[发明专利]一种基于图-节点卷积神经网络的脑电信号分类方法

说明书

本发明公开了一种基于图‑节点卷积神经网络的脑电信号分类方法。本发明采用了2D卷积+图卷积，图分类+节点分类的深度学习网络来对脑电信号进行分析，其特点在于：对原始脑电信号进行去噪等预处理之后，提取出脑电信号的微分熵特征，利用到了脑电信号的频域信息；然后将特征送入并行2D卷积和图卷积网络中进行时间信息和空间信息的提取，从而得到时域、频域和空间域的复合特征，最终输入到节点分类图神经网络中进行脑电信号分类。根据上述方法流程，本发明在MODMA数据集上进行了相关的实验验证，结果证明本发明提出的方法优于单一模型和串行模型的方法，具有更好的脑电信号分类效果。

技术领域

本发明属于医学信号处理领域，具体涉及一种基于图-节点卷积神经网络(Graph-Node-Convolutional neural network,GNCNN)的脑电信号分类方法。

背景技术

抑郁症是个人情绪调节上产生了障碍，临床表现为心境低落、行动迟缓、精神过度集中于自身，不仅造成精神痛苦，还会逐渐剥离个人与外界事物的联系，对患者的危害极大。在临床应用中，只有对抑郁症患者进行客观准确的识别，并及时采取治疗，才是抑郁症康复的前提。

目前，最常见的抑郁症分类方式，是医生问询搭配量表调查，然而，这种方式存在很多问题。首先，量表的设计准则需要分数达到一定阈值，这种方式往往会导致结果过度或者不足；其次，问询过程中无法避免被测试者的主观隐瞒等干扰因素；同时，精神卫生专业人员的极度缺乏、医生经验的差别、患者的不重视及隐私泄露担忧也使得对抑郁症的分类效果较差。因此，提高抑郁症分类的准确率与效率，具有十分重要的意义。

虽然脑电技术在上世纪下半叶出现了，但几十年前，只有临床医生和神经科学专家能够在严格控制的实验室条件下，用包含64个或更多通道的电极来采集和分析脑电图。这些高密度电极在人头皮上均匀分布，被用来帮助研究人员发现与动作、认知或情感加工有关的潜在神经机制。近些年来，随着计算机硬件和处理器技术的发展，人们对于大脑了解的逐步深入，对大脑的结构和活动规律有了更深刻的认识，基于脑电的产品也开始应用到各个生产生活领域。

脑电图(electroencephalograph,EEG)用于医学领域最常用的方法是基于人工特征提取配合各种分类器，如时域特征、频域特征、时频域特征及其他非线性特征、深度学习提取特征等。与传统的EEG信号处理方法相比，基于深度学习的方法在脑电信号处理中得到了广泛的应用，取得了良好的效果。近年来，基于EEG和深度学习的方法在医学信号处理领域方面也取得了良好的性能，但是在脑电信号的分类准确率仍然有待提高。

发明内容

为了提高抑郁症识别的准确率，以便更好地实现临床应用，本发明提出了一种基于图-节点卷积神经网络的脑电信号分类方法。

本发明采用的技术方案如下：

一种基于图-节点卷积神经网络的脑电信号分类方法，该方法首先手动提取脑电信号的微分熵特征，然后将提取的特征输入到并行的2D卷积与图卷积网络结构中，以图分类的方式进行深层次的特征提取，最后将提取的特征输入到图卷积网络中进行节点分类，具体步骤如下：

(一)数据预处理：对原始的EEG信号，首先进行带通滤波，从而去除高频噪声、消除缓慢漂移、去除电源线噪声；其次，进行独立成分分析，去除眼电干扰；然后，进行重参考；最后，对数据进行分段，根据数据中的事件信息将包含图片刺激的一段提取出来，作为后续用于处理的脑电信号；

(二)特征提取：对步骤(一)中预处理后的脑电信号提取微分熵特征；