检索历史 清除

摘要抑郁症是世界上最普遍的精神性疾病之一，不仅会严重地扰乱患者及其家人的生活，而且还会对经济发展和社会稳定造成巨大的影响。所以，抑郁症的诊断和抑郁程度的区分受到了社会各界越来越多的关注。然而，目前抑郁症的诊断主要是依据抑郁量表、医生问诊和临床观察等方式，其诊断结果会受到患者的配合程度和医生的专业程度等因素的影响，具有较大的主观性。借助神经影像技术来辅助诊断，可以提高诊断结果的客观性和准确率。其中脑电图（Electroencephalogram，EEG）由于其毫秒级别的时间分辨率并且能够反应出大脑神经元的活动，被广泛地应用在脑疾病的研究中。此外，已有研究表明抑郁症与大脑前额叶区的EEG具有相关性。因此，本文选取了前额叶三通道（Fp1、Fpz和Fp2）脑电数据作为研究对象，针对单通道和三通道脑电数据建立了两种抑郁症诊断模型：18层卷积神经网络（ConvolutionNeuralNetwork，CNN）和双分支融合模型。<br>　　针对前额叶单通道脑电数据，本文提出以脑电信号的时频图作为模型的有效输入，其中选取的时频变换是以复Morlet小波为基小波的小波变换，并且以卷积神经网络为基础搭建了18CNN模型，实现了健康和中度抑郁的二分类。实验结果表明，相对于本文选取的其他输入形式的模型、图片分类模型、小波基函数和时频变换，本方法在准确率、精确度、召回率和F1分数上，均表现出明显的优势。此外，实验结果表明基于Fpz脑电数据的分类结果要明显好于Fp1和Fp2。<br>　　针对前额叶三通道脑电，本文从弥补脑电信号转换成小波时频图时带来的信息损失的角度出发，设计了双分支融合模型，即由图片特征提取分支和时序特征提取分支组成。其中时序特征提取分支嵌入了本文设计的通道注意力，即基于离散傅里叶变换系数的注意力层（DiscreteFourierTransformCoefficientsAttention，DFTC-ATT），DFTC-ATT是从DFT频率角度对全局平均池化（GlobalAveragePooling，GAP）进行了扩展。消融实验的结果表明了本文采用的并行融合方式和设计的DFTC-ATT的有效性。对比实验的结果表明了双分支融合模型在四个分类任务上（健康和中度抑郁、健康和轻度抑郁、轻度抑郁和中度抑郁以及健康和轻度抑郁和中度抑郁）的分类性能（精确率、精确度、召回率和F1分数）均具有明显的优势。此外，通过对比将GAP替换DFTC-ATT中注意力系数向量时的双分支融合模型，验证了在GAP基础上增加DFT频率分量有助于提供分类性能。<br>　　本文的研究为基于前额叶三导脑电的抑郁症诊断提供了新的思路和见解，并且所设计的模型有利于抑郁症检测的推广。