状态随机森林逻辑回归Ｋ近邻支持向量机全态２７５５２７３６恐惧３６４５５５７３悲伤２７４５５５４５快乐６４３６２７２７静息态２７３６３６２７刺激态４５５５４２４５㊀㊀考虑到单一类型的特征表征抑郁症病症信息缺乏片面性，为了充分考虑特征之间的互补性，于是将２种不同类型的脑电特征进行组合作为判断抑郁症的特征数据集，这样就能够尽可能地涵盖抑郁症人群和健康人群中关于大脑活动模式的变化㊂在上述实验的基础上，分别将线性特征数据集和非线性特征数据集进行特征组合后再对抑郁症进行识别分类，识别分类结果见表４㊂表４中，在恐惧状态㊁悲伤状态两种特征数据集下的抑郁症识别准确率能达到７０％以上，在静息态和刺激态两种特征数据集下的抑郁症识别准确率能达到６０％以上㊂表４㊀组合特征下的抑郁症识别准确率Ｔａｂ．４㊀Ａｃｃｕｒａｃｙｏｆｄｅｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｃｏｍｂｉｎｅｄｆｅａｔｕｒｅｓ％脑电状态随机森林逻辑回归Ｋ近邻支持向量机全态５５６４３６７３恐惧７３４５６４３６悲伤６４７４５６４５快乐４５５５３６３６静息态２７５５６４６６刺激态６５５４３６６４㊀㊀分析以上２组单一类型特征下的抑郁症识别结果，可以看到线性特征下的分类识别准确率要普遍高于非线性特征，这在一定程度上表明了抑郁症患者对于频段线性特征信息要更具敏感性，脑电信号的线性特征能更有效地表征出抑郁症患者的脑内活动变化㊂分析单一类型特征和多种类型特征下的抑郁症识别分类效果，发现相比较于单一非线性特征的分类结果，多特征组合后的识别效果有了一定的提升，说明这２类单一类型特征均包含表征抑郁症５８第１１期骆睿鹏，等：基于机器学习的抑郁症脑电识别研究病症的有效信息，并且采用多种类型特征组合对于识别抑郁症有一定的辅助作用㊂３．２㊀静息态和刺激态下的抑郁症识别对比为了研究不同类型特征对抑郁症患者和正常人的脑电信号分类的影响，在上述对比分析基础上，为了进一步探究抑郁症患者和正常人对于静息态和刺激状态下的识别效果，于是在保证同一类型特征的基础上分别对静息态和刺激态进行识别分类，静息态识别结果如图４所示，可以看出，静息态下的识别准确率最高能达到７０％以上㊂刺激态识别结果如图５所示，可以看出，刺激态下的识别准确率最高能达到９０％以上㊂线性非线性融合特征1.00.80.60.40.20随机森林逻辑回归K 近邻支持向量机识别准确率图４㊀静息态脑电信号下的抑郁症识别分类结果Ｆｉｇ．４㊀ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｄｅｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎｕｎｄｅｒｒｅｓｔｉｎｇｓｔａｔｅＥＥＧｓｉｇｎａｌ随机森林逻辑回归K 近邻支持向量机线性非线性融合特征1.00.80.60.40.20识别准确率图５㊀刺激态脑电信号下的抑郁症识别分类结果Ｆｉｇ．５㊀ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｄｅｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎｕｎｄｅｒｓｔｉｍｕｌａｔｅｄｓｔａｔｅＥＥＧｓｉｇｎａｌｓ㊀㊀从上述对比结果可以看出，抑郁症患者在刺激下相较于静息态下能表征出更显著的特征，因此在抑郁症临床早期诊断可以对就诊人进行适当性的刺激以诱发出与抑郁症状态相关的大脑区域的不同模式㊂３．３㊀３种不同情绪刺激下的抑郁症识别对比为了进一步分析出刺激态下抑郁症患者对哪种情绪刺激更敏感［１０］，于是针对采集脑电实验范式中的不同类型情绪状态下的抑郁症识别效果进行分析㊂恐惧情绪刺激下的抑郁症识别分类结果如图６所示㊂图６中，从恐惧情绪状态下的抑郁症识别分类结果中可以看出，非线性特征对于该情绪状态下的抑郁症表征比较显著，最高准确率能达到７０％以上，并且在进行多特征组合下，非线性特征能有效提高线性特征下的恐惧状态下的抑郁症识别分类结果㊂悲伤情绪刺激下的抑郁症识别分类结果如图７所示㊂图７中，从悲伤情绪状态下的抑郁症识别分类结果中可以看出，线性特征对于该情绪状态下的抑郁症表征比较显著，最高准确率能达到８０％以上，而特征组合的方式能有效提高非线性特征在悲伤状态下的抑郁症识别效果㊂快乐情绪刺激下的抑郁症识别分类结果如图８所示㊂图８中，从快乐情绪状态下的抑郁症识别分类结果中可以看出，不论是非线性特征㊁还是线性特征对于该情绪状态下的抑郁症表征都不太显著，对于抑郁症识别最高准确率才达到６０％左右㊂随机森林逻辑回归K 近邻支持向量机线性非线性融合特征1.00.80.60.40.20识别准确率图６㊀恐惧情绪刺激下的抑郁症识别分类结果Ｆｉｇ．６㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｄｅｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎｕｎｄｅｒｆｅａｒｆｕｌｅｍｏｔｉｏｎ随机森林逻辑回归K 近邻支持向量机线性非线性融合特征1.00.80.60.40.20识别准确率图７㊀悲伤情绪刺激下的抑郁症识别分类结果Ｆｉｇ．７㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｄｅｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎｕｎｄｅｒｓａｄｅｍｏｔｉｏｎ随机森林逻辑回归K 近邻支持向量机线性非线性融合特征1.00.80.60.40.20识别准确率图８㊀快乐情绪刺激下的抑郁症识别分类结果Ｆｉｇ．８㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｄｅｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎｕｎｄｅｒｈａｐｐｙｅｍｏｔｉｏｎ６８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀㊀㊀通过对以上３种情绪状态下的抑郁症识别结果分析，能够表明抑郁症患者对于悲观情绪下的刺激感知非常显著，对于乐观情绪下的刺激感知比较迟钝㊂该结果还充分体现了临床抑郁症患者普遍的悲观消极情绪严重的情形㊂４　结束语本文研究提取了脑电信号的线性和非线性特征，使用机器学习方法对抑郁症患者进行综合分析，通过对单特征㊁多特征的识别对比分析，非线性特征不一定能有效提高对抑郁症病症的识别准确率，而线性特征在表达抑郁症患者和正常人的区别中有一定的优势，造成这种现象的原因可能是抑郁症患者的症状与大脑皮层的异常活动产生的特定频段电信号有关㊂通过构建最优特征矩阵和调整最优参数得到了基于刺激态线性特征和随机森林算法抑郁症识别模型，其准确率达到最高９１％，从而验证了机器学习方法进行抑郁症辅助诊断的适用性，能更好地识别抑郁症，可对后续抑郁症的早发现早干预早治疗提供一定的参考价值㊂本文还创新性地对静息态和刺激态两种不同脑电状态下的数据集进行了对比分析，实验结果表明抑郁症患者对于外界刺激较为敏感，进而产生了不同于静息态下的脑电波成分㊂同时，还针对刺激态下的恐惧㊁悲伤㊁快乐三种情绪状态抑郁症识别准确率进行对比分析，结果显示抑郁症患者对于正性情绪的脑部反馈和认知出现异常，而对负性情绪产生了认知偏向，脑区活跃程度更大，更容易对负性情绪进行加工，这进一步验证了抑郁症患者存在对于正性情绪的选择性抑制，表现出难以被激活的现象，这为抑郁症的发病机制提供了电生理证据，也为后续针对抑郁症患者进行治疗采用非物理性的情感认知治疗手段提供了一定的可行性验证㊂参考文献［１］ＣＡＩＨａｎｓｈｕ，ＱＵＺｈｉｄｉａｏ，ＬＩＺｈｅ，ｅｔａｌ．Ｆｅａｔｕｒｅ－ｌｅｖｅｌｆｕｓｉｏｎａｐｐｒｏａｃｈｅｓｂａｓｅｄｏｎｍｕｌｔｉｍｏｄａｌＥＥＧｄａｔａｆｏｒｄｅｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩｎｆｏｒｍａｔｉｏｎＦｕｓｉｏｎ，２０２０，５９：１２７－１３８．［２］ＨＯＳＳＥＩＮＩＦＡＲＤＢ，ＭＯＲＡＤＩＭＨ，ＲＯＳＴＡＭＩＲ．ＣｌａｓｓｉｆｙｉｎｇｄｅｐｒｅｓｓｉｏｎｐａｔｉｅｎｔｓａｎｄｎｏｒｍａｌｓｕｂｊｅｃｔｓｕｓｉｎｇｍａｃｈｉｎｅｌｅａｒｎｉｎｇｔｅｃｈｎｉｑｕｅｓａｎｄｎｏｎｌｉｎｅａｒｆｅａｔｕｒｅｓｆｒｏｍＥＥＧｓｉｇｎａｌ［Ｊ］．Ｃｏｍｐｕｔｅｒｍｅｔｈｏｄｓａｎｄｐｒｏｇｒａｍｓｉｎｂｉｏｍｅｄｉｃｉｎｅ，２０１３，１０９（３）：３３９－３４５．［３］郭雨．基于脑电信号的抑郁症识别研究与实现［Ｄ］．北京：北京邮电大学，２０２１．［４］ＣＡＩＨａｎｓｈｕ，ＧＡＯＹｉｗｅｎ，ＳＵＮＳｈｕｔｉｎｇ，ｅｔａｌ．Ｍｏｄｍａｄａｔａｓｅｔ：Ａｍｕｌｔｉ－ｍｏｄａｌｏｐｅｎｄａｔａｓｅｔｆｏｒｍｅｎｔａｌ－ｄｉｓｏｒｄｅｒａｎａｌｙｓｉｓ［Ｊ］．ａｒＸｉｖｐｒｅｐｒｉｎｔａｒＸｉｖ：２００２．０９２８３，２０２０．［５］彭义春，张捷，覃左仕．基于随机森林算法的职位薪资预测［Ｊ］．智能计算机与应用，２０２１，１１（１０）：６７－７２．［６］ＳＡＥＥＤＩＭ，ＳＡＥＥＤＩＡ，ＭＡＧＨＳＯＵＤＩＡ．Ｍａｊｏｒｄｅｐｒｅｓｓｉｖｅｄｉｓｏｒｄｅｒａｓｓｅｓｓｍｅｎｔｖｉａｅｎｈａｎｃｅｄｋ－ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｍｅｔｈｏｄａｎｄＥＥＧｓｉｇｎａｌｓ［Ｊ］．ＰｈｙｓｉｃａｌａｎｄＥｎｇｉｎｅｅｒｉｎｇＳｃｉｅｎｃｅｓｉｎＭｅｄｉｃｉｎｅ，２０００，４３（３）：１００７－１０１８．［７］ＬＩＵＹ，ＰＵＣ，ＸＩＡＳ，ｅｔａｌ．ＭａｃｈｉｎｅｌｅａｒｎｉｎｇａｐｐｒｏａｃｈｅｓｆｏｒｄｉａｇｎｏｓｉｎｇｄｅｐｒｅｓｓｉｏｎｕｓｉｎｇＥＥＧ：Ａｒｅｖｉｅｗ［Ｊ］．ＴｒａｎｓｌａｔｉｏｎａｌＮｅｕｒｏｓｃｉｅｎｃｅ，２０２２，１３（１）：２２４－２３５．［８］ＤＲＥＶＥＴＳＷＣ，ＰＲＩＣＥＪＬ，ＦＵＲＥＹＭＬ，Ｂｒａｉｎｓｔｒｕｃｔｕｒａｌａｎｄｆｕｎｃｔｉｏｎａｌａｂｎｏｒｍａｌｉｔｉｅｓｉｎｍｏｏｄｄｉｓｏｒｄｅｒｓ：ｉｍｐｌｉｃａｔｉｏｎｓｆｏｒｎｅｕｒｏｃｉｒｃｕｉｔｒｙｍｏｄｅｌｓｏｆｄｅｐｒｅｓｓｉｏｎ［Ｊ］．ＢｒａｉｎＳｔｒｕｃｔｕｒｅａｎｄＦｕｎｃｔｉｏｎ，２００８，２１３（１）：９３－１１８．［９］ＭＯＶＡＨＥＤＲＡ，ＪＡＨＲＯＭＩＧＰ，ＳＨＡＨＹＡＤＳ，ｅｔａｌ．ＡｍａｊｏｒｄｅｐｒｅｓｓｉｖｅｄｉｓｏｒｄｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｆｒａｍｅｗｏｒｋｂａｓｅｄｏｎＥＥＧｓｉｇｎａｌｓｕｓｉｎｇｓｔａｔｉｓｔｉｃａｌ，ｓｐｅｃｔｒａｌ，ｗａｖｅｌｅｔ，ｆｕｎｃｔｉｏｎａｌｃｏｎｎｅｃｔｉｖｉｔｙ，ａｎｄｎｏｎｌｉｎｅａｒａｎａｌｙｓｉｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＮｅｕｒｏｓｃｉｅｎｃｅＭｅｔｈｏｄｓ，２０２１，３５８（１）：１０９－２０９．［１０］朱嘉诚，李颖洁，曹丹，等．抑郁症患者正性情绪加工脑电样本熵异常研究［Ｊ］．信号处理，２０１８，３４（８）：９４３－９５１．７８第１１期骆睿鹏，等：基于机器学习的抑郁症脑电识别研究。

基于fMRI动态功能连接的抑郁症患者分类研究皇甫浩然;杨剑;杨阳【期刊名称】《计算机应用研究》【年(卷),期】2017(34)3【摘要】针对当前抑郁症诊断正确率偏低、误诊率偏高的问题,利用fMRI动态功能连接研究了抑郁症辅助诊断问题.采用滑动时间窗技术研究功能连接及其网络拓扑特性的动态变化,然后基于这些动态特征应用多元模式分析方法对22名抑郁症患者和27名健康被试者进行分类.采用动态分析方法能够增加样本数量,从而更加有利于一些分类算法的应用.实验结果表明以动态功能连接和网络拓扑特性为特征的分类正确率均为93.88％,明显优于对应非动态特征81.63％和85.71％的结果.分析表明,具有高辨别力的特征所对应的脑区主要分布在默认网络、情感网络、视觉皮层区等,动态功能连接可能为抑郁症的辅助诊断提供新的手段.%This paper investigated a computer aided diagnosis model of depression using dynamic functional connectivity,the aim of which was to improve the accuracy of depression diagnosis.Firstly,it studied the dynamic change of topologic characteristic of fMRI and brain functional connectivity by sliding time window technique.Then,it employed a multivariate pattern analysis method to classify 22 patients with depression and 27 healthy volunteers.Dynamic functional connectivity analysis could increase the number of samples,which made more classification algorithms practicable for this problem.The best performance based on dynamic features was 93.88％,which was much better than non-dynamic features based results81.63％ and 85.71％.Further analysis demonstrates that the brain areas corresponding to the most discriminating features are mainly located in default mode network,affective network and visual cortical areas.Dynamic functional connectivity may be a potential measure for the diagnosis of depression.【总页数】5页(P678-682)【作者】皇甫浩然;杨剑;杨阳【作者单位】北京工业大学电子信息与控制工程学院,北京100124;磁共振成像脑信息学北京市重点实验室,北京100124;脑信息智慧服务北京市国际科技合作基地,北京100124;北京工业大学电子信息与控制工程学院,北京100124;磁共振成像脑信息学北京市重点实验室,北京100124;脑信息智慧服务北京市国际科技合作基地,北京100124;前桥工业大学,日本前桥371-0816【正文语种】中文【中图分类】TP391.7【相关文献】1.静息态fMRI对抑郁症伴嗅觉功能减退患者功能连接的研究 [J], 蔡秋艺;谢俊诗;邹瑜;杨德雨;王杰;胡良波2.肝性脑病患者基于静息态fMRI的全脑功能连接研究 [J], 郑罡;李强;张丽萍;柯文炜;娄亚先;潘之颖;罗松;张龙江;卢光明3.基于静息态 fMRI 的难治性癫痫患者丘脑功能连接研究 [J], 季学兵;肖芳;罗艺;魏建林;钱若兵;牛朝诗;傅先明4.基于fMRI数据的全脑动态功能连接网络拓扑属性的研究 [J], 易思维;郭水霞5.腹针治疗抑郁症下丘脑功能连接的fMRI研究 [J], 叶郭锡;刘雅慧;曾旭文;梁治平因版权原因，仅展示原文概要，查看原文内容请购买。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010767954.0(22)申请日 2020.08.03(71)申请人 东南大学地址 211189 江苏省南京市江宁区东南大学路2号(72)发明人 李健　徐治　胡云云　(74)专利代理机构 南京苏高专利商标事务所(普通合伙) 32204代理人 梁耀文(51)Int.Cl.G16H 50/20(2018.01)G16B 20/30(2019.01)G16B 40/00(2019.01)G06N 3/04(2006.01)A61B 5/16(2006.01)(54)发明名称一种抑郁症患者识别系统及其识别方法(57)摘要本发明公开了一种抑郁症患者识别系统及其识别方法，包括以下步骤：收集和整理数据，构建原始数据集；对原始数据集进行数据预处理得到输入数据集；将输入数据集按照一定比例划分训练数据集和测试数据集；创建识别抑郁症患者与健康人群的深度学习模型，利用训练数据集对构建的深度学习模型进行训练；利用测试集对训练好的深度学习模型进行性能评估，并在验证评估过程中对模型进行不断优化，得到最优模型。

通过本发明可以高效便捷实现对抑郁症精神障碍的早期识别，提高抑郁症治疗的精准度。

权利要求书2页 说明书4页 附图4页CN 111899869 A 2020.11.06C N 111899869A1.一种抑郁症患者识别系统，其特征在于，包括数据预处理单元、模型创建单元、模型优化单元和数据识别单元；数据预处理单元：用于对候选基因DNA甲基化的EWAS分析结果进行预处理；模型创建单元：用于创建识别抑郁症患者与健康人群的深度学习模型；模型优化单元：用于对所述深度学习模型进行优化；数据识别单元：用于基于优化后的深度学习模型对待区分的甲基化测序数据进行有效识别。

2.一种如权利要求1所述的抑郁症患者识别系统的识别方法，其特征在于，包括如下步骤：(1)收集和整理数据，构建原始数据集，数据为候选基因DNA甲基化的EWAS分析结果；(2)对原始数据集进行数据预处理得到输入数据集；(3)将输入数据集划分为训练数据集和测试数据集；(4)创建识别抑郁症患者与健康人群的深度学习模型，利用训练数据集对构建的深度学习模型进行训练；(5)利用测试集对训练好的深度学习模型进行性能评估，并在验证评估过程中对模型进行不断优化，得到最优模型。

基于独立成分分析功能连接的抑郁症分类研究茂旭;杨剑;杨阳【期刊名称】《计算机应用研究》【年(卷),期】2018(035)006【摘要】已有的功能连接研究大多根据脑图谱构建全脑功能连接,但目前可选用的脑图谱种类有限,且采用不同脑图谱的分析结果可能存在一定的差异.针对上述问题,利用独立成分分析方法研究了抑郁症辅助诊断问题.首先利用组独立成分分析提取独立成分并构建全脑功能连接网络,然后采用BoostFS(boosting feature selection)方法进行特征选择,最后应用多元模式分析方法对20名抑郁症患者和21名健康被试进行分类.实验分类准确率达到95.12％,错分了一名抑郁症患者和一名健康被试.进一步分析表明,具有较强分辨能力的脑网络为感觉运动网络、默认网络和视觉网络,与已有基于脑图谱的研究结果基本一致,从而说明了基于独立成分分析方法的合理性,使其可能成为抑郁症辅助诊断的一种新方法.【总页数】5页(P1641-1644,1699)【作者】茂旭;杨剑;杨阳【作者单位】北京工业大学信息学部,北京100124;磁共振成像脑信息学北京市重点实验室,北京100124;脑信息智慧服务北京市国际科技合作基地,北京100124;北京工业大学信息学部,北京100124;磁共振成像脑信息学北京市重点实验室,北京100124;脑信息智慧服务北京市国际科技合作基地,北京100124;北京工业大学北京未来网络科技高精尖创新中心,北京100124【正文语种】中文【中图分类】TP391.4【相关文献】1.基于独立成分分析和互相关分析的脑功能连接研究 [J], 许新梅;王惠南;黄伟2.基于独立成分分析的脑卒中感觉运动网络功能连接异常的研究 [J], 吴杰;赵智勇;唐朝正;宫家玉;王鹤玮;孙莉敏;贾杰;范明霞3.基于fMRI动态功能连接的抑郁症患者分类研究 [J], 皇甫浩然;杨剑;杨阳4.基于功能连接信息熵的精神分裂症EEG分类研究 [J], 李佩珍; 王彬; 牛焱; 田程; 相洁5.基于独立成分分析的青年吸烟者大脑静息态执行网络功能连接变化研究 [J], 王宪福; 谢东东; 刘畅; 程永欣; 崔永婷; 田时雨; 喻大华因版权原因，仅展示原文概要，查看原文内容请购买。