论文部分内容阅读
抑郁症作为一种常见的心理疾病,严重危害着人们的身心健康。随着现代社会生活节奏加快,人们面常常面临巨大的精神压力,导致抑郁症的发病率呈逐年增加的趋势,抑郁症的识别和诊断变得越来越迫切。目前,临床抑郁症的诊断主要依赖于量表判断等定性方法,抑郁症的定量化精准诊疗罕见应用。基于生理数据建立抑郁症的生理心理模型,探寻客观有效的生物标记物,研究抑郁症的生理特征以及抑郁症与生理特征的对应关系,可以为实现抑郁症的定量客观化精准诊疗提供重要的理论依据。基于有效的生物标志物,结合机器学习算法构建抑郁状态识别模型,实现抑郁症的定量客观化精准诊疗,对抑郁症的精确诊断、提高抑郁症的识别准确率,具有十分重要的理论意义和临床价值。
脑电信号包含丰富的生理和病理信息,可以反映大脑整体的电生理活动和不同的脑功能状态,使得脑电信号在抑郁状态识别方面表现出独特的优势。研究表明,抑郁症患者大脑额叶活动有显著性改变,同时为了解决之前研究中出现的脑电信号采集过程较为复杂的问题,本文采集了额叶三通道的脑电信号,建立了基于不同脑电频段的信息熵特征矩阵,并利用统计分析方法和机器学习技术,评估了特征矩阵与抑郁症状态之间的映射关系,通过不同的分类算法设计构建了不同抑郁状态与健康对照组之间的一对一抑郁状态识别模型,实现了不同抑郁状态的识别。本文主要研究内容如下:
(1)采集了不同抑郁状态的抑郁患者和健康对照组的脑电信号并进行预处理,接下来,利用巴特沃斯带通滤波器提取了脑电频段。,然后,构建基于不同脑电频段的熵特征矩阵,描述脑电信号的变化规律,从而定量地表征不同抑郁状态脑电信号的复杂度变化。
(2)利用统计分析方法,探究了不同特征序列与抑郁状态之间的分布规律,根据其分布结果,选择合适的统计检验方法分析不同抑郁状态下熵特征序列的差异性以及特征序列与不同抑郁状态之间的相关性,探究熵特征在不同抑郁状态下的分布规律。
(3)利用Relief算法对不同特征矩阵进行评估,按照不同特征的重要性进行赋权,构建了加权后的最优特征矩阵。搭建了基于随机森林、K近邻和支持向量机的抑郁状态识别模型,分别对不同抑郁状态与健康对照组进行一对一识别,并得出三种抑郁状态识别模型的平均分类准确率。结果表明,本文搭建的抑郁状态识别模型可有效识别不同抑郁状态。
(4)分析了在不同抑郁状态下不同脑电频段的识别效果。结果表明,在三组抑郁状态和健康对照组的区分下,最高分类结果均在Alpha频段和Beta频段中产生,结果表明,脑电频段在抑郁状态识别中的作用尤为突出。本文采用的基于最优特征矩阵和基于最优参数的抑郁状态识别模型可以实现不同抑郁状态与健康对照组之间的有效识别分类。
脑电信号包含丰富的生理和病理信息,可以反映大脑整体的电生理活动和不同的脑功能状态,使得脑电信号在抑郁状态识别方面表现出独特的优势。研究表明,抑郁症患者大脑额叶活动有显著性改变,同时为了解决之前研究中出现的脑电信号采集过程较为复杂的问题,本文采集了额叶三通道的脑电信号,建立了基于不同脑电频段的信息熵特征矩阵,并利用统计分析方法和机器学习技术,评估了特征矩阵与抑郁症状态之间的映射关系,通过不同的分类算法设计构建了不同抑郁状态与健康对照组之间的一对一抑郁状态识别模型,实现了不同抑郁状态的识别。本文主要研究内容如下:
(1)采集了不同抑郁状态的抑郁患者和健康对照组的脑电信号并进行预处理,接下来,利用巴特沃斯带通滤波器提取了脑电频段。,然后,构建基于不同脑电频段的熵特征矩阵,描述脑电信号的变化规律,从而定量地表征不同抑郁状态脑电信号的复杂度变化。
(2)利用统计分析方法,探究了不同特征序列与抑郁状态之间的分布规律,根据其分布结果,选择合适的统计检验方法分析不同抑郁状态下熵特征序列的差异性以及特征序列与不同抑郁状态之间的相关性,探究熵特征在不同抑郁状态下的分布规律。
(3)利用Relief算法对不同特征矩阵进行评估,按照不同特征的重要性进行赋权,构建了加权后的最优特征矩阵。搭建了基于随机森林、K近邻和支持向量机的抑郁状态识别模型,分别对不同抑郁状态与健康对照组进行一对一识别,并得出三种抑郁状态识别模型的平均分类准确率。结果表明,本文搭建的抑郁状态识别模型可有效识别不同抑郁状态。
(4)分析了在不同抑郁状态下不同脑电频段的识别效果。结果表明,在三组抑郁状态和健康对照组的区分下,最高分类结果均在Alpha频段和Beta频段中产生,结果表明,脑电频段在抑郁状态识别中的作用尤为突出。本文采用的基于最优特征矩阵和基于最优参数的抑郁状态识别模型可以实现不同抑郁状态与健康对照组之间的有效识别分类。