检索历史 清除

摘要脑电作为一种电生理技术已经被广泛的应用在心理疾病诊断，但传统脑电技术需要专业的设备和专业的技术人员，整个诊断过程时间也比较长，不易进行大规模检测，所以便携式易操作的脑电设备的研究开发成为一个关键。另外，语音信号也可作为一种行为指标用来对抑郁障碍病患的精神状态进行评估，与脑电结合研究可实现模态间信息互补，使得检测结果更为客观。因此，脑电与语音结合的评估方法研究，为便携、快速、大规模的抑郁筛查提供了部分理论依据。本文从大规模易操作的抑郁检测方向出发，先从生理学角度对脑电技术进行研究，再结合语音信号进行融合研究。论文的主要研究工作和成果包括：<br>　　（1）首先我们对生理学脑电信号进行研究。数据经预处理后进行特征提取，得到了4种线性特征和7种非线性特征。通过单特征进行抑郁识别发现一阶差分均值、二阶差分均值、标准差以及分形维数识别准确率较高。通过地形图进一步分析四种特征在抑郁障碍人群和正常人群整体水平上的差异，发现它们均在大脑前额叶区域（主要有E27、E23、E9和E2）有明显差别。此外，通过将被试依据性别、年龄和受教育程度进行划分，发现不同人群之间的差异性依旧普遍出现在大脑前额叶区域，这为我们选取前额叶电极来简化128导设备提供了参考。<br>　　（2）结合单特征分析时发现的不同人群前额叶区域差异性，且考虑到便携脑电设备佩戴方便的需求提出利用前额叶的7个通道（E34、E27、E23、E18、E15、E9、E2）来简化128导的脑电设备。为解决特征之间存在较大冗余这一问题，采用了三种特征选择方法对融合后特征进行选择。其中，本文提出的最大相关最大关联距离方法选出的特征子集准确率达到90%，而另外两个方法仅能达到最高80%。考虑到可能是基础特征子集有影响，我们又尝试将所有特征轮流做一次基础特征子集，从特征库中再选出19维特征组成20维特征子集进行分类，该方法选出的特征子集其平均分类准确率90%，最大值达到93%左右，同时有更大的F1分数。基于前额叶电极特征融合并结合提出的特征选择方法为开发便携式脑电设备提供了较为可行方案。<br>　　（3）引入脑电与语音结合对抑郁障碍进行有效检测。利用梅尔倒谱系数（Mel-frequencycepstralcoefficient,MFCC），并进行尺度变化将其整理成维度一致的矩阵，然后将其作为图像特征输入到卷积神经网络中进行进一步特征提取。提取到的高维特征与脑电特征进行串行融合再输入到长短时记忆网络中，最终经由全连接层输出结果。这样基于神经网络的脑电与语音特征融合模型经过训练最高达到87.5%的分类准确率，同时避免了人工进行特征选择，比单一语音信号检测和单一脑电信号检测更具潜力。<br>　　综上所述，第一，利用前额叶脑电信号并结合最大相关最大关联距离特征子集选择方法在特征串行融合下能够实现对重度抑郁障碍患者的有效识别；第二，利用深度神经网络实现脑电与语音信号的特征融合在对重度抑郁障碍识别上更具潜力。