论文部分内容阅读
随着社会的飞速发展,人们的生活节奏日益加快,来自工作、生活等各方面的压力也随之增加。近年来,焦虑症的发病率逐年上升。焦虑症,又称为焦急症或焦虑障碍,是一种以过度的焦虑或恐惧反应为特征的精神疾病。焦虑症可以细分为多种亚型,包括:广泛性焦虑症（Generalized Anxiety Disorder,GAD）、社交性焦虑症、分离焦虑症、广场焦虑症和选择性缄默症等。目前,对焦虑症的诊断以医生的临床经验和GAD-7等量表的形式为主。由于社会对精神类疾病存在偏见,许多就诊者会刻意隐瞒自身真实的心理和情感状态,并且多种亚型焦虑症患者之间的临床差异表现并不明显,导致误诊时有发生。近年来,随着情感计算与认知科学研究的进一步推进,脑电信号（Electroen-cephalogram,EEG）和眼动信号因其在反映大脑的神经活动和注意力偏差方面的优越性而被广泛应用于焦虑症的判别中。由于单模态方法只关注模态内特征,忽视了 EEG与眼动信号之间基于神经传递机制的相干性,导致检测的结果不够准确。因此,本文从多模态融合的角度出发,发掘脑电信号和眼动信号的相位-幅度耦合（Phase-Amplitude Coupling,PAC）来获得模态间的相干性表征,从而实现准确率高于单模态的GAD识别。本文主要开展了如下三个方面的研究工作:（1）提出一种基于动态时间扭曲距离的时序对齐跨模态相位-幅度耦合改进算法。现有的PAC改进算法改进点主要集中在耦合度量的计算指标上,忽视了不同生理信号之间存在的时序差异。为了更好地解决该时序差异以及噪声对耦合度量的影响,本文提出了基于动态时间扭曲距离的时序对齐改进算法（Time Alignment Based on Distance,TABD）。该算法主要通过计算使用不同信号的相位、幅度信息构建的融合信号与原始信号的动态时间扭曲距离（Dynamic Time Warping Distance,DTW）来衡量耦合强弱,引入相位之间的相似性指数作为度量值的补充。在此基础上,使用互相关算法得到最优时延,强化强耦合区域;使用一维高斯分布拟合不同时延序列下的耦合值分布,弱化弱耦合区域。在耦合测试数据集上,本文提出的TABD改进算法与其他PAC改进算法相比,具有更好的耐噪声特性、时延不敏感特性等优势。（2）提出一种基于相位-幅度耦合的数据层多模态融合方法。眼动信号中的瞳孔直径变化受到动眼神经中的副交感神经支配,该变化与大脑的不同频段、感兴趣区域（Region of Interest,ROI）存在关联性。为了更好地建模两种模态间的相干性,进而得到更具特异性的数据层融合表示,本文提出了一种基于相位-幅度耦合的多模态融合方法。该方法首先将脑电信号划分为不同的频段、感兴趣区域,然后结合眼动信号中的瞳孔直径的变化得到两种模态之间的PAC耦合关系矩阵。该融合特征矩阵不仅反映了眼动信号与大脑不同ROI、不同频段之间的低高频PAC节律,还充分发掘了 EEG与眼动信号之间的协同特性。与其他传统特征方法相比,基于PAC的数据层融合方法不仅充分利用了生理信号自身的时频域特性,而且体现了人类不同生理信号之间基于神经传导的信息交流机制。（3）提出一种基于TABDPAC算法的GAD识别模型。为了取得更好的GAD识别效果,本文结合数据层多模态融合方法和TABDPAC改进算法,设计了一种基于TABDPAC算法的GAD识别模型。该模型主要通过构建EEG和瞳孔直径之间的TABDPAC耦合关系矩阵代替传统的单模态特征矩阵。基于该特征矩阵,本文提出了一种基于评分排序机制的频段-主要感兴趣区域选择算法（Frequency Bands-Major ROIs Selection,FB-MRS）,该方法通过计算不同标签下不同频段之间的相似度、各个ROI与全局耦合度量的离散度以及不同标签下的ROI之间的差异度,并结合评分的机制来对大脑不同频段、ROI进行排序,从而选择出特定频段下的主要ROI。本文从HBN数据库中选取了符合条件的50名被试（25名GAD被试,25名正常被试）进行验证实验,实验结果表明本文提出的特征选择算法适用于以生理信号为基础的机器学习模型,筛选出的主要ROI集中在视觉相关区域。此外,该识别模型与其他跨频交叉耦合（Cross-Frequency Coupling,CFC）融合模型、单模态识别模型相比,在默认参数的支持向量机（Support Vector Machine,SVM）分类器上取得了最高80%的准确率。实验结果不仅证明了 FB-MRS算法和TABDPAC改进算法的可行性,也验证了本文提出的基于TABDPAC的GAD识别模型的有效性。综上所述,本文所提出的TABDPAC耦合改进算法、FB-MRS特征选择算法和基于TABDPAC算法的GAD识别模型,能够有效地利用不同模态信号之间的相干性,通过区分不同ROI以及频段之间的差异性来获得更具代表性的协同表征,实现了更高效、准确的GAD检测。