[发明专利]基于多源脑电数据融合的抑郁症辅助识别模型构建方法

说明书

基于多源脑电数据融合的抑郁症辅助识别模型的构建方法，包括：构建多数据源抑郁症脑电数据的特征矩阵；使用基于个体分类器赋权的多分类器组合策略从已构建的特征矩阵中找出表现较好的特征矩阵；通过对特征矩阵的多元组合形成特征矩阵组合；利用基于权重优化的并行特征层融合策略将最佳的特征矩阵组合进行融合，从而构建具有较高识别准确率的抑郁症辅助识别模型，能提高抑郁症辅助识别模型的泛化能力从而提供客观且普适化的辅助识别的工具。

技术领域

本发明涉及一种疾病诊断的辅助方法，具体来说，本发明涉及基于多源脑电数据融合的抑郁症辅助识别模型的构建方法。本发明方法首先构建多数据源抑郁症脑电数据的特征矩阵,其次使用基于个体分类器赋权的多分类器组合策略从已构建的特征矩阵中找出准确率较高的特征矩阵，然后通过对特征矩阵的多元组合形成特征矩阵组合，进而再利用基于权重优化的并行特征层融合策略将最佳的特征矩阵组合进行融合，从而构建具有较高识别准确率的抑郁症辅助识别模型。本发明方法能够提高抑郁症辅助识别模型的泛化能力，从而提供一种用于抑郁症辅助诊断的客观且普适化的工具。

背景技术

1.脑电数据与抑郁症

脑电数据在情感识别领域的应用研究越来越广，研究表明抑郁症等情感障碍疾病与脑电数据的变化有着极大的相关性，因此，将脑电数据应用在抑郁症识别领域也逐渐成为研究的热点。研究人员通过对比分析患者和健康人群脑电数据的差异，寻找能够作为识别抑郁症的脑电指标来构建抑郁症的辅助识别模型。例如，在有关抑郁症患者脑电数据的研究中，有很多的研究表明抑郁症患者与正常人的脑电数据存在大量的差异，特别是前额叶的脑电数据的变化与抑郁症具有紧密的联系。

2.多分类器组合

由多个个体分类器组成的多分类器组合通常由两部分构成：个体分类器的生成以及根据组合策略对多个个体分类器的输出结果进行集成输出。在多分类器组合的过程中，个体分类器的差异性、准确性以及个体分类器之间的组合策略、直接影响着多分类器组合结果的好坏。

3.多源数据融合

多源数据融合是一种能够组合来自多个信息源的数据以形成统一信息的技术。多源数据融合的概念由信息融合发展而来，这个概念最早起源于上世纪七十年代，美国军方为了军事需求，将C3I(Command、Control、Communication and Intelligence)军事系统中多个来源的数据进行融合，进而发展成为了一门独立的学科。多源数据融合的定义为“对来自多个数据源的数据，利用计算机技术进行多层次、多方面的综合处理的过程，从而产生一个能够达到所学的决策和估计目标的新信息”。多源数据融合能够自动或半自动的将来自不同信息源和不同时间点的信息进行转化，从而为人们在进行决策时提供有效的支撑。

多源数据融合技术能够通过融合多个单一数据源的数据来提供比单个数据源更加全面、准确的信息。数据融合是在几个层次上完成对多源数据信息的处理过程。目前，普遍接受的融合层次的划分可分为三个级别：数据层融合、特征层融合和决策层融合。在本发明中主要采用特征层融合。

数据层融合：又称像素层融合，是三个融合层次中最低层次的融合。其直接对获取到的原始数据进行融合，然后基于融合后的数据进行特征提取并进行决策判断。需要注意的是进行数据层融合的多源数据是同质的。

特征层融合：作为三种融合层次中中间层次的融合，特征层融合较为智能化，其先对原始数据进行特征提取和处理，然后再将这些多源的特征按照一定的融合算法融合成一个联合特征向量。

决策层融合：是三种融合层次中最高层次的融合，是最高层面的智能化融合，是将多个来源的信息单独进行决策，换言之就是对多源的数据分别进行特征提取，特征选择等操作形成特征矩阵，然后将这些特征矩阵输入各自的分类器中，形成各自的决策，最后再将各自的决策结果通过一定的方式进行融合处理，从而得到问题最终的决策结果。