[发明专利]基于双分支融合模型的抑郁脑电分类方法

说明书

本发明公开了一种基于双分支融合模型的深度学习的抑郁脑电分类方法，包括以下步骤：(1)获取若干组健康人的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，(2)获取若干组轻度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，(3)获取若干组中度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，(4)以步骤(1)、(2)和(3)中的健康对照、轻度抑郁患者和中度抑郁患者的输入形式，对双分支融合模型进行训练学习，(5)将待分析窗口脑电信号转换成对应的小波时频图，输入步骤(4)中训练完成的双分支融合模型，完成该脑电信号的分析。该方法效果良好，能够区分出抑郁和健康以及抑郁程度。

技术领域

本发明涉及一种基于双分支融合模型的抑郁脑电分类方法，属于计算机应用技术领域。

背景技术

抑郁症(Major Depression Disorder，MDD)是一种常见的精神障碍疾病，其临床症状表现为对一切事物的兴趣低下、自我认同感不强和注意力不集中等症状，甚至会出现反复自残和自杀的行为。据世界卫生组织(World Health Organization，WHO)估计，到2030年抑郁症患者人数将超过所有心血疾病患者人数的总和，并且抑郁症将成为世界第一大自残诱因。在中国，抑郁症的发病人数约占总人口的4.2％，并呈现逐年上升和年轻化的趋势。抑郁症不仅会对个人造成严重的伤害，而且还会对患者家庭和社会带来负面的影响。如果能够在抑郁症早期就对患者进行正确的诊断，患者的病情就可以及时通过心理治疗、药物治疗、电休克疗法以及改变生活方式等手段得到显著的改善。因此，对抑郁症的准确率诊断具有重要意义。

一方面，脑电信号能够捕捉大脑毫秒级的神经元电活动，具有较高的时间分辨率和可靠性，同时价格相对低廉。另一方面，已有研究表明患者的抑郁程度主要与前额叶脑电的活跃程度和左右额叶间EEG的对称性有关。因此，可以选取大脑前额叶三通道脑电数据作为抑郁症诊断的依据。

发明内容

为了准确地区分出健康和抑郁以及抑郁程度，本发明提供了一种基于双分支融合的抑郁脑电分类方法。该方法以前额叶三通道脑电数据的小波时频图以及原始脑电序列作为输入，来训练双分支融合模型从而区分出健康和中度抑郁脑电以及轻度脑电和中度脑电。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于深度学习的抑郁脑电分类方法，包括以下步骤：

(1)获取若干组健康人的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入。

(2)获取若干组轻度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入。

(3)获取若干组中度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入。

(4)步骤以(1)、(2)和(3)中的健康对照、轻度抑郁患者和中度抑郁患者的输入形式，对双分支融合模型进行训练学习。

(5)将待分析窗口脑电信号转换成对应的小波时频图，输入步骤(4)中训练完成的双分支融合模型，完成该脑电信号的分析。

作为本发明的进一步技术方案，大脑前额叶采集使用的是普适化三导脑电采集系统。

作为本发明的进一步技术方案，(1)、(2)和(3)的滑动窗口长度为2秒，重叠率为0。

作为本发明的进一步技术方案，使用的小波变换为小波变换的选取为以复Morlet小波(宽带参数为3，中心波长为3)为基小波的小波变换。