[发明专利]一种基于动态因效性脑网络的抑郁症检测装置

说明书

本发明公开了一种基于动态因效性脑网络的抑郁症检测装置，包括：采集40Hz‑O‑chirp声刺激下被试的脑电信号，使用滑动窗口对脑电信号加窗，在每一个窗口下，利用基于格兰杰因果思想的偏定向相干算法计算PDC的大小，得到每个时间窗下的PDC邻接矩阵；基于邻接矩阵计算每个时间窗下的脑网络拓扑特征参数，构建出动态脑网络变化图；计算动态脑连接拓扑参数，用于刻画抑郁症患者的大脑动态变化特征；将检测到的异常脑连接子网络特征进行特征降维与融合，采用肯德尔相关系数的变体去除分类能力弱的特征，利用支持向量机进行分类模型的构建，使用留一交叉验证法，最终计算模型的准确性、灵敏度、特异性与ROC曲线以评估分类性能。

技术领域

本发明涉及抑郁症检测领域，尤其涉及一种基于动态因效性脑网络的抑郁症检测装置。

背景技术

抑郁症(Major depressive disorders,MDD)是一种以显著持久的情绪低落、兴趣减退等为主要特征的精神障碍类疾病，具有高患病率、高误诊率、高复发率的特点。抑郁症已经成为了危害人们身心健康的一大杀手。

但目前抑郁症的确诊以临床上精神科医生的症状问询为主，主要依赖心理健康量表的评估以及医生的主观经验，其结果一致性差，误诊率高，缺乏客观的诊断手段。人类大脑是一个由无数个神经元以及神经元之间的相互作用构成的复杂神经网络，大脑各种功能的实现正是通过多个相互作用的单元系统的运作来完成的。基于图论的复杂脑网络模型为研究脑区之间的相互作用以及使用强大的计算工具解释功能网络的复杂拓扑结构提供了理论框架。事实上，利用脑网络探究抑郁症患者的大脑功能变化以及取得了一定的进展。然而目前的研究尚无一致性的结果，且目前针对脑网络的研究仅仅只是关注了大脑功能这一复杂时空现象的静态平均值，缺乏对时间维度的刻画和探究。

因此，探究抑郁症患者大脑功能网络的动态变化，提取出动力学特征，为抑郁症的诊断提供可靠的理论和技术支持，具有重要的科学意义。

发明内容

本发明提供了一种基于动态因效性脑网络的抑郁症检测装置，本发明以40Hz频率的啁啾(O-chirp)声诱发患者大脑的gamma节律，利用滑动窗口提取连续的时间窗口，在每一个时间窗口下利用偏定向相干(Partial directed coherence,PDC)构建大脑网络，利用网络统计学工具(Network-based statistics,NBS)对患者组与对照组的动态脑网络连接进行统计学检验，分析患者大脑动态变化异常的脑区连接，接下来计算动态拓扑特征参数，也发现患者大脑的特异性拓扑特征，详见下文描述：

一种基于动态因效性脑网络的抑郁症检测装置，所述装置包括：

采集40Hz-O-chirp声刺激下被试的脑电信号，使用滑动窗口对脑电信号加窗，在每一个窗口下，利用基于格兰杰因果思想的偏定向相干算法计算PDC的大小，得到每个时间窗下的PDC邻接矩阵；

基于邻接矩阵计算每个时间窗下的脑网络拓扑特征参数，构建出动态脑网络变化图；计算动态脑连接拓扑参数，用于刻画抑郁症患者的大脑动态变化特征；

将检测到的异常脑连接子网络特征进行特征降维与融合，采用肯德尔相关系数的变体去除分类能力弱的特征，利用支持向量机进行分类模型的构建，使用留一交叉验证法，最终计算模型的准确性、灵敏度、特异性与ROC曲线以评估分类性能。

其中，使用汉明窗对提取的每一段经过预处理后的脑电信号加窗，窗长为0.6s，步长为0.1s，即在每一个0.6s长的脑电信号下计算PDC矩阵，得到动态因效性脑连接矩阵，构建出对应的动态脑网络；使用网络统计学NBS刻画抑郁症患者的大脑动态变化特征。

进一步地，所述将检测到的异常脑连接子网络特征进行特征降维与融合，采用肯德尔相关系数的变体去除分类能力弱的特征具体为：

利用NBS识别抑郁症患者脑连接中存在异常的部分，得到P维特征：

P＝N×N×T,