论文部分内容阅读
抑郁症,以明显且长期的心情低下作为主要临床特性,是危害人类健康的常见情感障碍类疾病。目前,国内外诊断抑郁症的主要方法是临床诊断和评定量表。这些方法只有在达到诊断阈值时才可以生效,而且这类诊断方法难以避免出现被测试者主观隐瞒等干扰因素,容易导致结果出现偏差。Burger等人的研究表明,抑郁症患者的脑电信号在不同波段上的功率谱存在与正常人不同的特征。因此,本研究首先通过量表筛选出抑郁症患者和正常人这两类群体,然后采集这两类人群的脑电信号,用现代谱估计方法来分析抑郁症患者和正常人的脑电,并用朴素贝叶斯和K最邻近结点(KNN)这两种分类算法实现两类人群的准确分类。具体内容如下:1.本研究先通过自评量表和MINI量表筛选实验人群,并从筛选的人群中选出94名作为本研究的被试,其中抑郁组是47名,另外47名作为正常对照组。在此基础上,使用3导便携式脑电设备采集两组被试在静息态和音频刺激下的脑电信号,并将其作为本研究的原始数据;然后采用带通滤波器对该数据进行滤波,并进一步去除眼电,从而得到干净的脑电信号。2.本文利用现代谱估计中的AR模型Burg算法,对干净的脑电信号进行功率谱估计,并提取绝对平均功率、重心频率、最大功率及功率谱熵四个脑电特征,之后采用SPSS对这四个脑电特征做统计分析。统计结果显示,抑郁组的功率谱与正常组存在着显著性差异。3.采用SPSS对两组被试的自评量表做独立样本T检验,检验结果表明两组的量表具有显著性差异,其中抑郁组的健康问卷(平均值17.81)明显大于正常组(平均值2.36)。再分别对两组被试者的自评量表和相应的脑电特征做Pearson相关分析,分析结果显示健康问卷与最大功率有很好的相关性(p=0.02,r=0.338),这表明了本文可以从数据的角度去验证量表的判定结果。4.选取四个脑电特征组成特征向量,构造朴素贝叶斯和KNN分类器,对这两组被试进行分类。研究结果表明,抑郁组的绝对平均功率和最大功率明显高于正常组。因为Alpha波功率谱与大脑活动能力成反比,所以,相对于正常人来说,抑郁症患者的大脑活动能力弱。Pearson相关分析得出,自评量表中的健康问卷与脑电的最大功率有良好的相关性,因此本文可以通过数据定量地分析出抑郁症患者的行为特征。用两种分类方法对这两组被试进行分类,分类准确率最高可达70%以上。该研究成果也为抑郁症临床诊断提供了一条新的路径,可以更好地探索潜在抑郁症风险的预警理论与方法。