一种基于音乐诱发脑电的抑郁症识别方法

技术领域

本发明涉及用于抑郁症检测的医疗技术领域，尤其涉及一种基于音乐诱发脑电的抑郁症识别方法。

背景技术

抑郁症又称抑郁障碍，是一种发病率较高的情感障碍精神疾病。抑郁症患者通常具有心境低落、兴趣和愉快感丧失、精力不济或疲劳感等典型症状。抑郁症的诊断主要应根据病史、临床症状、病程及体格检查和实验室检查。目前，国际上通用的诊断标准一般有ICD-10和DSM-IV，国内主要采用ICD-10。由于抑郁症患者数量逐年增加，潜在的神经机制和病理原理不清，诊断结果受主观因素的影响，使得抑郁症的临床诊断变得非常困难。因此，急需采取更加客观便捷的诊断方法，打破传统医学诊断的限制，提高抑郁症的医疗防治识别率，帮助患者得到及时有效的治疗。

脑电信号是神经元从头皮表面自发的、有节律的放电活动。它包含了大量生理与病理信息，是进行神经系统疾病诊断的主要依据。脑电图因具有安全、价廉、操作简便和无创等特点，广泛应用于辅助脑部疾病的诊断。近年来，众多研究发现，抑郁症患者和健康对照者的脑电数据在波段、功率和波幅等参数上有不同的变异规律。Leuchter等分析了121例中度抑郁患者和37例健康对照者的静息EEG数据，发现δ、θ、α和β波段的抑郁患者总体上表现出高于正常对照者，并且前额叶α波段的功率和同步性与正常对照组有显著差异。

音乐作为常见的刺激材料可以显著诱发人的情绪。音乐通过声波有规律的频率变化，作用于大脑皮质，并对丘脑下部和边缘系统产生效应，提高皮层神经的兴奋性，活跃和改善情绪状态。Dharmadhikari AS等人比较了抑郁患者和对照组在听音乐之前和期间在额叶theta能力的半球差异，研究发现在没有抑郁的对照组中，听音乐期间左半球的平均额叶theta功率和额叶theta不对称性显着增加。在抑郁症患者中，听音乐时额叶theta不对称性被逆转。Marko Punkanen等人研究了抑郁症患者对音乐中的情绪感知，研究表明抑郁症患者在幸福、悲伤、恐惧、愤怒和温柔等音乐刺激中感知更多的负面情绪，这为抑郁症的识别提供了一种手段。本发明采用中性、负性、正性三种音乐刺激诱发相应的脑电信号，建立一种有效的抑郁症识别模型，提高对抑郁症临床诊断的辅助作用。

发明内容

本发明提供一种基于音乐诱发脑电的抑郁症识别方法，通过音乐刺激诱发相应的脑电信号，建立一种新的模型来区分轻度抑郁症患者和正常对照组。采用特征融合技术对不同模型脑电图数据进行融合，构建抑郁识别模型。同时记录抑郁组和正常对照组在不同音乐刺激下的脑电图信号。然后从各模型的脑电图信号中提取线性和非线性特征，利用遗传算法对特征进行加权提高识别框架的整体性能。

实现本发明目的的技术解决方案为：一种基于音乐诱发脑电的抑郁症识别方法，该方法由以下步骤实现：

步骤1、使用脑电采集装置在受试者接受中性、负性和正性音乐刺激时，同步采集其脑电数据，然后对脑电数据进行预处理；

步骤2、采用线性分析法(如小波变换)和非线性分析法，分别提取三种不同音乐刺激脑电信号的频率、功率谱等线性特征和功率谱熵、样本熵、相关维数等非线性特征；

步骤3、利用特征级融合技术对不同模态下提取脑电信号的线性和非线性特征进行线性组合，获得多模态融合特征；

步骤4、采用t检验特征选择方法选取融合特征并采用遗传算法进行特征加权，获得加权后的特征；

步骤5、将加权后的特征输入到待训练的分类器，构建抑郁识别模型。

本发明的有益效果：本发明利用音乐刺激脑电数据，采用t检验特征选择方法选择线性组合特征矩阵中的新特征并采用遗传算法进行特征加权，提高了分类识别模型的整体性能，实现了更高分类准确性。本发明通过比较不同融合模态中分类器的分类性能，发现KNN分类器在正负音乐刺激的融合中识别准确率最高，优于其他分类方法。

附图说明

图1为中性、负性和正性音乐刺激下采集脑电数据融合的抑郁识别模型的方法流程图；

图2为脑电信号(EEG)采集实验流程图；

图3为去除眼部伪迹(EOG)前后脑电信号(EEG)的结果比较图；

图4为不同音乐刺激下单个模态和融合模态分类器的平均值对比图；

图5为融合模态及其组成模态的性能对比图；

图6为最佳个体模态和最佳融合模态的准确率图；

具体实施方式

下面结合附图及具体实例对本发明作进一步详细说明。

本发明提出一种基于音乐诱发脑电信号特征融合的抑郁症识别方法，包括以下步骤：

步骤1、使用脑电采集装置在受试者接受中性、负性和正性音乐刺激时，同步采集其脑电数据，然后对脑电数据进行预处理；

本发明将采用三种不同情绪的音乐刺激(中性音乐刺激、负性音乐刺激和正性音乐刺激)对受试者的脑电信号进行记录和分析，同步采集在接受中性、负性和正性音乐刺激时的脑电数据。该实验过程是在5段音乐刺激中完成的，包括2个中性刺激、2个负性刺激和1个正性刺激，按顺序播放每段音乐刺激，每首音乐时长45s，每次刺激后休息6s，实验共进行5分钟左右。

详细实验过程(附图2)如下：

(1)确保受试者清醒并符合入选标准；

(2)向受试者讲解实验内容、过程及相关注意事项；

(3)受试者佩戴脑电采集设备；

(4)确保电极处于准确位置且接触良好；

(5)预采集进行1分钟，以确保采集正确的EEG信号，如果发现异常信号，则当前应调整器械；

(6)预实验正常后，正式开始实验；

(7)按顺序播放每段音乐刺激，同时采集受试者的脑电信号。每次刺激后，受试者休息6s。播放放顺序为：中性音乐刺激，中性音乐刺激，负性音乐刺激，负性音乐刺激，最后是正性音乐刺激；

(8)告知参与者实验结束，并检查数据质量。如果质量较差，需要再次采集数据。

为获得相对纯的脑电数据，需要对原始脑电信号进行预处理，其过程如下：

首先，工频噪声主要由装置本身的电源引起，其频率为50Hz。使用50Hz陷波滤波器以50Hz的频率去除工频噪声。

第二，心电由心脏的节律性操作产生，幅度较大。由于心脏位于离头部较远的地方，当它传到头皮时，心电信号大大减弱。因此，在对脑电信号进行预处理时，通常会忽略心电图。

第三，肌肉收缩产生肌电，肌电的频率主要集中在大于100Hz的高频段。本发明EEG信号频率为0.5-50Hz。因此，采用基于Blackman时间窗的有限脉冲响应滤波器去除肌电引起的高频带噪声。

第四，在使用额叶前EEG部位的同时不可避免地记录EOG；而EOG的频率为0.1-100Hz，与EEG重叠。本发明采用卡尔曼滤波方法结合离散小波变换和自适应预测滤波器来估计纯EOG伪迹。去除脑电噪声前后的脑电信号对比如附图3所示。

步骤2、采用线性分析法(如小波变换)和非线性分析法，分别提取三种不同音乐刺激脑电信号的频率、功率谱等线性特征和功率谱熵、样本熵、相关维数等非线性特征；

本发明提取了预处理脑电信号在全波段(0.5-50Hz)和θ(4-8Hz)、α(8-13Hz)、β(13-30Hz)、γ(30-50Hz)四个波段的60个线性特征和36个非线性特征。

脑电信号线性特征包括相对中心频率、绝对中心频率以及θ、α、β、γ波的相对功率和绝对功率，以及整个波段的绝对功率、中心频率、偏度、峰度和峰值。

脑电信号非线性特征包括方差、Hjorth活动、功率谱熵、样本熵、Shannon熵、相关维数和整个波段的C0复杂度。

(A)功率谱熵：功率谱熵评价大脑活动的强度；熵越大，大脑越活跃。本发明以脑电信号功率谱的信息熵作为功率谱熵。

其中p'

(B)样本熵：样本熵是反应时间序列复杂度的一项非线性指标，利用样本熵能够找出抑郁症患者和正常对照组的统计学差异。其具体算法如下：

Step1：将序列x(1),x(2),...，x(N)按顺序组成m维矢量，即

X

式中：1≤i≤N-m+1。

Step2：定义矢量X

d[X

式中：1≤k≤m-1，1≤i,j≤N-m+1，i≠j。

Step3：给定相似容限r(r>0)，对于每个1≤i≤N-m，统计出d[X

式中1≤j≤N-m,i≠j。求其对i所有的平均值：

对于m+1点矢量，同样有

其中1≤j≤N-m,i≠j。求其对i所有的平均值：

Step4：此序列的样本熵为：

但是在实际中N不可能为∞，当N取有限值时，估计：

SampEn(m,r,N)＝-ln[A

SampEn(m,r,N)的值与参数m,r,N的选取有关。一般情况下，嵌入维数m取1或2，相似容限r在0.1SD～0.25SD之间(SD为时间序列的标准差)，计算得到的样本熵值具有较为合理的统计特性。本发明在计算样本熵时，m取2，r取0.2SD。(C)香农熵：香农熵是对随机变量和随机信号不确定性的度量。熵越大，不确定性和随机性越大。本发明采用香农熵测量脑电信号的有序状态。香农熵定义如下：

(D)相关维数：相关维数可以反映状态空间中点之间的关联程度，衡量系统的复杂性。维度越大，关联程度越低，证明系统的复杂性越高。可通过以下方式定义：

其中C r为相关积分，r是每个参考点周围的径向距离。

(E)C0-复杂性：C0复杂性是将脑电信号分解为规则和不规则成分，用来反映脑电定时信号中不规则成分与原始脑电信号的比例。C0复杂度值越高，脑电序列的随机性越强。C0复杂度计算公式如下：

其中s(t)为原始序列，s'(t)＝FT

步骤3、利用特征级融合技术对不同模态下提取脑电信号的线性和非线性特征进行线性组合，获得多模态融合特征；

本发明使用特征节段融合方法对不同模态下提取的脑电特征进行线性组合，实现特征之间的相互补充。

首先，提取每个单独模态下的EEG特征。特征矩阵如下所示：

x

x

x

其中x

然后，采用特征级融合方法对三种模态的特征矩阵进行线性组合，产生的新的矩阵记作U。

U

最后，融合特征矩阵计算如下：

U

u

其中，组合系数β和γ分别设为1和-1，U

步骤4、采用t检验特征选择方法选取融合特征并采用遗传算法进行特征加权，获得加权后的特征；

本发明采用t检验特征选择方法选择不同模态下脑电信号融合特征并进行遗传算法特征加权，更好地比较抑郁症患者与正常对照组融合新特征的差异，提高分类识别模型性能。

遗传算法(GA)是一种全局优化算法。该算法往往需要调整四个参数，即Pop、T、Pc、Pm。每个参数的设置需要进行多次调整，以获得最终适用于待解决问题的合理值。

Pop：种群数量。值越大，多样性越大，但计算效率会下降。因此，在调整过程中有必要设置合理的种群数量。

T：需要完成的代数；

Pc：每代每个个体交配的概率；

Pm：每代每个个体突变的概率；

通过多次调整，最终参数选择为Pop＝30，T＝500，Pc＝0.9，Pm＝0.5。

步骤5、将加权后的特征输入到待训练的分类器，构建抑郁识别模型；

本发明使用KNN、SVM和DT三种传统分类器，比较不同分类器在不同模态下的分类性能以及单个模态和融合模态中每个分类器的平均性能，结果分别如表1和表2所示。

表1不同分类器在不同模态下的性能(％)

表2单个和融合模态中每个分类器的平均性能(％)

结果表明，无论单个模态还是融合模态，KNN分类效果都优于SVM和DT。因此，KNN分类器更适合抑郁症脑电信号的分类。

此外，本发明比较了不同音乐刺激下单个模态和融合模态的分类性能和不同融合模态的性能以及由它们组成的单个模态性能，分别如附图4和附图5所示。从附图4可以看出，对于单个模态，正性音乐刺激模态的特征获得了最佳的分类精度；对于融合模态，正性和负性音乐刺激的融合表现最好。从附图5可以看出，正负音乐刺激的融合模态比组成它的两个单独模态表现更好。因此，最佳的融合方法是正负音乐刺激的融合。

为了确定最佳的分类方式，还比较了正性音乐刺激与正负音乐刺激融合下不同分类器的准确率，如附图6所示。结果表明，最佳个体模态为正性音乐刺激下的KNN分类器，最佳融合模态为正负性音乐刺激下的KNN分类器。

综上所述，无论是个体模态还是融合模态，KNN的分类正确率在三种分类器中最高；KNN分类器在正负音乐刺激融合模态中获得了最佳的抑郁识别，准确率为86.98％。因此，本发明认为KNN分类器在正负音乐刺激的融合中更适合区分抑郁症患者和正常对照者。