论文部分内容阅读
抑郁症是一种常见的精神疾病,以心境低落和悲观为主要特征,症状严重时可能会产生自杀行为。由于抑郁症患者数量逐年增加,诊断结果受主观因素影响,容易造成误诊和漏诊,所以急需提高其诊断的准确性。通过对抑郁症脑电信号的研究现状、处理和分析方法的综合分析,发现脑电信号去噪方法和诊断模型的选择对提高诊断准确率至关重要。在去噪处理方面,本文提出了希尔伯特-黄变换(Hilbert-Huang Transform,HHT)结合小波包的去噪方法。采集到的脑电信号含有噪声,通过小波包算法进一步处理HHT中得到的含噪固有模态函数(Intrinsic Mode Function,IMF)分量,可使去噪后的重构信号保留更多有效的信息。在诊断模型的建立方面,由于脑电信号中存在很大的不确定性,采用基于概率的表示方法对于分析脑电信号往往能取得很好的效果,故提出在变分贝叶斯理论基础上建立脑电信号的隐马尔可夫诊断模型。首先,利用变分贝叶斯(Variational Bayesian,VB)算法、最大似然(Maximum Likelihood,ML)算法和最大后验(Maximum A Posteriori,MAP)算法对隐马尔科夫模型(Hidden Markov Model,HMM)进行参数估计及分析。然后,在合成数据上比较VB和ML算法得到的隐马尔科夫模型,实验结果显示VB算法可以避免ML算法中出现的过拟合现象。最后,把去噪处理后的脑电信号的波动指数作为诊断模型的输入,比较三种算法下的隐马尔科夫模型的识别率,实验结果表明VB算法下的隐马尔科夫模型对抑郁组和健康对照组的识别率最高,可达到91.2%。