文摘
如今,抑郁是世界上主要的健康问题和经济负担。然而,由于现行方法的局限性对抑郁症的诊断、普遍的和客观的方法是至关重要的。在目前的研究中,心理生理数据库,包含213(92抑郁症患者和121名正常对照),是构造。所有参与者的脑电图(EEG)信号在静息状态和声音刺激收集使用普遍的前额叶三电极EEG系统在Fp1 Fp2, Fpz电极网站。使用有限脉冲响应滤波器去噪后结合卡尔曼推导公式,离散小波变换,和一种自适应预测滤波器,总共270线性和非线性特征提取。然后,minimal-redundancy-maximal-relevance特征选择技术降低特征空间的维数。四种分类方法(支持向量机,K最近的邻居,分类树和人工神经网络)区分抑郁参与者从正常控制。使用10倍交叉验证分类器的性能进行了评估。结果表明,K最近的邻居(资讯的准确性最高79.27%。结果还指出,θ波的绝对权力可能是一个有效的特征识别抑郁症。这项研究证明了一个普遍的可行性三电极EEG采集系统对抑郁症的诊断。
1。介绍
抑郁症是一种常见的心境障碍,这可能导致持久的感觉悲伤,失去兴趣,记忆损伤和浓度。抑郁症患者通常经验认知障碍和遭受长期和严重的抑郁情绪。在严重的情况下,一些患者会经历偏执和错觉[1]。据世界卫生组织统计,全球> 3亿人患有抑郁症,每年大约有800000人死于因它(2]。因此,抑郁症是预测心脏病之后成为第二个最常见的病到2020年(3]。因此,抑郁症的诊断早期治愈阶段是至关重要的,可能拯救病人的生命4]。
目前,对人类大脑的研究目前正在集中精力为了理解底层机制持续的消极情绪和抑郁。因此,最常用的诊断抑郁症是一种scale-based面试由心理学家或精神病学家。当前国际标准主要用于“在精神疾病诊断与统计手册(第四版)”(dsm - iv) [5细微精神状态检查),临床试验(MMSE),通常是应用(6]。等传统的心理问卷,贝克抑郁量表(BDI) (7)和汉密尔顿抑郁量表(HDRS) [8),也用作筛选工具,而不是作为抑郁症的诊断仪器。
当前抑郁症的方法检测高强度的人工,结果依赖于医生的经验。此外,抑郁的人不太可能寻求帮助由于害怕耻辱和障碍的性质。因此,大量的抑郁症患者,诊断准确,不能获得最佳治疗和适当的恢复期。因此,发现抑郁症的方便、有效的检测方法的研究是一个新兴的话题。最新的传感器和移动技术的进步,探索使用生理数据的诊断精神疾病开辟了新的途径客观、准确的工具对抑郁症检测。在各种生理数据,脑电图(EEG)实时反映了人类情感大脑活动(9]。
自发EEG信号的记录,有节奏的,从头皮表面大脑神经元的电活动。自最早发现兔子和猴子的大脑和人类EEG信号的第一个记录1926年德国精神病学家汉斯·伯杰,脑电图的分析方法和研究之间的关系的解释大脑功能和精神障碍已经持续了超过一个世纪(10]。神经系统科学、心理学、认知科学的研究表明,绝大多数的心理活动和认知行为可以通过脑电图显示(11- - - - - -13]。EEG信号到大脑活动和情绪状态密切相关,它可以实时反映情感的转换。科尔和雷(14]发现,EEG信号收集顶叶的脑与认知任务和情绪状态。Klimesch等人发现,α波和低频可以反映出的一些特性的关注,如警惕和期望(15]。Srinivasan等人证明了脑电图的频域特性可以用来预测水平的关注(16]。因此,EEG信号是至关重要的对于理解人类大脑的处理信息和情绪状态转换。
脑电图的研究可以用来理解机制大脑活动,人类的认知过程,和大脑疾病的诊断,以及大脑计算机接口(BCI)领域,而近年来引起了人们广泛的关注(17]。相比,计算机断层扫描(CT)和功能性磁共振成像(fMRI),脑电图有较高的时间分辨率,降低维护成本,和简单的操作方法。因此,作为一个客观的生理方法获取数据,提出了脑电图不干扰作为一个方法来研究认知行为(18- - - - - -20.)和其他疾病的症状,如失眠(21- - - - - -23),癫痫(24- - - - - -26),和睡眠障碍27]。脑电图也被用于精神疾病的诊断,如焦虑(28- - - - - -30.,精神病31日- - - - - -34),和抑郁35- - - - - -38]。此外,抑郁症是精神障碍等临床表现明显的抑郁和缓慢的思维总是伴随着异常的大脑活动和明显的情感交替。因此,作为一个方法追踪大脑功能,脑电图可以检测这些不正常的活动。
EEG信号的频率可以分为5波段:δ波(< 4赫兹),它通常出现在一个成年人的慢波睡眠;θ波(4 - 8 Hz),通常发现当有人昏昏欲睡;α波(8 - 14 Hz),通常是发现当一个人放松;β波(14-30 Hz),它通常出现在某人积极思考;和γ波(30 - 50 Hz),这可能出现在冥想中。EEG信号进行振幅和频率的变化,而不同的心理任务执行(39- - - - - -42]。
目前,为研究目的,最常用的是128 - 256 -电极EEG电极和系统(43,44),这是专门为研究目的。仪器的操作不仅是难以启动还需要技术人员导电凝胶应用于每个电极每次使用前对参与者的头。制备过程平均仅需要30分钟。此外,这些脑电图系统是昂贵的。总的来说,这些系统是普遍萧条检测不实际。
在目前的研究中,普遍的三电极EEG采集系统,无处不在的意识和自主研发的智能解决方案实验室(可用)的兰州大学(45),来建立一个数据库包含两个抑郁症患者和正常对照组。因此,使用最新的数据处理技术和机器学习因为它使得基于脑电图探索普遍萧条检测系统已被调查的重点。为了支持本研究:(1)引入了一个普遍的三电极EEG采集系统(部分2.1)。(2)心理生理实验进行中,脑电图的213名参与者被记录下来。这些生理数据为进一步的分析提供了一个全面的数据库,建设,因为它使得基于脑电图普遍萧条的评估检测系统(部分2.2和2.3)。(3)几个脑电图预处理步骤和方法被应用于原始脑电图数据(部分3.1)。(4)270的特征是识别和提取记录数据库。利用特征选择技术,构造了一个最佳特征矩阵为抑郁分类过程(部分3.2)。(5)四个分类算法,包括K最近的邻居(资讯),支持向量机(SVM)分类树(CT)和人工神经网络(ANN),评估和比较,使用10倍交叉验证(部分4)。
2。无处不在的三电极EEG数据库建设
2.1。普遍的三电极EEG采集系统
10 - 20系统,贾斯帕在1958年提出的定义的名称,后来成为国际标准脑电图电极放置系统[46]。随着传感器技术的发展,电极成为小于在以前的系统和电极记录详细的脑电图。1985年,Chatrian等人在中间站点添加额外的电极中间那些现有的10 - 20系统,从而扩大到64 -电极系统(47]。由于整个大脑的复杂性-电极和256 - 128电极系统,研究人员限制自己从移动和普遍的应用。因此,通用和无处不在的电子技术的发展,8-electrode和16-electrode系统体积小也逐渐发达。
如图1F代表了额叶,T代表颞叶,C代表中心,P代表顶叶,O代表了枕叶。脑电图对大脑的生物活性组织,从而表明大脑的功能状态(48]。EEG信号采集不同位置的头皮反映了各种各样的信息。例如,额叶的脑电图反映了人类记忆,计算能力,关注,和响应性;脑电图的顶叶与躯体反应联系在一起;脑电图的枕叶视觉反应可以用作参考;脑电图从颞叶与听觉反应。因此,对于不同的研究方向和目的,适当的脑电图集合地点是至关重要的。
前额叶皮层是意识的中心;因此,更好的控制前额皮层,情绪控制就越好。碧玉研究严重的抑郁症患者的静息状态的脑电图显示,当身体患有严重的抑郁症,大脑皮层的活动是改变49]。Nauta强调,前额叶皮层在情感过程的不同方面发挥着重要作用(50]。罗尔斯提出了情感和动机过程的前额叶皮层的重要性(51]。Harmon-Jones建议的具体形式的愤怒,愤怒或在特定的环境下引起,与左侧前额叶激活(52]。总之,以上研究表明,电极网站位于前额叶皮层与情感过程和精神疾病。因此,Fp1 Fp2, Fpz头皮的位置在当前实验的理想选择。头发在额叶缺席和接触干电极应该足够不需要应用导电凝胶。普遍的三电极EEG采集系统(图2),由可用从兰州大学53),运行在可充电电池和传输通过无线蓝牙2.0脑电图数据。系统非常小,可以很容易地放置在位置。采样频率为250赫兹和根据EGI工程师,所有电极的阻抗< 50 kΩ。从脑电图是0.5 -50赫兹的频率,通频带的脑电图收购是0.5 -50 Hz。
2.2。实验方法
与正常对照组相比,抑郁症患者(外界刺激的反应不同54,55]。抑郁症患者的反馈积极的和消极的刺激减弱。作为积极的刺激反馈进一步削弱,整体表现负面情绪,反映了这样的情绪反应不同的子系统。总之,没有观察到显著差异之间的积极刺激正常对照组和抑郁的患者,抑郁症患者会产生更多负面情绪负面刺激与正常对照组相比之下。贝克抑郁的认知行为模型假定抑郁症患者可能会支持自己的负面看法,世界,甚至未来。为了维持这种否定,他们甚至抵制环境反馈与视图不一致56]。爱普斯坦等人建议,与正常对照组相比,抑郁症患者反应两国对积极刺激腹侧纹状体的激活,导致活动的兴趣降低性能(57]。Bylsma等人证明了抑郁症患者表现出更少的反应性刺激和事件,无论正面或负面性质(58]。
因此,记录和分析EEG信号的不同的刺激可能帮助抑郁症患者的识别。本研究旨在记录参与者的脑电图在四种不同情况下:在静止状态,消极的刺激下,中性刺激下,和积极的刺激。从国际情感刺激的来源是配乐数字化声音(IADS-2) [59167),这是一个标准化的数据库自然发生的声音,广泛应用于研究情绪。
执行的实验是在一个安静的房间。首先,实验目的和程序被描述参与者。然后,无处不在的三电极EEG采集系统是放置在参与者的额头和检查接待。一分钟后放松,实验重新开始。在第一阶段,90年代的静息状态的脑电图记录。然后,参与者被要求保持闭着眼睛坐在尽可能少的身体动作,紧随其后的是一分钟的休息。在第二阶段,刺激配乐将参与者。每个音乐6 s, 6 s打破之间的配乐。这个流程将继续,直到实验完成。脑电信号采集的过程如图3。
总共6刺激配乐(根据IADS-2)存在,其中包括2中性刺激配乐,2 -刺激配乐,和2积极刺激配乐。表1描述每个音频刺激。
2.3。心理生理数据库
总数的250名参与者,213(92抑郁症患者和121名正常对照)完成了实验,成功。原始的脑电图数据从所有电极记录。抑郁的参与者选择专业的精神科医生使用MMSE (635分),这是一个精神病专家在一次面对面的采访中所使用的问卷调查来评估患者的认知功能障碍的程度弥漫性脑疾病。此外,所有的参与者被要求填写以下尺度的交叉引用:(一)病人健康问卷(phq - 9)60)是一种9-question-based多功能仪器筛查,诊断,监视和测量抑郁的严重程度。我们选择这个问卷为了找到脑电图特征之间的相关性和抑郁的严重程度。(B)生活事件量表(LES) (61年)包含48个问题包括事件的家庭,工作,社会支持。每个事件的影响严重程度评估,持续时间和频率。我们选择这个问卷用于交叉引用。(C)匹兹堡睡眠质量指数(PSQI) (62年包含19个自我报告的项目,创建7组件诊断睡眠障碍。我们选择这个索引探讨脑电图睡眠品质与抑郁症之间的直接联系。(D)广泛性焦虑障碍Scale-7 (GAD-7) [63年)只包含7自我报告问题筛查和测量广泛性焦虑障碍的严重程度。我们选择这个问卷抑郁和焦虑之间的交叉引用。
3所示。数据处理
在这项研究中,所有的预处理,使用MATLAB软件实现了数据分析(R2014a版本)。
3.1。预处理
脑电图是一种无创性的方法,用于捕获脑电波活动的生理信号。然而,脑电图数据记录通常是混合与周围环境的干扰,如附近的电力线路。此外,其他生理信号,包括心电图(ECG)、眼电图(小城镇)和肌电描记器(EMG),也可以检测并记录脑电图传感器(55]。确保准确的特征选择和分类的结果,所有的原始数据都应该先去噪。
心电图是平稳信号的生理电信号,与一个大的振幅。心离头远侧地,心电图信号传播到头皮时将大大减弱。肌电图是由肌肉收缩,振幅10μV 15 mV。肌电图的频率主要集中在高乐队> 100 Hz。电源干扰集中在固定的操作频率。为了去除这些干扰信号,我们跟着几个调查的结果。杨提出一连串的三个自适应滤波器的基础上至少意味着广场(LMS)算法和验证了该滤波器减少了干涉脑电图信号(64年]。通等人验证了利用独立分量分析(ICA)的一种有效的抑制干扰的心电图,脑电图(65年]。国家心理健康研究所宣布,使用自适应滤波器来估计污染物可以减去他们的脑电图数据(66年]。
之间没有重叠发生EEG信号和电源的频率干扰,肌电图和心电图;因此,有限脉冲响应(杉木)滤波器基于Blackman时间窗口是用来去除这些干扰信号。冷杉的足够的线性滤波器广泛应用于现代电子通信。它可以保证任意幅频特性的同时,严格的线性相位频率特性。此外,单位抽样响应是有限的,稳定的过滤器。为了减少频谱能量泄漏,信号可以通过不同的拦截函数被截断。这个截断函数被称为窗口函数。布莱克曼的时域表示时间窗口 在哪里矩形窗函数和吗的长度是截断数据。
由此产生的脑电图信号频率之间只保留0.5 -50赫兹的范围。然而,此次的频率重叠在这个范围内。尽管所有的参与者被要求保持闭着眼睛坐着,他们的小城镇是不可避免地在使用前额叶脑电图记录网站,如Fp1 Fp2, Fpz。此次污染的一般模型可以描述的 在哪里和是我们的样品记录(包括噪声)和真正的脑电图,分别表示源小城镇是一个未知的传递函数。
卡尔曼滤波器是最优递归数据处理算法,已经广泛应用于多个应用程序,如工业控制系统、雷达目标跟踪、通信和信号处理、航空发动机诊断和智能机器人。卡尔曼滤波是基于先前的估计价值和当前时间的观察值来估计所述变量的当前值。因此,小城镇的频率工件不会超过15赫兹,和近似小城镇信号的振幅低频段的大脑很小。结果,卡尔曼推导公式结合离散小波变换(DWT)和一种自适应预测滤波器(APF)估计纯小城镇工件。
去噪模型提出了目前的研究包括以下步骤:(1)信号分解,(2)眼部工件(OA)区域检测、信号预测(3),(4)信号重建。,利用DWT分解EEG信号和检测OZ区。EEG信号的频率范围是0 - 64赫兹,而OA发生在约赫兹。利用多尺度小波分解提取低频组件和非平稳的时间序列,然后分为若干近似平稳时间序列。因此,传统的预测方法,如卡尔曼滤波器,可以预测的形状真波分解信号的准确。随后,自适应自动递减(AAR)模型和自适应预测滤波器(APF)是应用于改善预测。APF使用一个自适应滤波器来估计未来值基于他们过去的信号值。最后,此次工件被从原始EEG信号,和数据准备进一步处理。
3.2。特性矩阵结构
矩阵包含的特性行和列,代表脑电图数据的数量代表的数量从每个脑电图特征提取。本研究构建的培训有效特征矩阵使用三个步骤如下:
(1)识别和提取有效特征对于每个组EEG数据,这样每一行代表一个特征向量。
(2)特征矩阵的每一行被选中的特征选择;,选择最合适的功能从所有提取的特征,形成最终的特征向量。
(3)每一行的特征向量是由抑郁或nondepression标记。
3.2.1之上。特征提取
EEG信号呈现弱、非线性和时效性特点,通常表现出复杂的动力学。脑电图的特点将会改变情绪状态的转换。脑电图的分析数据显示不同的线性特性,比如峰值,方差和偏态,使用了最近文献[67年- - - - - -70年]。一直努力在确定非线性参数关联维数等病理信号,显示为有用的病理指标(71年]。为了获得特征矩阵,我们必须首先执行使用脑电图的特征提取。脑电图特征主要分为时域特性和频域特性。由于EEG信号的非线性和随机性,研究提取了相关维度和非线性特性,比如香农熵除了上面的脑电图特征。最后,提取所选择的以下特征:
(1)时域特性。时间域构成最直观的脑电图特征。EEG信号收集在一个特定的时间和频率。工件直接从时域EEG信号,时域和有用的信息提取功能,可用于连续长时间的脑电图检测。时域特征提取在这项研究包括峰值、方差、偏态、峰态,Hjorth参数。Hjorth参数的统计特性指标用于信号处理在时域引入Hjorth(1970年72年];参数包括活动、移动性和复杂性。其中,活动参数代表了信号功率和时间函数的方差。流动参数代表的平均频率或功率谱标准差的比例。复杂性参数表示频率的变化。这些参数通常用于分析EEG信号的特征提取。
(2)频域特性。频域是一个描述和分类EEG信号的工具。,频域特性相对质心频率,绝对重心频率相对力量,绝对的力量。
(3)非线性特性。EEG信号的非平稳随机;还包括一些非线性动力学系统的特点。与越来越多的EEG信号,研究了非线性在密集的全球关注。因此,处理和分析EEG信号基于非线性动力学理论成为一个新的研究方向。本研究包括非线性特征提取复杂性,柯尔莫哥洛夫熵,香农熵,相关尺寸,功率谱熵。(一)的复杂性提出了沈et al。73年)解决的问题over-coarse粒化预处理Lempel-Ziv复杂性(LZC) [74年]。该算法的核心是将序列分解成规则和不规则的组件,以及复杂性定义序列中的违规行为的比例。的份额比例越大,越接近随机序列的时域信号,,因此,更大的复杂性。原则假定一个信号可以分为定期和随机部分组件。如果是一个测量的信号是随机的部分相对应的测量,复杂性定义为的比率和 。据说,EEG信号分析 的长度样品;然后复杂性与功率谱可以计算如下:信号的快速傅里叶变换(FFT)如下: 平均功率谱的幅值如下: 不到取而代之的是0到获得一个新的频谱系列 : 逆FFT(传输线)如下: 随机部分的力量提取,复杂性估计: (B)柯尔莫哥洛夫熵是用来测量的速度信息的单位时间的损失。积极的和有限的熵表示时间序列和动态基本现象是混乱的。熵为零表示一个普通现象在空间的阶段。无限熵是指一个随机和不确定性现象。柯尔莫哥洛夫熵定义为损失的平均速率的信息如下: (C)香农熵,香农在1948年推出了一篇题为“沟通”的数学理论75年]。信息消息的大小直接关系到它的不确定性。信息的数量等于数量的不确定性。香农熵是衡量一个随机变量的不确定性和随机信号。熵越大,不确定性和随机性越大。在目前的研究中,熵用于处理脑电图可以被视为一种测量信号的顺序,衡量的偏态和不确定性76年]。与已知的概率分布的随机变量,定义的熵 在哪里是一个随机变量概率分布和字母组(77年]。(D)关联维数表示EEG信号的动态特性。关联维数越大,脑电时间序列的复杂。维度的相关性是一个分形维数,经常从时间序列计算说明。这是一个简化的相空间图由单个数据向量。最根本的关联维数算法,Grassberger Procacia并在1983年推出了(5),可以表示如下: 在哪里相关积分吗是每个参考点周围的径向距离。(E)功率谱熵是一个序列的傅里叶变换获得的功率密度与频率分布。功率谱的计算熵(称为功率谱熵)可以很容易实现。功率谱熵是用来分析EEG数据的定时信号。熵可以作为物理指标估计大脑活动的质量和强度。熵越大,越活跃大脑。
(表所有的线性和非线性特性2)提取α波,β波,三角波,θ波,γ波,和full-band脑电图电极(Fp1 Fp2,和Fpz)。因此,总共270特性(15××6频率3电极)基本特征提取。所有涉及的线性和非线性特性是常见的脑电图的信息。
3.2.2。特征选择
特征选择用于选择所有可用功能的相关子集,这不仅产生一个小维度的分类问题,但也降低了噪音(无关紧要的功能)。我们进一步推导出类型的特性适用于压制EEG信号识别通过检查选择的特性应用算法。
特征评估函数关注之间的关系特点和目标类,这往往涉及冗余特性,影响学习的准确性和结果。为了实现这些结果,我们应用minimal-redundancy-maximal-relevance (MRMR)技术进行特征选择。MRMR特征选择标准提出了彭et al。78年)为了解决这个问题,同时评估功能冗余和相关性;特别是,max-relevance,表示 ,是指最大化一个特征子集的相关性类标签 。在[1)的相关性被定义为一个特征子集 在哪里 表示特性的相关性来 。 可以用任何相关措施。
功能冗余的定义是基于成对特性的依赖。如果两个相关特性高度相互依赖,阶级歧视权力不会改变显著的特点之一,如果被删除。Min-redundancy, ,用于选择一个相互完全功能的特征子集。被定义为冗余的特征子集 MRMR被定义为简单的操作符最大化和最小化连续。在[1),增量搜索方法用于查找算法的特性。特征子集的 选定的功能是用来选择订单功能,优化以下准则:
3.2.3。有效的标签
每个特征向量(特征矩阵的每一行)必须与特定的情感标签标记。在这项研究中,我们将实验种群分成两类:抑郁症患者和正常对照组。所有的特征向量都标记为抑郁和不消沉。
4所示。分类
支持向量机、资讯和CT是广泛使用的分类算法在大多数EEG-related研究。在目前的研究中,我们评估这些分类器的性能(SVM、资讯和CT)和人工神经网络(ANN)分类器在大萧条检测过程。所有分类和10倍交叉验证实现了使用MATLAB软件(版本R2014a)。
4.1。分类技术
以下4.4.1。支持向量机
支持向量机,提出了由议会和Vapnik [79年]1995年,是一个监督学习模型和回归方法。它表现出一些独特的优势在解决小样本数据的问题,非线性数据和高维模式识别(80年]。支持向量机建立一个超平面或无限维度空间分类和回归。内核函数允许SVM处理非线性分类问题,试图集群特征空间基于已知的标签,以最大可能的集群的边界之间的距离(79年]。此外,支持向量机已广泛应用于许多领域,如文本分类(81年),图像分类(82年)、生物序列分析、生物数据挖掘(83年),手写字符识别(84年]。近年来,支持向量机也被应用于抑郁症歧视领域(85年- - - - - -87年]。在目前的研究中,实现了高斯核函数支持向量机的分类和评价。
4.1.2。然而,
然而,算法是一种非参数监督机器学习方法的分类和回归。它是由Dasarathy[介绍88年]在1991年基于即时或懒惰的学习。基于资讯的分类器不需要一个训练阶段,及其计算复杂度成正比训练集的文档的数量。综上所述,如果训练集的文档的数量 ,的时间复杂度资讯分类器 。资讯分类特征空间转换成二进制或多类集群利用训练数据集来进一步分类根据最近的数据点的数据点在训练数据集。资讯被用于医学信息,如癫痫的检测89年)、压力(90年),和抑郁85年,91年]。
4.1.3。CT
CT,也称为决策树,树是一种基于结构的监督分类模型(92年),由分离和分区功能空间,使用多个规则和定义一个局部模型,特征的空间可分为二进制或多类集群。每个内部节点代表一个属性,每个边缘代表一个结果,每片叶子代表一个类标签。与其他分类算法相比,决策树是最快的分类。CT分类被用于阿尔茨海默病(93年)以及抑郁症(94年]。
4.1.4。安
安是一种分类方法,模拟生物神经网络的结构和功能,由宽并行的信息处理网络互连简单的单位。这个网络展览学习和记忆能力,知识泛化和输入信息特征提取能力类似于人类大脑的(95年]。神经网络被用来解决各种困难的任务使用通用的基于规则的编程,如计算机视觉(91年),语音识别(96年),和金属障碍(97年,98年]。安是唯一非监督机器学习分类器在本研究中使用。
4.2。分类结果
10倍交叉验证的结果最优的性能特性组合组中的每个分类器及其精度检测抑郁症的如下所示:静息状态的结果数据,中性的声音刺激数据,积极的音频刺激数据,数据总结表和消极的声音刺激3,4,5,6,分别。
对于静息状态脑电数据,然而,实现最好的精度76.83%的使用功能组合Fp1γ波绝对的权力,绝对的权力θ波Fp2, Fp2β波绝对的权力,绝对的β波中心频率Fp2(表3)。
脑电图数据的参与者在中性的声音刺激,然而,使用最好的精度达到74.39%的特性结合Fp1θ的绝对权力,Fp2 full-band脑电图的中心频率,峰值Fp2 full-band脑电图(表4)。
脑电图数据下的参与者积极的声音刺激,然而,实现最好的精度79.27%使用绝对权力的特性结合Fp1θ波和β波Fp1(表的绝对权力5)。
脑电图数据下的参与者消极的声音刺激,然而,实现最好的精度77.44%使用功能的组合绝对权力Fp1θ波,相关尺寸full-band Fp1脑电图,绝对θ波中心频率Fp2, Fp2γ波(表的绝对权力6)。
结果表明,在所有的四个分类支持向量机,然而,CT,和安,然而最好的平均分类精度为76.98%(图4)。的绝对权力,θ波出现在所有最好的性能特性组合,从而表明潜在的θ波和抑郁之间的联系。θ波的绝对权力无处不在的抑郁症歧视可能是一个有效的特征。
5。结论和未来的工作
抑郁症是一种主要的健康问题在数以百万计的人。因此,早期诊断抑郁症治愈阶段是至关重要的治疗以挽救病人的生命。然而,目前检测高强度的人工,抑郁症的方法及其结果依赖于医生的经验。因此,一个普遍的、客观的诊断方法,甚至筛查将是有用的。本研究探讨了抑郁的一个新方法检测使用普遍的前额叶三电极EEG系统,选择Fp1, Fp2,和Fpz电极网站,根据国际10 - 20系统。
几个广泛采用心理量表是用来选择最优实验候选人,其中包括213名参与者(92抑郁症患者和121名正常对照)。他们的脑电图数据的静息状态,以及声音的刺激下,记录。的配乐选择IADS-2数据库,包括正面、中性和负面刺激。
冷杉过滤器结合卡尔曼推导公式,DWT,和一个APF被应用于原始脑电图数据删除干扰环境中,心电图,肌电图和小城镇。随后,270线性和非线性特征提取预处理脑电图。然后,MRMR技术应用于执行特征选择。四个分类算法,然而,支持向量机、CT和安,评估和比较,使用10倍交叉验证。结果显示资讯的最佳性能在所有数据集分类方法,精度最高的79.27%。结果也证明了特征的“绝对权力θ波”所有最好的性能特性的四个数据集,从而暗示一个健壮的θ波的力量和抑郁之间的联系;这可以作为一个有效的特征检测的萧条。
当前的研究推测,小说和普遍的系统筛查抑郁是可行的。精心设计的模式,普遍的系统精度能够达到类似于当前scale-based筛选方法;例如,据报道,BDI的准确性在不同研究[79 - 86%99年- - - - - -101年]。
脑电图和抑郁一直在强化研究的焦点。诺特的研究相比,et al .,从21头皮脑电图记录收集网站并对组进行单变量分析进行分类比较,91.3%的病人和控制(102年),目前普遍的三电极EEG采集系统可以测量容易,非常适合病人的个人使用。此外,我们使用较少数量的电极,从而减少的数据量很大。希利和皮卡德试图从生理信号中提取特征模式对情感识别,61.8 - -78.4%的准确性(103年]。金等人开发了一个短期监测情感识别系统基于多用户的生理信号中提取特征并使用支持向量机识别三种情感。最后识别的正确率是75% (104年]。这些研究相比,我们的结果有更高的精度和更快的数据处理效率。戴安娜收集了静息状态的脑电图(闭着眼睛)5抑郁症患者和正常13个人。结果表明,抑郁症患者的左半球活动显著低于正常人(105年]。Omel 'chenko和Zaika收集脑电图数据从53个抑郁症患者和86名正常个体和表明,抑郁症患者有δθ能量高于正常,但能量较低的α和β(106年]。Fingelkurts等人研究了静息状态的冲击组件正常脑电图从12个抑郁症患者和10人,发现大脑激活整个大脑皮层受到抑郁症的影响(107年]。这些研究相比,目前的实验提出了更可靠的数据,以确保实验结果的可靠性。综上所述,我们的数据模型基于特征提取和特征选择减少要处理的数据量和更快的数据处理效率。此外,无处不在的三电极EEG采集系统是容易衡量,以及确保数据的准确性。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作得到了中国国家基础研究计划(973计划)(没有。2014 cb744600),中国国家自然科学基金(基金号。61210010和61210010),和大多数的国际科技合作计划(没有。2013 dfa11140)。