Professional Documents
Culture Documents
基于脑电信号和深度神经网络的轻度抑郁识别研究 喇蓉
基于脑电信号和深度神经网络的轻度抑郁识别研究 喇蓉
分类号:TP301.6 密级:公开
基于脑电信号和深度神经网络的
论文题目(中文) 轻度抑郁识别研究
A Study on Mild Depression Recognition
论文题目(外文) Based on EEG Signals Using Deep Neural
Networks
作 者 姓 名 喇蓉
学 科 专 业 计算机科学与技术·计算机软件与理论
研 究 方 向 情感计算
教 育 类 型 学历教育
指 导 教 师 胡斌 教授
合 作 导 师
论文答辩日期 2020 年 5 月
校址:甘肃省兰州市城关区天水南路 222 号
学 院 :
信 息 科 学 与 工 程 学 院学 号 :
22〇 n〇 9 2 3 9 4 〇
学 生姓 名 : 喇 蓉 导 师姓 名 : 胡斌
Tx m
:
原 创 性 声 明
本人郑重声 明 : 本 人 所 呈 交 的 学 位 论文 , 是 在 导 师 的 指 导 下 独 立进 行 研 究 所
取得 的 成 果 。 学 位 论 文 中 凡 引 用 他 人 已 经 发 表 或未 发表 的 成 果 、 数据 、 观 点等
,
均 己明确注明 出处 。 除文 中 己 经 注 明 引 用 的 内 容外 ,
不 包含 任 何 其 他 个 人 或 集 体
已 经 发 表 或撰 写 过 的 科研 成 果 。 对本 文 的 研宄 成果 做 出 重要贡献 的 个 人和集 体
,
均 己在 文 中 以 明 确 方式 标 明
。
本 声 明 的 法 律 责 任 由 本 人承 担
。
论 文作 者 签 名 : 吨 ] 鋈 日 期 :
U
关 于学 位 论 文 使 用 授 权 的 声 明
本 人在 导 师 指 导 下所 完 成 的 论 文 及 相 关 的 职 务 作 品 , 知 识产权 归 属兰 州 大
学 。
本人 完 全 了 解兰州 大 学有 关保存 、 使 用 学 位 论文 的 规 定 , 同 意 学 校保存 或 向
国 家 有 关 部 门 或 机 构 送 交 论 文 的 纸 质 版 和 电 子版 , 允 许 论 文 被查 阅 和 借 阅 ; 本人
授 权 兰 州 大 学可 以 将 本 学 位 论 文 的 全 部 或 部 分 内 容 编 入 有 关 数 据 库 进 行 检 索 可
,
以 采用 任 何 复 制 手段保存和 汇 编 本学 位论 文 。 本 人 离校 后 发 表 、 使 用 学位 论 文 或
与 该 论 文 直 接相 关 的 学 术 论 文 或 成 果 时 , 第 一
署 名 单位 仍 然 为兰 州 大 学
。
本 学位 论 文 研 宄 内 容
:
h可 以 公 开
□不宜 公 开 , 己 在 学位 办 公室 办理 保 密 申请 , 解密 后 适用 本授权书
。
“ ”
请在 以 上 选 项 内 选择其 中 项打 v
一
)
(
论 文作 者 签名 :
察 导 师
签 名
:
日 期
: ^
日
期
:
^
基于脑电信号和深度神经网络的轻度抑郁识别研究
中文摘要
基于脑电信号(Electroencephalography,EEG)的抑郁症研究侧重于使用
数据挖掘的方法来识别抑郁症,而对轻度抑郁的研究尚处于起步阶段,尤其是
在有效监测和定量测量方面。针对轻度抑郁症的识别,本文提出了两种使用卷
积 神 经 网 络 ( Convolutional Neural Network, CNN ) 的 计 算 机 辅 助 检 测
(computer-aided detection, CAD)模型。
本文使用了 24 名轻度抑郁和 24 名健康对照大学生在情绪面孔浏览任务中
的脑电数据。在第一个模型——基于脑电功率特征的深度神经网络轻度抑郁识
别模型中,受 CNN 在图片识别领域取得的巨大成功的启发,模型将脑电时序
信号转换为 RGB 三通道图片形式作为深度神经网络的输入。脑电信号包含频
域、空间和时间方面的信息,频域特征通常使用信号的频谱图进行研究,于是
本文提取了脑电的功率特征;脑电的空间信息通过电极位置体现,电极位置分
布在三维空间,为了处理方便,利用方位角等距投影(Azimuthal equidistant
projection, AEP)将三维电极位置投影到二维平面形成一张图像来保留脑电的空
间信息;脑电信号是时序信号,反映了大脑活动的时间演变,为此本文将一个
trial 分成长度为一秒的多个帧,通过帧序列解释脑电信号的时间演变。为了探
究脑电不同方面的信息对轻度抑郁识别的作用,为识别模型设计了不同的输入
形式:将脑电功率组织成特征矢量形式探究脑电频谱信息的作用;在电极投影
图像上填充对应电极的功率,使其保持频谱和空间信息,并与特征矢量形式相
比较,来观察脑电空间信息的作用;以 trial 形式和帧形式分别组织上述两种输
入形式,对比观察脑电时间信息的作用。
除了构建 CAD 系统之外,脑功能成像在抑郁的相关研究中也颇有成效。
脑功能成像研究中使用的功能连接度量的计算结果是一种二维网格数据结构,
而 CNN 处理网格数据具有独特的优势,于是本文构建了第二个识别模型——
基于功能连接矩阵的卷积神经网络轻度抑郁识别模型。在模型构建前,本文利
用在脑功能成像研究中广泛使用的图论方法探究了轻度抑郁的脑功能连接是否
如抑郁症患者一般存在异常模式。本文计算了相干性(coherence)、相关性
(correlation)、锁相值(phase locking value)和相位滞后指数(phase lag index)
四种功能连接度量,从特征路径长度、聚类系数、小世界网络属性等方面探究
I
了轻度抑郁的脑功能连接模式。然后将 CNN 分别应用于来自五个 EEG 波段
(delta,theta,alpha,beta 和 gamma)的四种功能连接矩阵上构建了一种新颖
的轻度抑郁识别模型。
通过第一个模型,本文发现脑电信号的频谱信息在轻度抑郁识别中起主要
作用,脑电的空间信息不能改善识别效果,而脑电的时间信息能统计显著地提
高识别准确率。模型可达到 85.62%的准确率,可有效识别轻度抑郁和正常对照。
通过图论研究发现轻度抑郁症组的脑功能网络具有更长的特征路径长度和更小
的聚类系数,显示出与小世界网络的偏离。第二个模型获得了 80.74%的准确率。
本文中所有准确率的评估均使用 24 折交叉验证,确保以被试划分训练和测试集。
本研究表明,深度神经网络可能会成为解决抑郁症等疾病的早期诊断问题
的关键,可以在临床上辅助医生快速、准确地诊断轻度抑郁。
关键词:脑电信号,轻度抑郁,分类,卷积神经网络,功能连接
II
A STUDY ON MILD DEPRESSION RECOGNITION
NETWORKS
Abstract
III
maintains the spectral and spatial information, and compared it with the feature
vector form to observe the role of the EEG spatial information. Organize the above
two input forms respectively in trial form and frame form to compare and observe
the effect of EEG temporal information.
In addition to building CAD systems, brain functional imaging has also been
very effective in the studies of depression. The calculation result of the functional
connectivity metric used in brain functional imaging research is a two-dimensional
grid data structure, and CNN has unique advantages in processing grid data.
Therefore, this paper built a second model, a convolutional neural network mild
depression recognition model based on functional connectivity matrix. Before the
model was built, this paper investigated whether the brain functional connectivity of
mild depression showed abnormal patterns like those in patients with depression by
using the graph theory method widely used in brain functional imaging research.
This paper calculated four types of functional connectivity metrics: coherence,
correlation, phase locking value, and phase lag index, to explore the mode of brain
functional connectivity of mild depression from the aspects of characteristic path
length, clustering coefficient, and small-world network properties. Furthermore,
CNN is applied to four functional connectivity matrices from five EEG bands (delta,
theta, alpha, beta and gamma) to build a novel mild depression recognition model.
Through the first model, this paper found that the spectral information of the
EEG signals plays a major role in the recognition of mild depression, the spatial
information cannot improve the recognition accuracy, while the temporal
information of EEG provides a statistically significantly improvement to the
recognition accuracy. The first model provided an accuracy of 85.62%, which can
effectively recognize mild depression and normal controls. It is found that the brain
functional network of the mild depression group has a longer characteristic path
length and a lower clustering coefficient, showing a deviation from the small world
network, through graph theory. The second model achieved an accuracy of 80.74%.
All accuracy was evaluated using the 24-fold cross-validation to ensure that the
training and test sets are divided by the participants in this study.
This study showed that deep neural network may be the key to solving the early
diagnosis of diseases such as depression, and it can help doctors to quickly and
accurately diagnose mild depression.
IV
key words: EEG, mild depression, classification, convolutional neural network,
functional connectivity
V
目 录
中文摘要..................................................................................................... I
Abstract .....................................................................................................III
第一章 绪论.............................................................................................1
1.1 研究背景和意义............................................................................................. 1
1.2 研究现状......................................................................................................... 2
1.2.1 基于脑电信号的抑郁症的 CAD 系统 .................................................... 2
1.2.2 基于功能连接的抑郁识别研究.............................................................. 4
1.2.3 深度学习在神经信号分类领域的应用.................................................. 4
1.2.4 抑郁症患者情绪加工异常...................................................................... 5
1.2.5 被试相关与被试无关分类...................................................................... 5
1.3 主要工作与创新.............................................................................................. 6
1.4 论文结构安排.................................................................................................. 7
2.2 图理论基础知识........................................................................................... 12
2.2.1 功能连接计算........................................................................................ 12
2.2.2 图论方法................................................................................................ 14
2.3 本章小结....................................................................................................... 15
3.2 实验材料和流程........................................................................................... 16
3.3 脑电信号采集及预处理............................................................................... 17
3.4 本章小结....................................................................................................... 18
VI
第四章 基于脑电功率特征的深度神经网络轻度抑郁识别模型 ......19
4.1 输入形式....................................................................................................... 19
4.2 网络架构....................................................................................................... 21
4.3 分类结果....................................................................................................... 23
4.3.1 CNN 与传统分类算法在轻度抑郁的 CAD 系统中的性能比较 ......... 23
4.3.2 EEG 空间和时间信息的作用 ................................................................ 25
4.3.3 按被试划分训练测试集和随机划分训练测试集的对比.................... 25
4.3.4 讨论........................................................................................................ 26
4.4 本章小结....................................................................................................... 27
5.2 网络结构及训练........................................................................................... 30
5.3 基于图论的结果........................................................................................... 31
5.3.1 小世界属性............................................................................................ 31
5.3.2 单电极上的平均聚类系数统计分析.................................................... 32
5.3.3 网络的拓扑结构.................................................................................... 36
5.3.4 讨论........................................................................................................ 37
5.5 本章小结....................................................................................................... 42
6.2 研究展望....................................................................................................... 44
参考文献...................................................................................................45
附录...........................................................................................................51
VII
在学期间的研究成果 ..............................................................................53
致 谢.......................................................................................................54
VIII
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
第一章 绪论
1.1 研究背景和意义
抑郁症是一个全球性的精神疾病,终生患病率较高。患者表现为持续情绪
低落、兴趣丧失及具有严重自杀倾向。根据世界卫生组织 2017 年的最新数据,
目前已有超过 3 亿人患有抑郁症1,约占全球人口的 4.4%。2005 年至 2015 年,
抑郁症患病人数的增长率为 18.4%。据世界卫生组织预测,到 2030 年,抑郁症
将成为全球疾病负担的主要原因。此外,抑郁症被世界卫生组织列为世界第四
大严重致残原因,使自杀风险增加了 20 倍左右,每年造成 850,000 人死亡[1]。
抑郁发作的级别分为轻度、中度、中重度和重度。轻度抑郁比抑郁症更为
常见,而且随着时间的推移会变得越来越严重[2]。然而对于轻度抑郁缺乏对重
度抑郁那样的重视程度,以致错过了轻度抑郁的早期检测和治疗时间,增加了
轻度抑郁转变为更严重抑郁症的风险。早期诊断对于抑郁症的预防和治疗过程
至关重要。
目前,临床上广泛使用的抑郁症诊断方法是基于贝克抑郁量表(Beck
Depression Inventory, BDI)[3],患者的自我报告,医生的临床经验或是这些方
法的组合。但是,诊断的准确性一般受到医生的专业水平和患者的配合程度等
多种主观因素的影响。近年来,研究者们提出了基于生理信号的更客观的抑郁
症识别方法,其中包含多达数百个通道的具有高时间分辨率的脑电
(Electroencephalography, EEG)信号引起了越来越多的关注。大量的研究发现,
正常和抑郁两类人群的脑电信号存在差异。但 EEG 信号本质上是混乱和复杂的,
两组人群在脑电活动上的细微差异无法轻易地通过视觉辨别出来,于是研究者
们提出了基于机器学习的计算机辅助检测(computer aided detection, CAD)系
统,从大量的数据中挖掘对抑郁识别有效的关键信息。
然而,当前有关抑郁症的诊断研究主要针对重度抑郁,轻度抑郁在有效监
测和定量测量方面仍面临重大挑战,因此找到一种客观有效的鉴别轻度抑郁的
方法是当务之急。
1 https://www.who.int/mental_health/management/depression/en/
1
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
1.2 研究现状
2
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
1.2.2 基于功能连接的抑郁识别研究
1.2.3 深度学习在神经信号分类领域的应用
深度神经网络目前在图像、视频、语音和文本等识别任务中取得了巨大的
成功,其中卷积神经网络(Convolutional Neural Network, CNN)更是处理图像
和视频数据的核心方法,在涉及时间序列的应用如手写体识别和语音识别中循
环神经网络(Recurrent Neural Network, RNN)也表现出很好的性能。这两种网
络的结合在视频分类任务中也实现了成功应用。相比于深度神经网络在这些方
面的成功应用,它似乎在神经信号分类领域应用较少。主要的原因之一是大多
数神经信号数据集中样本数量的限制不足以训练具有数百万个参数的大规模网
络,所以与传统的机器学习技术相比不容易获得竞争性结果。尽管如此,深度
神经网络也在神经信号分类领域取得了一些突破性进展。比如 Tabar 等人[28]使
4
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
1.2.4 抑郁症患者情绪加工异常
面部情绪处理研究在抑郁症患者的情绪和认知研究中发挥着重要作用。
David 等人[31]通过 17 名抑郁患者和 31 名健康对照进行了观察 7 种面部表情的
实验,发现抑郁症患者对悲伤、快乐的面部表情的正确匹配显著或接近显著减
少。James 等人[32]用事件相关电位(event-related potentials, ERPs)检测抑郁患
者的情绪加工过程,方差分析(analysis of variance, ANOVA)结果显示,对照
组和抑郁组之间存在交互作用,抑郁患者在快乐和恐惧情绪刺激下其 P3 幅度
会显著下降,且在快乐情绪刺激下 P3 延迟也很显著。作者将这些发现解释为
抑郁患者低强度情绪不协调(快乐)面孔在情绪辨别过程中认知加工能力下降
的证据。这些研究表明在一般的面部处理中抑郁症患者的脑电信号表现出与正
常人的差异。所以,在这篇文章中,我们使用了情绪面孔范式来研究轻度抑郁
和正常人之间脑电信号上的差异。
1.2.5 被试相关与被试无关分类
另一个值得关注的问题是,对于将分类算法应用于人类心理状态(例如情
绪,精神障碍和运动图像)识别的研究,有两种基本的分类方案,即与被试相
关(subject-dependent)和与被试无关(subject-independent)的策略。与被试相
关的算法需要为每个被试训练分类器,而与被试无关的算法则使用多个被试的
数据训练分类器[34]。抑郁识别显然是与被试无关的分类案例。被试无关的分
类对于训练数据和测试数据的选择至关重要。为了消除个体差异对分类结果的
影响,需要根据被试划分训练数据和测试数据,换句话说,同一被试的样本不
能同时分为训练数据和测试数据,否则可能会导致分类准确率虚高。例如,
Mumtaz 等人[33]使用 10 折交叉验证对来自 33 位抑郁症患者和 33 位正常对照的
EEG 信号进行分类,在 LR,SVM 和朴素贝叶斯(NB)分类器上获得的分类
5
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
1.3 主要工作与创新
由于对轻度抑郁症的有效监测和定量测量仍处于起步阶段且面临较大挑战,
本文针对轻度抑郁诊断问题提出了两种基于深度神经网络的 CAD 系统。
在第一个系统中,我们构建了基于脑电功率特征的深度神经网络的轻度抑
郁识别模型。
(1)通过与传统分类算法的比较,证明我们提出的基于深度神经网络的轻
度抑郁识别模型比传统分类算法更有优势;
(2)基于脑电频域的功率特征、电极的位置信息和帧之间的时间演变,设
计了脑电信号的三种不同表示形式,即包含频域信息的特征矢量形式,包含脑
电空间信息和频域信息的三通道彩色图像形式,以及能观察到时间信息作用的
trial-wise 和 frame-wise 两种策略,探究了脑电信号频域、空间和时间三个维度
的信息对轻度抑郁识别的作用;
(3)作为迁移学习的一种形式——网络结构的迁移,在构建我们的网络结
构时进行了应用,本文对这一做法的意义进行了讨论;
(4)针对抑郁这种被试无关的分类问题,对比了按被试划分和随机划分训
练集测试集的性能,表明在按被试划分数据集的情况下,所提出的系统得到的
识别准确率具有竞争性优势。
在第二个系统中,受抑郁的功能成像研究的启发,我们构建了基于脑电功
能连接的卷积神经网络的轻度抑郁识别模型。
(1)使用了四种功能连接指标,相干性、相关性、锁相值和相位滞后指数;
(2)使用图论方法,通过小世界属性、单电极的聚类系数的统计分析以及
6
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
网络的拓扑结构等方法,探究了在抑郁症患者功能脑网络中显著存在的异常脑
连接模式是否也出现在轻度抑郁症中;
(3)探究轻度抑郁功能脑网络中出现异常模式的波段和脑区域;
(4)鉴于功能连接矩阵的二维网格数据结构和 CNN 处理网格数据的优势,
将功能连接矩阵作为 CNN 的输入构建轻度抑郁的分类模型,提供图论方法之
外的另一种新颖的轻度抑郁诊断方法。
1.4 论文结构安排
本文的内容安排如下:
第一章是绪论,首先介绍了抑郁症的表现、发病率、增长率及现今抑郁诊
断中存在的问题,当前轻度抑郁的研究现状;其次从基于脑电信号的抑郁症的
CAD 系统、基于功能连接的抑郁识别研究、深度神经网络在神经信号分类领域
的研究、表明抑郁患者和健康人群在面部情绪处理中在脑电信号上表现出显著
差异的研究等方面介绍了目前基于脑电信号的抑郁相关研究;最后概述了本文
的主要工作与创新。
第二章是深度学习算法及图论理论基础,介绍了本文在构建深度神经网络
轻度抑郁识别模型中用到的卷积神经网络和长短时记忆单元网络的基础知识,
以及本文使用到的四种功能连接指标,相干性、相关性、锁相值、相位滞后指
数的计算和图论中的特征路径长度、聚类系数、小世界属性等概念。
第三章是实验部分,主要介绍了成功进行数据采集的被试的基本信息、实
验所选用的情绪面孔图片材料、实验的流程、脑电信号的采集过程以及对采集
到的脑电信号进行去噪得到较纯净脑电信号的预处理过程。
第四章介绍了本文构建的第一个轻度抑郁识别模型——基于脑电功率特征
的深度神经网络轻度抑郁识别模型。模型通过设计不同的脑电表示形式探究了
脑电频域、空间、时间方面的信息对轻度抑郁识别的作用,对脑电的不同输入
形式以及网络结构、数据处理结果进行了详细的介绍,并对所得结果进行了分
析和讨论。
第五章首先利用图论探究了轻度抑郁的异常脑功能连接模式,以及异常模
式出现的波段和脑区域。其次介绍了本文构建的第二个模型——基于功能连接
矩阵的卷积神经网络轻度抑郁识别模型,评估了所提出模型的性能并与传统机
器学习分类算法性能进行了对比。
第六章是总结和展望,总结了本研究的成果,分析了本研究的局限之处,
7
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
并展望了未来的工作。
8
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
第二章 深度学习算法及图论理论基础
2.1 深度学习算法基础
2.1.1 卷积神经网络
其中 yi' j 'k ' 表示第 k’个卷积核的 i’行 j’列的输出值, wijkk ' 表示第 k ' 个卷积核
的第 k 个通道的 i 行 j 列的输入值,xi +i' , j + j' ,k 表示第 k 个通道的 i + i ' 行 j + j ' 列的
输入值。
(2)激活函数
激活函数作用于神经元上,负责将神经元的输入映射到输出端,它将非线
性引入到神经网络中。没有非线性激活函数的一层相当于矩阵相乘,无论神经
网络有多少层,输出都是输入的线性组合,与没有隐藏层的效果是一样的,这
种情况下网络的逼近能力就很有限。
在目前的神经网络中,默认推荐使用的激活函数是整流线型单元(rectified
linear unit)或者称为 ReLU [35],由下式定义:
yijk = max(0, xijk ) (2-4)
9
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
(3)池化层
池化对卷积后得到的特征图进行局部整合,一方面压缩了特征图的大小,
另一方面因丢弃了局部位置信息,所以降低了输入对偏移和失真的敏感性。池
化主要有最大池化和平均池化。实践中,最大池化比平均池化效果更好,它是
在特征图的 p p 局部计算最大响应,用下式表示:
yijk = max yi' j'k : i i ' i + p, j j ' j + p (2-5)
(4)softmax 层
softmax 将原始神经网络的输出变成了概率输出以表示一个样例为不同类
别的概率,假设原始神经网络的输出为 y1 , y2 , yn ,那么经过 softmax 处理之后
的输出为:
e yi
softmax( y )i = n
(2-6)
e
yj
j =1
(5)损失函数
损失函数刻画了神经网络模型的效果以及优化的目标,反映的是预测结果
和实际结果之间的差别。常见的损失函数有最小均方误差(式子 7),交叉熵损
失函数(式子 8)等。
1
E= ( yi − yi )2
2 i
(2-7)
1 N k
E=− yi log( pi )
N i i =1
(2-8)
10
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
合在线更新模型,但是,频繁地更新参数会使得目标函数抖动非常厉害。小批
量梯度下降结合了 BGD 和 SGD 的优点,每次以小批量的训练数据计算目标函
数的梯度并更新参数,计算效率较高同时也能平稳收敛。虽然 SGD 是非常受欢
迎的优化算法,但当目标函数一个维度的梯度比另一个维度下降地明显更加急
促时,SGD 容易存在收敛极慢的问题,动量优化算法[36]的引入可以很好地解决
这个问题,它在计算当前时刻的更新向量时考虑上一次更新向量,当前后两次
梯度方向一致时能够加速学习,不一致时能抑制震荡。后来又出现了动量算法
的一个变种——Nesterov 动量[37],随后又出现了一些自适应学习率算法,如适
合处理稀疏特征的 Adagrad[38],解决 Adagrad 学习率急剧下降问题的 Adadelta[39]
和 RMSprop[40],以及在优化大量参数时具有竞争性优势的 Adam 算法[41]。
2.1.2 长短时记忆网络
“输入门”决定哪些部分进入当前时刻的状态 Ct 。输入门的功能实现需要
两部分的合作。tanh 输出选择的候选信息 Ct ' ,sigmoid 用来决定哪一部分候选
11
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
“输出门”通过决策矢量 ot 和 Ct 相乘来输出当前的隐藏状态 ht :
ot = (Wo ht −1 , xt + bo ) (2-13)
ht = tanh(Ct ) ot (2-14)
2.2 图理论基础知识
2.2.1 功能连接计算
(1)相干性
EEG 相干性(Coherence)是一种反映功能性皮质连接的有效方法,用于计
算频域上两个电极或大脑区域之间 EEG 信号的线性相关交互作用[18, 19]
,其测
12
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
n
k =1
Ax( f , k ) Ay ( f , k )e x
Cohxy ( f ) = (2-15)
1 n 2 1 n 2
k =1 Ax ( f , k ) k =1 Ay ( f , k )
n n
13
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
1 n i ( ( , k ) − y ( , k ) )
n
k =1
1x( , k )1y ( , k )e x
PLVxy ( ) =
1 n 2 1 n 2
k =11x ( , k ) k =11y ( , k ) (2-18)
n n
1 n i( x ( ,k ) − y ( ,k ) )
= e
n k =1
2.2.2 图论方法
通过将图论分析应用于功能连接矩阵可以将矩阵转换为二进制无向图,如
果一对通道之间的功能连接值超过设定的阈值 T 则这两通道之间存在一条边,
否则不存在边。T 的选择对构造的图有重要影响,当 T 较小时构造的网络比较
密集,而当 T 较大时网络会变得稀疏。但没有一个通用的方法可以确定合适的
阈值,于是我们研究了 0 <T <1 的整个范围,对相干性、相关性、PLV 增量为
0.025,对 PLI 增量为 0.005。
功能连接矩阵转换为图后就可以通过特征路径长度 L 和聚类系数 C 这两个
指标来表征。这两个指标对应于两种基本的脑功能组织原则,即功能整合和功
能隔离。功能整合反映了大脑整合来自不同脑区的信息的能力,可以通过特征
路径长度来很好地衡量。特征路径长度是通过计算所有节点对之间的平均最短
路径长度得到的。而功能隔离反映了局部相关性,用聚类系数衡量功能隔离。
每个节点的聚类系数是节点实际连接的边数与该节点最大能连接的边数之比,
网络的聚类系数是网络中所有节点的平均聚类系数。
为了建立网络拓扑特征,我们计算了比值 C / Cr 和 L / Lr 作为阈值 T 的函
数,其中 Cr 和 Lr 表示对应的随机网络的 C 和 L 的值。随机网络是指与原始网
14
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
络具有相同的节点和连通性,而对连接节点的选择是完全随机的。我们为每个
被试的每个实际网络生成 20 个匹配的随机网络,然后计算了这 20 个随机网络
的平均 Cr 和 Lr 并与实际网络的 C 和 L 去比较。当 C / Cr 的值明显大于 1 而 L /
Lr 的值接近于 1 时,表明网络具有小世界属性,Humphries 将小世界指标定义
C / Cr
为S = = [46]
,S 大于 1 就表明网络具有小世界属性。
L / Lr
2.3 本章小结
在本章中首先介绍了本文构建深度神经网络模型时用到的卷积神经网络的
基础知识,对构成卷积神经网络的卷积层、激活函数、池化层、softmax 层分别
进行了介绍,并对损失函数和优化算法也分别进行了介绍。然后介绍了长短时
记忆网络。本章的第二部分介绍了图论的相关基础知识,包括四种不同的功能
连接度量,即相干性、相关性、锁相值、相位滞后指数的概念和计算方法,以
及两种网络特征——特征路径长度、聚类系数的概念,在这两者的基础上介绍
了网络的小世界属性。
15
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
第三章 实验设计与数据采集
3.1 被试对象
轻度抑郁 健康对照
(N=24) (n=24)
年龄 20.96±1.95 20±2.02
BDI-II 得分 17.63±3.41 4.63±3.00
性别
女 6 9
男 18 15
年龄和 BDI-II 分数用均值±标准差的形式表示
3.2 实验材料和流程
实验采用的刺激材料来源于标准化情绪刺激图片系统的一个子系统——中
国化面孔情绪图片系统(China Facial Affective Picture System, CFAPS)[48]。我
们从中选取了 45 张平静面孔图片和 15 张负性情绪面孔图片,其中愤怒、悲伤、
惊讶、厌恶、恐惧面孔图片各 3 张。
实验包含两个组块,情绪组(Emo_block)和平静组(Neu_block),每个组
块包含 15 个 trial。情绪组中的每个 trial 包含一张平静和一张负性情绪面孔图片,
平静组中的每个 trial 包含两张平静面孔图片。每个 trial 中的两张图片是合并成
16
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
图 3-1 情绪刺激图片示例
实验正式开始前,主试会向被试详细讲解实验规则,屏幕上也会显示相应
的指导语,另外还有包含 4 个 trial 的练习实验以确保被试充分理解实验过程。
每个 trial 在黑色背景屏幕上呈现 6 秒,每两个 trial 之间是 2 秒的黑色背景。被
试调整至舒服姿态坐在离 17 英寸、分辨率为 1024×768 的屏幕 60 厘米处,自
由浏览每个 trial。第一个组块结束后有两分钟的休息时间,然后接着进行第二
个组块。整个实验大约需要 7 分钟。实验流程如图 3-2 所示。
图 3-2 实验流程图示
3.3 脑电信号采集及预处理
3.4 本章小结
本章介绍了参与实验的被试的情况,所选用的实验材料和实验的流程,以
及脑电数据采集过程和对采集来的脑电信号实施的预处理操作。
18
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
第四章 基于脑电功率特征的深度神经网络轻度抑郁识别
模型
4.1 输入形式
脑电信号包含时间、频域和空间三个方面的信息。为了分别探索脑电不同
方面的信息对轻度抑郁识别的作用,我们比较了脑电的不同输入形式。
脑电频域的特征通常通过频谱图进行研究。我们通过 AR 模型计算出脑电
信号的功率谱。由于 Grin 等人的研究表明抑郁和正常人在 theta、alpha、beta
波段上存在明显差异[51],因此我们根据式(4-1)和(4-2)计算了脑电信号在
theta、alpha、beta 波段的功率。
2
1
P(e j ) = 2 (4-1)
1 + i =1 (i)e− ji
M
19
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
图 4-1 电极位置的二维投影
20
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
4.2 网络架构
21
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
A B C D
Conv3-32 Conv3-32 Conv3-32 Conv3-32
Conv3-32 Conv3-32 Conv3-32 Conv3-32
Conv3-32
Conv3-32
maxpool-2
Conv3-64 Conv3-64 Conv3-64
Conv3-64 Conv3-64 Conv3-64
maxpool-2
Conv3-128 Conv3-128
maxpool-2
FC-512
softmax
22
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
的四种结构中表现最好的那个结构。在一维卷积层中应用了大小为 3 的卷积核,
卷积步长为 1,并分别尝试了 16 和 32 个卷积核的效果;对于 LSTM 层分别尝
试了 32,64,128 的隐藏单元数。
本文中使用的大多数代码都是用 Python(版本 3.5)编写的。CNN 模型是
基于名为 Lasagne1的轻量级库进行训练和测试的,该库用于在 Theano[52]中构建
和训练神经网络。
网络使用 Adam 算法训练,该算法在神经网络的训练中表现出了竞争性的
优势,学习率设置为 10-3,一阶和二阶矩的衰减率分别为 0.9 和 0.999。采用的
权重初始化方法是 Xavier[53]。此外应用了早期停止来监控模型在验证集上的性
能。在所有全连接层使用 0.5 的 dropout[54],dropout 已经在具有数百万个参数
的深度神经网络[55]和神经成像应用程序[56]中证明了其减少过拟合的效率。由于
小卷积核具有隐式正则化,因此网络在几个迭代之后便能收敛,因此我们的模
型在 15 轮迭代之后终止训练过程,批次大小为 30。
4.3 分类结果
为了评估我们方法的通用性,我们使用了 24 折交叉验证。具体而言,在每
一折中,来自一名轻度抑郁症被试和一名健康对照的样本作为测试数据,将另
一名轻度抑郁和一名正常被试的样本用于验证,剩下的 44 名被试的样本用于训
练,这样可以避免一个被试的记录既出现在训练集又出现在测试集的情况。验
证数据用于选择最佳模型。网络一开始使用随机权重进行训练,并且在迭代过
程中会生成许多具有不同权重的模型。我们最终保存的模型是在验证数据上分
类精度最高的模型,并使用该模型来获得测试集的分类精度。
为了探究脑电的不同方面的信息与轻度抑郁的关系,我们从不同角度对实
验结果进行了介绍和讨论,并进行了如下分析。
1 https://github.com/Lasagne/Lasagne
23
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
对于 CNN,平静组下两种策略之间的准确率没有统计显著差异,p=0.131;
而在情绪组两种策略具有统计显著差异,p=0.028。此外,统计结果显示两种策
略下平静组的准确率显著高于情绪组。
24
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
4.3.3 按被试划分训练测试集和随机划分训练测试集的对比
25
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
以上的结果都是 24 折交叉验证评估所得,训练测试集严格按照被试划分。
为了与随机划分训练测试集的情况进行比较,我们还对所有的结果用十折交叉
验证进行了评估。这种十折交叉验证将整个样本集随机分成 10 份,其中 9 份用
于训练,1 份用于测试(如果需要验证集,则将训练集中的一份用于验证集,
剩下的 8 份用于训练集),这种划分可能导致同一被试的样本同时出现在训练集
和测试集中。
表 4-5 是 CNN 和传统分类器采用 10 折交叉验证评估得到的准确率。与 24
折交叉验证的结果对比我们可以看出随机划分训练测试集将导致分类准确率虚
高。
表 4-5 随机划分训练测试集时 CNN 和传统分类器的准确率
准确率%
trial-wise frame-wise
算法 Neu_block Emo_block Neu_block Emo_block
BN 85.42 84.72 84.31 84.44
SVM(linear) 98.89 97.92 96.39 95.00
LR 92.92 91.25 97.36 82.92
kNN(k=1) 99.86 97.92 97.08 93.75
kNN(k=3) 99.58 97.36 96.67 91.67
kNN(k=5) 99.44 97.78 96.25 91.39
kNN(k=10) 99.17 95.83 95.97 91.25
RF 98.89 97.36 94.58 94.17
CNN B+特征矢量 98.87±0.19 97.77±0.41 97.50±0.36 96.24±0.77
CNN B(+1Dconv)+ 128×1 98.24±0.59 97.15±0.56 97.35±0.54 95.48±0.66
CNN B(+1Dconv)+ 32×32 94.4±0.87 91.39±1.04 97.01±0.49 94.89±0.51
4.3.4 讨论
在这一章中,我们通过脑电的不同输入形式,研究了脑电信号不同方面即
频谱、时间和空间信息在识别轻度抑郁中的作用,我们主要有以下观察结果。
首先,CNN 在轻度抑郁识别中显示出比传统分类器更好的性能。CNN 可
以学习有用的数据变换并揭示数据中隐藏的关系,而且 CNN 可以在它的学习
期间提取所有所需的信息,这与将分类的不同部分(特征提取,特征选择)分
开的技术不同。
其次,EEG 的频谱信息在轻度抑郁症识别中起主要作用。这可以通过研究
[4, 59]
得到验证,他们利用 EEG 的频域特征在抑郁识别中取得了令人满意的结果。
此外,在给 CNN 提供 EEG 频谱信息作为输入的基础上,我们通过更改输入形
式为 CNN 提供了 EEG 的时间和空间信息。我们发现添加空间信息(即电极位
26
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
4.4 本章小结
在这一章中,首先文章介绍了深度神经网络的三种输入形式,通过这三种
输入形式可以探究脑电各个方面的信息(即频谱,空间和时间信息)在识别轻
度抑郁症中的作用。其次,由于 CNN 结构设计的复杂性和模型对不同人群的
27
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
28
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
第五章 基于功能连接矩阵的卷积神经网络轻度抑郁识别
模型
5.1 输入
考虑到功能连接矩阵的对称性和神经网络的计算效率,我们只使用了功能
连接矩阵的上三角部分,这个上三角部分包含 8256 个元素,由于对角线上的元
素是电极与其自身之间的功能连接值,因此我们舍弃了对角线上的 128 个元素。
另外由于 CNN 的输入通常为正方形,我们于是将剩余的 8128 个元素组织成一
个正方形,并使这个正方形的尺寸尽可能地小。另外位于上三角最后部分的功
能连接值是基于分布在面部的电极计算的,它们受肌电和眼电的影响很大,因
此我们丢弃上三角部分最后的 28 个元素并将剩下的 8100 个元素一列一列地排
列成一个 90×90 的矩阵。丢弃的 28 个元素值是基于八个电极 E121,E122,
E123,E124,E125,E126,E127,E128 计算的。转换过程如图 5-1 所示。这
些 90×90 的矩阵将作为单通道图像输入到 CNN 中。
此外,借鉴第四章中 RGB 图像的形成原理,我们将三个波段的功能连接
矩阵合并成一个 RGB 三通道图像,其中对每一种矩阵,选用的三个波段是在
单通道中表现最好的三个波段。将三通道图像也作为 CNN 的输入与单通道性
能进行对比,如图 5-2 所示。
29
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
5.2 网络结构及训练
30
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
5.3 基于图论的结果
5.3.1 小世界属性
31
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
5.3.2 单电极上的平均聚类系数统计分析
32
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
Neu_block Emo_block
E N D F P 分区 E N D F P 分区
Coh-delta
E31 0.326 0.3026 0.007 0.039 LC E2 0.2719 0.2851 2.699 0.022 RF
E60 0.3855 0.3646 0.016 0.047 LPO E7 0.3045 0.2837 0.315 0.02 LC
E78 0.3777 0.3543 0.014 0.039 RPO E31 0.3287 0.3026 0.032 0.018 LC
E79 0.3658 0.3394 0.138 0.033 RC E60 0.38 0.3585 0.311 0.039 LPO
E89 0.3859 0.3436 19.833 0.017 RPO E78 0.3729 0.3503 0.101 0.045 RPO
E111 0.3392 0.3183 0.525 0.043 RC E89 0.38 0.341 9.471 0.022 RPO
E119 0.3155 0.3341 0.25 0.043 RT E119 0.3096 0.3308 0.07 0.017 RT
E126 0.2842 0.2995 1.457 0.04 RF E126 0.279 0.2984 0.045 0.013 RF
E127 0.2751 0.2943 1.959 0.012 LF
Coh-beta
E63 0.3572 0.3238 2.605 0.023 LT E56 0.3515 0.3177 14.499 0.034 LT
E67 0.3541 0.3313 1.274 0.03 LPO E60 0.3569 0.3293 7.942 0.033 LPO
E68 0.3526 0.3303 1.337 0.032 LPO E63 0.3588 0.319 10.884 0.017 LT
E69 0.3575 0.329 0.527 0.035 LPO E67 0.3577 0.3298 5.523 0.019 LPO
E71 0.3616 0.3381 2.142 0.046 LPO E68 0.326 0.3291 5.474 0.023 LPO
E73 0.3492 0.3185 3.887 0.031 LPO E69 0.3587 0.3254 4.372 0.028 LPO
E74 0.3593 0.3319 1.998 0.042 LPO E71 0.3651 0.336 6.753 0.03 LPO
E77 0.3543 0.3301 2.533 0.047 RPO E73 0.3512 0.3148 10.285 0.026 LPO
E78 0.443 0.3195 3.511 0.038 RPO E74 0.3619 0.3277 5.502 0.025 LPO
E84 0.3624 0.3353 1.701 0.044 RPO E77 0.3575 0.3293 4.993 0.038 RPO
E85 0.3536 0.3255 1.354 0.027 RPO E78 0.3471 0.3205 6.769 0.049 RPO
E89 0.3612 0.3148 0.402 0.006 RPO E84 0.3635 0.3335 4.796 0.043 RPO
E91 0.3587 0.3293 1.92 0.036 RPO E85 0.3552 0.3254 3.586 0.032 RPO
E98 0.3495 0.3223 7.493 0.044 RC E86 0.3461 0.3155 6.666 0.033 RC
E87 0.3275 0.3016 7.723 0.043 RC
33
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
Neu_block Emo_block
E N D F P 分区 E N D F P 分区
E89 0.3622 0.3093 0.288 0.004 RPO
E90 0.3622 0.3304 4.187 0.036 RPO
E91 0.3598 0.3281 3.06 0.036 RPO
E97 0.3606 0.3266 8.773 0.034 RT
E98 0.3519 0.3187 10.346 0.027 RC
E110 0.3393 0.3068 12.954 0.043 RC
PLV-delta
E1 0.302 0.3188 0.235 0.034 RF E7 0.3408 0.3149 0.277 0.044 LC
E2 0.3069 0.3248 0.117 0.025 RF E60 0.4267 0.4026 0.17 0.037 LPO
E7 0.3437 0.3193 0.007 0.046 LC E78 0.4173 0.3903 0.099 0.034 RPO
E26 0.3106 0.3283 2.938 0.028 LF E79 0.4054 0.3772 0.08 0.037 RC
E31 0.3734 0.3447 0.464 0.018 LC E80 0.3682 0.3414 0.781 0.048 RC
E60 0.4225 0.4007 2.591 0.047 LPO E85 0.4253 0.4017 0.04 0.038 RPO
E78 0.416 0.3908 0.546 0.042 RPO E86 0.4168 0.3908 0.55 0.026 RC
E89 0.4224 0.3796 9.518 0.022 RPO E87 0.395 0.3682 0 0.037 RC
E111 0.3775 0.3555 1.77 0.043 RC E89 0.427 0.3807 14.249 0.016 RPO
E119 0.352 0.3779 0.001 0.017 RT
E126 0.3178 0.3389 0.326 0.029 RF
E127 0.3124 0.333 0.013 0.195 LF
PLV-beta
E7 0.2751 0.234 2.879 0.036 LC E78 0.3583 0.3124 0.582 0.017 RPO
E23 0.2908 0.2573 0.951 0.043 LF E79 0.3336 0.2936 1.278 0.031 RC
E46 0.3411 0.2941 3.461 0.041 LT E82 0.3742 0.3331 0.008 0.042 RPO
E60 0.3642 0.3238 2.789 0.045 LPO E85 0.3675 0.329 0.146 0.046 RPO
E66 0.3705 0.3344 1.202 0.048 LPO E89 0.3686 0.3038 1.561 0.012 RPO
E67 0.3717 0.3335 2.427 0.044 LPO
E68 0.3713 0.3323 1.961 0.038 LPO
E70 0.3745 0.3379 3.355 0.049 LPO
E71 0.381 0.337 1.719 0.019 LPO
E74 0.3693 0.3232 1.418 0.023 LPO
E76 0.3765 0.3367 1.187 0.031 RPO
E77 0.3706 0.3262 2.14 0.022 RPO
E78 0.3567 0.3066 3.725 0.016 RPO
E79 0.3321 0.2893 3.849 0.037 RC
E82 0.3733 0.3189 2.234 0.009 RPO
E83 0.3784 0.334 1.224 0.018 RPO
E84 0.376 0.3317 1.153 0.03 RPO
34
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
Neu_block Emo_block
E N D F P 分区 E N D F P 分区
E85 0.365 0.3128 1.226 0.013 RPO
E86 0.3526 0.3048 1.947 0.024 RC
E87 0.3243 0.2815 5.833 0.024 RC
E88 0.3529 0.303 3.609 0.026 RPO
E89 0.371 0.2894 0.101 0.001 RPO
E90 0.3708 0.3206 0.907 0.012 RPO
E91 0.365 0.321 1.094 0.027 RPO
E95 0.3565 0.3096 2.015 0.04 RPO
E96 0.3577 0.3104 3.751 0.032 RT
E97 0.3551 0.3087 4.479 0.034 RT
E98 0.346 0.304 6.075 0.042 RC
E105 0.3103 0.2674 7.592 0.045 RC
E111 0.316 0.2876 10.572 0.031 RC
E,电极名称。N,正常组的平均聚类系数;D,轻度抑郁组的平均聚类系数。F 和 p 分表表示独
立样本 t 检验的 F 值和 P 值。按照附录中的规则将电极分成了 8 个区,左前额区(the left frontal,
LF),右前额区(right frontal,RF),左颞区(left temporal,LT),右颞区(right temporal,RT),
左中央区(left central,LC),右中央区(right central,RC),左顶枕区(left parietal-occipital,
LPO),和右顶枕区(right parietal-occipital,RPO)
表 5-2 相关性的聚类系数的统计分析(T=0.15)
Neu_block Emo_block
E F P 分区 E F P 分区
E30 2.118 0.042 LC E60 0.74 0.036 LPO
E36 0.068 0.039 LC E61 0.843 0.04 LPO
E41 0.187 0.043 LC E65 1.056 0.034 LPO
E42 0.421 0.041 LC E66 1.638 0.02 LPO
E46 0.152 0.02 LT E67 0.879 0.013 LPO
E47 0.024 0.04 LC E68 0.694 0.012 LPO
E53 0.049 0.029 LC E69 0.159 0.03 LPO
E60 0.005 0.038 LPO E70 0.928 0.009 LPO
E61 0.066 0.034 LPO E71 0.506 0.026 LPO
E64 0.134 0.047 LPO E73 0.009 0.047 LPO
E65 0.01 0.033 LPO E74 1.822 0.012 LPO
E66 0.313 0.026 LPO E76 1.521 0.01 RPO
E67 0.06 0.023 LPO E77 0.87 0.006 RPO
E68 0.012 0.026 LPO E78 0.02 0.006 RPO
E69 0.088 0.018 LPO E79 0.102 0.01 RC
35
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
续表 5-2 相关性的聚类系数的统计分析(T=0.15)
Neu_block Emo_block
E F P 分区 E F P 分区
E70 0.044 0.006 LPO E82 1.055 0.019 RPO
E71 0.463 0.016 LPO E83 3.964 0.029 RPO
E73 0.64 0.022 LPO E84 1.443 0.01 RPO
E74 0.012 0.007 LPO E85 0.561 0.008 RPO
E76 0.212 0.008 RPO E86 1.404 0.009 RC
E77 0.112 0.005 RPO E87 0.156 0.046 RC
E78 0 0.007 RPO E88 1.072 0.043 RPO
E79 0.002 0.016 RC E89 7.387 0.005 RPO
E82 0.097 0.009 RPO E90 2.974 0.023 RPO
E83 0.839 0.005 RPO E91 1.522 0.015 RPO
E84 0.005 0.015 RPO E92 1.002 0.016 RC
E85 0.135 0.014 RPO E93 0.404 0.045 RC
E86 0.03 0.023 RC E94 0.374 0.047 RPO
E87 0.268 0.047 RC E97 1.489 0.036 RT
E88 0.068 0.028 RPO E98 0.631 0.042 RC
E89 3.717 0.002 RPO E104 0.133 0.045 RC
E90 0.048 0.024 RPO E107 1.632 0.04 RT
E91 0 0.019 RPO
E92 0.241 0.038 RC
E93 0.021 0.031 RC
E94 0.011 0.03 RPO
E95 0.512 0.028 RPO
E97 0.027 0.042 RT
E98 0.022 0.031 RC
E104 0.115 0.033 RC
E105 1.097 0.031 RC
E107 0.019 0.034 RT
E110 0.694 0.023 RC
E 表示电极名称。F 和 p 分表表示独立样本 t 检验的 F 值和 P 值。
按照附录中的规则将电极分成了 8 个区,左前额区(the left frontal,
LF),右前额区(right frontal,RF),左颞区(left temporal,LT)
,
右颞区(right temporal,RT),左中央区(left central,LC),右中
央区(right central,RC)
,左顶枕区(left parietal-occipital,LPO)
,
和右顶枕区(right parietal-occipital,RPO)
5.3.3 网络的拓扑结构
为了可视化两组人群的相干性差异的分布,我们画出了两组人群在平静组
36
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
5.3.4 讨论
通过图论,我们发现轻度抑郁症组的小世界指数显著低于健康对照组的小
世界指数。小世界网络表现出高聚类和小路径长度[63],而轻度抑郁组相比于健
康对照组更低的聚类系数和更大的特征路径长度说明了轻度抑郁组的功能脑网
络偏离小世界网络,这些发现与已有的基于图论的抑郁症神经影像学研究一致
[64]
。轻度抑郁人群的聚类系数较低,意味着轻度抑郁症患者的网络局部连通性
相对较弱。另外,较短的路径长度确保了区域间有效的完整性或大脑网络中信
息的迅速传递,这构成了认知过程的基础,因此,与疾病相关的路径长度的增
加可归因于用于信息传输的纤维束的退化[65]。
此外,对每个电极的聚类系数的统计分析表明,两组之间的差异主要集中
在右半球的顶枕区。已有研究表明抑郁人群的右半球过度活跃[66]。而顶区和右
枕颞皮是杏仁核和海马体的位置,Drevets 等人通过正电子发射断层扫描研究发
37
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
现患有重度抑郁症的患者杏仁核的静息血流量比健康对照增加约 6%[67]。Jin 等
人也观察到抑郁青少年的杏仁核表现出异常活跃[68]。还有一些研究表明,抑郁
症患者的海马体积比健康对照明显减少,说明他们的海马神经元发生了萎缩[69]。
本文的发现与这些先前的结果一致。
然而值得注意的是,在 delta 波段的前额区,轻度抑郁组的聚类系数反而比
健康对照组高。一些研究人员认为前额叶皮层的一种功能是调节或抑制杏仁核
的活动[70],Ochsner 等的工作中也报道过当要求被试自愿下调其负面影响时,
前额叶皮层的激活与杏仁核之间存在强烈的反向关系[71]。我们的发现和之前说
明轻度抑郁额区活动异常的研究结果相一致。
此外,通过对小世界特性和聚类系数的分析发现,两类人群的差异主要在
delta 波段。Knyazev 等人的研究中提到,delta 振荡仅仅在人类发育早期和慢波
睡眠中才突出。在清醒的成年人中,delta 振荡会被与高频振荡相关的更高级的
过程所掩盖。但在由有害的环境因素、发育病理学或脑组织损伤引起的病理状
态,比如抑郁症中,delta 振荡会更加明显[72]。
38
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
准确率%
Neu_block Emo_block
delta theta alpha beta gamma delta theta alpha beta gamma
Coh 77.78 75.88 68.64 75.91 75.77 74.48 72.10 72.67 75.57 77.78
Corr 70.69 71.33 71.17 70.93 71.46 65.83 60.59 60.94 63.60 63.60
PLV 71.23 70.93 71.87 66.82 74.00 73.33 71.71 62.64 56.00 64.75
PLI 61.79 62.27 63.41 61.88 62.16 51.61 50.68 50.73 52.85 55.60
ROC(Receiver operating characteristic)曲线在机器学习中常用来评估二分类
问题的分类效果[73]。ROC 曲线下的面积叫做 AUC(area under ROC curve),它的
值在 0-1 之间,AUC 值越大说明分类性能越好。为了更直观地比较四种输入的
分类性能,我们在图 5-6 中画出了四种功能连接矩阵在 5 个波段下的 ROC 曲线,
从 ROC 曲线中我们可以得到和表 5-3 相同的结果。
为了进一步显示我们方法的有效性,我们将 4 种功能连接度量输入到在抑
郁的计算机辅助诊断系统中被广泛应用的 4 种经典分类器中,它们是 BayesNet
(BN),logistic Regression (LR),k-Nearest-Neighbors (kNN),和 Random Forest
(RF),并将得到的分类准确率作为基线。这些分类器的参数均使用 Weka 中的
默认值,此外在 kNN 中 k 的取值为 1,5 和 10。考虑到以上 4 种分类器的输入
39
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
准确率%
Neu_blcok Emo_block
delta theta alpha beta gamma delta theta alpha beta gamma
Coh 57.22 50.00 51.67 56.67 61.53 53.47 54.86 51.94 57.78 61.94
Corr 47.08 49.03 46.81 51.39 52.64 48.19 47.78 47.50 51.39 47.78
PLV 53.19 50.00 49.03 58.61 60.14 54.31 53.75 49.17 53.06 50.97
PLI 54.72 52.08 52.50 54.03 53.75 56.39 51.67 51.81 53.61 51.25
表 5-4 显示,当功能连接度量以特征矢量的形式输入到经典分类器时,所
获得的识别率明显低于使用 CNN 获得的相干性,相关性和 PLV 的准确度。这
充分证明了当功能连接度量以二维数据的形式输入到 CNN 以进行分类时,我
们的方法与基线相比在分类准确性方面提供了改进。但是,这种改进没有出现
在情绪组的 PLI 中。
5.4.3 三通道功能连接矩阵的分类性能
对于每一种功能连接矩阵,我们使用在单波段中分类性能最好的三个波段
作为 R,G,B 通道来产生三通道图像。然后将这些图像输入到 CNN 中去学习
和分类。每种功能连接矩阵各自使用的波段在表 5-5 中列出。
表 5-5 在平静组和情绪组中每一种功能连接矩阵合成 3 通道图像所使用的波段
准确率 %
Coh Corr PLV PLI
Neu_block 78.39 71.68 71.54 63.12
Emo_block 80.74 66.93 65.80 53.63
粗体表示相比于单通道提升了的准确率
40
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
和图 5-6(f)中。相比于上述单通道的结果,综合 3 个波段信息的三通道功能
连接矩阵对平静组和情绪组的相干性和相关性的分类准确率有轻微的提升;虽
对 PLV 和 PLI 没有提升,但也跟合并前的单通道的结果相差无几。图 5-7 中示
出了相干性各个波段以及三通道的结果对比。
图 5-7 相干性各个波段以及三通道的结果对比
我们也将三通道策略应用在特征矢量形式的功能连接度量上。我们用表
5-5 中所示的 3 个波段的功能连接度量值形成 N×3 的特征矢量输入到四种经典
分类器中去分类。得到的分类准确率(四种分类器中最高的)如表 5-7 所示。
与表 5-4 所示的单波段经典分类器的准确率相比,并未显示出准确率上的提升。
说明功能连接度量的特征矢量形式在经典分类器中无法展现集成三通道的优势。
这也进一步证明了 CNN 与功能连接矩阵相结合的好处。
表 5-7 平静组和情绪组中功能连接矩阵的三通道矢量形式在 4 种经典分类器中得到的最
高准确率
准确率%
Coh Corr PLV PLI
Neu_block 57.92 51.81 49.72 54.03
Emo_block 54.72 46.81 53.47 51.39
5.4.4 讨论
在 5.4.1 节中我们比较了四种功能连接矩阵识别轻度抑郁的性能,结果显示
相干性在轻度抑郁识别中最有效。比对公式(2-15)和(2-18),我们发现 PLV
其实就是幅度归一化的相干性,但为何相干性的分类性能更好呢?对于相干性
和 PLV,研究人员分成了两大阵营。支持使用 PLV 的研究人员认为,PLV 反映
出的相位同步比相干性更为严格,因为后者混淆了相位差一致性和幅度相关性。
从数学的角度来看这一观点可能是正确的,但也有研究人员争辩,在没有幅度
相关性的时候,如果没有一致的相位差,那么得到有意义的非零相干性会变得
41
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
很难。比如,当观察到的互频谱密度估计值没有相位同步性时,即使存在完美
的振幅相关性,矢量平均值的期望值也将相对较小。另一方面,如果互频谱密
度的估计值具有很强的相位同步性,即使没有振幅相关性,其矢量平均值的期
望值仍然是可观的。除此之外,支持使用相干性的研究人员还认为,在相干性
中,具有较大幅值乘积的观测值将被赋予更强的权重,这意味着它们偏向那些
具有更高质量相位差估计值的观测值。这种观点假设较高的幅值反映了较高的
信噪比,因此相位估计的质量会更好[74]。因此基于支持相干性的观点,我们可
以推测出在使用 CNN 分类时,质量更好的相位估计导致相干性比 PLV 具有更
至于性能最差的 PLI,可能是因为 PLI 对选定的长度比较敏感[75],
好的分类性能。
而我们使用的 6s 长度不足以使 PLI 稳定。
通过对比表 5-3(单通道)和表 5-6(三通道)的结果,我们可以发现三通
道对相干性和相关性的准确率有轻微的提升,对 PLV 和 PLI 至少能达到和单通
道相近的准确率。我们猜想人的认知反应涉及到脑电的不同节律,使神经网络
学习几个综合的脑电频谱中蕴含的信息,似乎是一种合理的选择。但这一猜想
需要未来在其他数据集上进行进一步的验证。
5.5 本章小结
这一章首先介绍了用于深度神经网络输入的功能连接矩阵的转换,然后对
网络结构和网络训练过程进行了介绍。其次本章介绍了利用图论方法得到的一
些结果:1.对小世界属性的分析发现,抑郁症患者功能连接网络中的一些异常
组织也出现在轻度抑郁症患者中。具体而言,与健康对照组相比,轻度抑郁症
组的特征路径长度更长、聚类系数更低、小世界属性值更小,这表明轻度抑郁
症的脑功能网络偏离了小世界网络。2.单电极上平均聚类系数的统计分析表明,
两类人群功能脑网络上的差异主要集中在颞区、前额区以及右半球的顶枕区。
3.以 delta 波段相干性为例,对两组人群功能脑网络的差异进行可视化。可视化
结果显示差异主要分布在中央、颞区和右侧顶枕区,少部分在额叶。最后,介
绍了本文构建的另一个卷积神经网络模型。该模型使用 CNN 学习功能连接矩
阵中与轻度抑郁显著相关的信息从而更好地识别轻度抑郁,这是除图论之外的
一种利用功能连接矩阵进行抑郁识别的创新的方法。分类结果表明,相干性,
相关性和 PLV 可以使用 CNN 有效识别轻度抑郁症,并且相干性的识别性能优
于其他功能连接指标,获得了 80.74%的分类精度。这一方法可以为轻度抑郁症
提供辅助诊断,并具有广阔的前景。
42
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
第六章 总结和展望
6.1 本文的工作总结
抑郁症的早期诊断仍是一个巨大的挑战。一方面是由于缺乏对轻度抑郁的
足够重视,另一方面也因为临床医生凭借自己的经验和量表访谈进行诊治具有
很大的主观性。虽然已有研究提出了基于脑电这种客观生理信号的抑郁 CAD
系统,但鲜有研究涉及到轻度抑郁。本文针对轻度抑郁提出了两个基于脑电信
号和深度神经网络的识别模型。
鉴于深度神经网络在图像、视频、语音、文本等分类任务中取到的巨大成
功,本文提出了使用深度神经网络的轻度抑郁的 CAD 系统,并通过设计不同
的脑电输入形式探讨了脑电信号的各个方面(即频谱,空间和时间信息)在识
别轻度抑郁中的作用。我们发现脑电的频谱信息在轻度抑郁症识别中起主要作
用,而脑电的时间信息为准确性提供了统计学上的显著提高。本系统对轻度抑
郁症的识别率达到了 85.62%,可以有效地区分轻度抑郁和正常人。所有结果均
通过 24 折交叉验证评估,根据被试划分训练集和测试集,以避免由于个体差异
对分类结果的影响而导致的虚高的准确率。通过这项工作,我们可以相信深度
神经网络可能是解决包括抑郁症等神经系统疾病早期诊断问题的关键。
抑郁症的功能成像研究表明抑郁患者的脑功能连通性出现异常改变,通过
图论分析,本文发现抑郁症患者功能连接网络中的一些异常组织也出现在轻度
抑郁症患者中。具体而言,与健康对照组相比,轻度抑郁症组的特征路径长度
更长,聚类系数更低,这表明轻度抑郁的脑功能网络偏离了小世界网络。衡量
功能连接性的各种指标的计算结果是一种二维网格数据结构,这似乎可以成为
CNN 的一种很合适的输入形式。于是本文了提出了另一种计算机辅助诊断方法,
通过该方法,可以使用 CNN 来学习功能连接矩阵中与轻度抑郁有关的信息并
对轻度抑郁进行识别。这是一种除图论之外的使用功能连接矩阵进行抑郁识别
的创新方法。该方法的分类结果表明,相干性,相关性和 PLV 可以使用 CNN
有效地识别轻度抑郁,并且相干性的识别性能优于其他功能连接性指标,获得
了 80.74%的分类精度。
本文提出的两种基于神经网络的轻度抑郁的 CAD 系统可以为轻度抑郁提
供辅助诊断,并具有广阔的前景。
43
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
6.2 研究展望
尽管本研究展现了优势,但它有一些局限性值得讨论。首先,除了本研究
中使用的功能接指标外,还有其他各种可用的连通性度量,例如虚部相干性(the
imaginary part of coherency)[76],部分有向相干性(partial directed coherence)[77],
相位斜率指数(phase slope index)[78]等,对于这些指标和它们在检测精神疾病
(例如抑郁症)中的能力会在未来进行进一步的研究。其次,我们使用了全部
的 128 对电极生成的功能连接性度量,未来有必要进一步探讨哪些电极最明显
地决定了健康对照者与轻度抑郁者之间的功能连通性矩阵差异,这将允许更大
程度地减少用于分类的电极数量,并为实时在线抑郁检测奠定基础。未来还将
继续尝试不同的深度神经网络架构,探索更多适合于深度神经网络的脑电表示
形式和脑电特征,使深度神经网络在神经信号分类领域也展现出竞争性的性能。
44
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
参考文献
[1] Brundtland G H. Mental Health: New Understanding, New Hope [J]. 2001, 286(19):
2391-2391.
[2] Volz H-P, Laux P. Potential treatment for subthreshold and mild depression: a comparison of St.
John's wort extracts and fluoxetine [J]. Comprehensive psychiatry, 2000, 41(2): 133-137.
[3] Beck A T, Steer R A, Ball R, et al. Comparison of Beck Depression Inventories-IA and-II in
psychiatric outpatients [J]. Journal of personality assessment, 1996, 67(3): 588-597.
[4] Hosseinifard B, Moradi M H, Rostami R. Classifying depression patients and normal subjects
using machine learning techniques; proceedings of the Electrical Engineering (ICEE), 2011
19th Iranian Conference on, F, 2011 [C]. IEEE.
[5] Mohammadi M, Al-Azab, F., Raahemi, B., Richards, G., Jaworska, N., Smith, D., ... & Knott, V.
Data mining EEG signals in depression for their diagnostic value. [J]. BMC medical informatics
and decision making, 2015, 15(1).
[6] Cai H, Han J, Chen Y, et al. A Pervasive Approach to EEG-Based Depression Detection [J].
Complexity, 2018, 2018.
[7] Hosseinifard B, Moradi M H, Rostami R. Classifying depression patients and normal subjects
using machine learning techniques and nonlinear features from EEG signal [J]. Computer
methods and programs in biomedicine, 2013, 109(3): 339-345.
[8] Bachmann M, Päeske L, Kalev K, et al. Methods for classifying depression in single channel
EEG using linear and nonlinear signal analysis [J]. Computer Methods & Programs in
Biomedicine, 2017, 155: 11.
[9] Mohammadi Y, Hajian, M., & Moradi, M. H. Discrimination of Depression Levels Using
Machine Learning Methods on EEG Signals [M]. 2019 27th Iranian Conference on Electrical
Engineering (ICEE). 2019: 1765-1769.
[10] Lubar J F, Congedo M, Askew J H. Low-resolution electromagnetic tomography (LORETA) of
cerebral activity in chronic depressive disorder [J]. International Journal of Psychophysiology,
2003, 49(3): 175-185.
[11] Saletu B, Anderer P, Saletu-Zyhlarz G M. EEG Topography and Tomography (LORETA) in
Diagnosis and Pharmacotherapy of Depression [J]. Clinical Eeg & Neuroscience, 41(4):
203-210.
[12] Arns M, Bruder G, Hegerl U, et al. EEG alpha asymmetry as a gender-specific predictor of
outcome to acute treatment with different antidepressant medications in the randomized
iSPOT-D study [J]. Clinical Neurophysiology: S1388245715006732.
45
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
[13] Jesulola E, Sharpley C F, Agnew L L. The effects of gender and depression severity on the
association between alpha asymmetry and depression across four brain regions [J]. Behavioural
Brain Research, 321: 232-239.
[14] Smith E E, Cavanagh J F, Allen J J B. Intracranial source activity (eLORETA) related to
scalp-level asymmetry scores and depression status [J]. Psychophysiology.
[15] Hu L, Xiao M, Ai M, et al. Disruption of resting-state functional connectivity of right posterior
insula in adolescents and young adults with major depressive disorder [J]. Journal of affective
disorders, 2019, 257: 23-30.
[16] Zhong X, Pu W, Yao S. Functional alterations of fronto-limbic circuit and default mode network
systems in first-episode, drug-naive patients with major depressive disorder: a meta-analysis of
resting-state fMRI data [J]. Journal of affective disorders, 2016, 206: 280-286.
[17] Ajilore O, Vizueta N, Walshaw P, et al. Connectome signatures of neurocognitive abnormalities
in euthymic bipolar I disorder [J]. Journal of Psychiatric Research, 68: 37-44.
[18] Andrew C, Pfurtscheller G. Event-related coherence as a tool for studying dynamic interaction
of brain regions [J]. Electroencephalography and clinical neurophysiology, 1996, 98(2):
144-148.
[19] Pfurtscheller G, Andrew C. Event-related changes of band power and coherence: methodology
and interpretation [J]. Journal of clinical neurophysiology, 1999, 16(6): 512.
[20] Zhang M, Zhou H, Liu L, et al. Randomized EEG functional brain networks in major depressive
disorders with greater resilience and lower rich-club coefficient [J]. Clinical Neurophysiology,
2018, 129(4): 743-758.
[21] Mormann F, Lehnertz K, David P, et al. Mean phase coherence as a measure for phase
synchronization and its application to the EEG of epilepsy patients [J]. Physica D: Nonlinear
Phenomena, 2000, 144(3-4): 358-369.
[22] Stam C J, Nolte G, Daffertshofer A. Phase lag index: assessment of functional connectivity
from multi channel EEG and MEG with diminished bias from common sources [J]. Human
brain mapping, 2007, 28(11): 1178-1193.
[23] Li X, Jing Z, Hu B, et al. A Resting-State Brain Functional Network Study in MDD Based on
Minimum Spanning Tree Analysis and the Hierarchical Clustering [J]. Complexity, 2017, 2017.
[24] Li Y, Cao D, Wei L, et al. Abnormal functional connectivity of EEG gamma band in patients
with depression during emotional face processing [J]. Clinical Neurophysiology, 2015, 126(11):
2078-2089.
[25] Kasakawa S, Yamanishi T, Takahashi T, et al. Approaches of Phase Lag Index to EEG Signals in
Alzheimer’s Disease from Complex Network Analysis [M]. 2016.
[26] Ghuman A S, Honert R N V D, Huppert T J, et al. Aberrant oscillatory synchrony is biased
towards specific frequencies and processing domains in the autistic brain [J]. 2017, 2(3): 245.
46
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
47
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
[44] Lachaux J P, Rodriguez E, Martinerie J, et al. Measuring phase synchrony in brain signals [J].
Human brain mapping, 1999, 8(4): 194-208.
[45] Bruns A. Fourier-, Hilbert- and wavelet-based signal analysis: are they really different
approaches? [J]. Journal of Neuroscience Methods, 2004, 137(2): 321-332.
[46] Humphries M D, Gurney K, Prescott T J. The brainstem reticular formation is a small-world,
not scale-free, network [J]. Proceedings of the Royal Society B: Biological Sciences, 2005,
273(1585): 503-511.
[47] Rubinov M, Sporns O. Complex network measures of brain connectivity: uses and
interpretations [J]. Neuroimage, 2010, 52(3): 1059-1069.
[48] Gong X, Huang Y-X, Wang Y, et al. Revision of the Chinese facial affective picture system [J].
Chinese mental health journal, 2011.
[49] Ferree T C, Luu, P., Russell, G. S., & Tucker, D. M. Scalp electrode impedance, infection risk,
and EEG data quality. [J]. Clinical Neurophysiology, 2001, 112(3): 536-544.
[50] Vigário R N. Extraction of ocular artefacts from EEG using independent component analysis [J].
Electroencephalography and clinical neurophysiology, 1997, 103(3): 395-404.
[51] Grin-Yatsenko V A, Baas I, Ponomarev V A, et al. Independent component approach to the
analysis of EEG recordings at early stages of depressive disorders [J]. Clinical Neurophysiology,
2010, 121(3): 281-289.
[52] Al-Rfou R, Alain G, Almahairi A, et al. Theano: A Python framework for fast computation of
mathematical expressions [J]. arXiv preprint arXiv:160502688, 2016, 472: 473.
[53] Glorot X, Bengio Y. Understanding the difficulty of training deep feedforward neural networks;
proceedings of the Proceedings of the thirteenth international conference on artificial
intelligence and statistics, F, 2010 [C].
[54] Hinton G E, Srivastava N, Krizhevsky A, et al. Improving neural networks by preventing
co-adaptation of feature detectors [J]. arXiv preprint arXiv:12070580, 2012.
[55] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural
networks; proceedings of the Advances in neural information processing systems, F, 2012 [C].
[56] Plis S M, Hjelm D R, Salakhutdinov R, et al. Deep learning for neuroimaging: a validation
study [J]. Frontiers in neuroscience, 2014, 8: 229.
[57] Li X, Hu B, Sun S, et al. EEG-based mild depressive detection using feature selection methods
and classifiers [J]. Computer methods and programs in biomedicine, 2016, 136: 151-161.
[58] Witten I H, Frank E, Trigg L E, et al. Weka: Practical machine learning tools and techniques
with Java implementations [J]. 1999.
[59] Knott V, Mahoney C, Kennedy S, et al. EEG power, frequency, asymmetry and coherence in
male depression [J]. Psychiatry Research: Neuroimaging, 2001, 106(2): 123-140.
48
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
[60] Cecotti H, Graser A. Convolutional neural networks for P300 detection with application to
brain-computer interfaces [J]. IEEE transactions on pattern analysis and machine intelligence,
2011, 33(3): 433-445.
[61] Leppänen J M, Milders M, Bell J S, et al. Depression biases the recognition of emotionally
neutral faces [J]. Psychiatry research, 2004, 128(2): 123-133.
[62] Thomas K M, Drevets W C, Whalen P J, et al. Amygdala response to facial expressions in
children and adults [J]. Biological psychiatry, 2001, 49(4): 309-316.
[63] Watts D J, Strogatz S H. Collective dynamics of ‘small-world’networks [J]. nature, 1998,
393(6684): 440.
[64] Leistedt S J, Coumans N, Dumont M, et al. Altered sleep brain functional connectivity in
acutely depressed patients [J]. Human brain mapping, 2009, 30(7): 2207-2219.
[65] Bai F, Shu N, Yuan Y, et al. Topologically convergent and divergent structural connectivity
patterns between patients with remitted geriatric depression and amnestic mild cognitive
impairment [J]. Journal of Neuroscience, 2012, 32(12): 4307-4318.
[66] Hecht D. Depression and the hyperactive right-hemisphere [J]. Neuroscience research, 2010,
68(2): 77-87.
[67] Drevets W C, Videen T O, Price J L, et al. A functional anatomical study of unipolar depression
[J]. Journal of Neuroscience, 1992, 12(9): 3628-3641.
[68] Jin C, Gao C, Chen C, et al. A preliminary study of the dysregulation of the resting networks in
first-episode medication-naive adolescent depression [J]. Neuroscience letters, 2011, 503(2):
105-109.
[69] Lee A L, Ogle W O, Sapolsky R M. Stress and depression: possible links to neuron death in the
hippocampus [J]. Bipolar disorders, 2002, 4(2): 117-128.
[70] Davidson R J. What does the prefrontal cortex “do” in affect: perspectives on frontal EEG
asymmetry research [J]. Biological psychology, 2004, 67(1-2): 219-234.
[71] Ochsner K N, Bunge S A, Gross J J, et al. Rethinking feelings: an FMRI study of the cognitive
regulation of emotion [J]. Journal of cognitive neuroscience, 2002, 14(8): 1215-1229.
[72] Knyazev G G. EEG delta oscillations as a correlate of basic homeostatic and motivational
processes [J]. Neuroscience & Biobehavioral Reviews, 2012, 36(1): 677-695.
[73] Davis J, Goadrich M. The relationship between Precision-Recall and ROC curves; proceedings
of the Proceedings of the 23rd international conference on Machine learning, F, 2006 [C]. ACM.
[74] Bastos A M, Schoffelen J-M. A tutorial review of functional connectivity analysis methods and
their interpretational pitfalls [J]. Frontiers in systems neuroscience, 2016, 9: 175.
[75] Fraschini M, Demuru M, Crobe A, et al. The effect of epoch length on estimated EEG
functional connectivity and brain network organisation [J]. Journal of neural engineering, 2016,
13(3): 036015.
49
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
[76] Nolte G, Bai O, Wheaton L, et al. Identifying true brain interaction from EEG data using the
imaginary part of coherency [J]. Clinical neurophysiology, 2004, 115(10): 2292-2307.
[77] Baccalá L A, Sameshima K. Partial directed coherence: a new concept in neural structure
determination [J]. Biological cybernetics, 2001, 84(6): 463-474.
[78] Nolte G, Ziehe A, Nikulin V V, et al. Robustly estimating the flow direction of information in
complex physical systems [J]. Physical review letters, 2008, 100(23): 234101.
50
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
附录
GSN-128 电极放置标准
51
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
E43,E44,E45,E46,E48,E49,E50,E51,E56,E57,E58,E63;
右颞区(right temporal region, RT),17 个电极:E122,E116,E121,E115,
E109,E120,E114,E108,E102,E119,E113,E101,E97,E107,E00,E96,
E99;
左中央区(left central region, LC),16 个电极:E7,E13,E20,E28,E29,
E30,E31,E35,E36,E37,E41,E42,E47,E52,E53,E54;
右中央区(right central region, RC),16 个电极:E106,E112,E118,E117,
E111,E105,E80,E110,E104,E87,E103,E93,E98,E92,E86,E79;
左顶枕区(left parietal-occipital region, LPO),13 个电极:E59,E60,E61,
E64,E65,E66,E67,E68,E69,E70,E71,E73,E74;
右顶枕区(right parietal-occipital region, RPO),13 个电极:E91,E85,E78,
E95,E90,E84,E77,E94,E89,E83,E76,E88,E82。
52
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
在学期间的研究成果
一、发表论文
1. Xiao-Wei Li, Rong La, Ying Wang, Bin Hu, and Xue-min Zhang. A deep learning approach
for mild depression recognition based on functional connectivity using
Electroencephalography[J]. Frontiers in Neuroscience, 2020, 14:192. DOI:
10.3389/fnins.2020.00192. (SCI, EI)
2. Xiao-Wei Li, Rong La*, Ying Wang, Jun-Hong Niu, Shuai Zeng, Sun-Ting Sun, and Jing
Zhu. EEG-based mild depression recognition using convolutional neural network[J].
Medical & biological engineering & computing, 2019, 57(6): 1341-1352. DOI:
https://xs.scihub.ltd/https://doi.org/10.1007/s11517-019-01959-2. (SCI, EI)
3. Jing Zhu, Ying Wang, Rong La, Jia-Wei Zhan, Jun-Hong Niu, Shuai Zeng, and Xi-Ping Hu.
Multimodal Mild Depression Recognition Based on EEG-EM Synchronization Acquisition
Network[J]. IEEE Access, 2019,7: 28196-28210. DOI: 10.1109/ACCESS.2019.2901950.
(SCI, EI).
4. Sun-Ting Sun, Xiao-Wei Li, Jing Zhu, Ying Wang, Rong La, Xue-Min Zhang, Liu-Qing
Wei, and Bin Hu*. Graph Theory Analysis of Functional Connectivity in Major Depression
Disorder With High-Density Resting State EEG Data[J]. IEEE Transactions on Neural
Systems and Rehabilitation Engineering, 2019, 27(3): 429-439. DOI:
10.1109/TNSRE.2019.2894423. (SCI, EI).
5. Jing Yang, Jun-Hong Niu, Shuai Zeng, Ying Wang, Rong La, Wan-Deng Mao, Han-Shu Cai.
Resting state EEG based depression recognition research using voting strategy method[C].
2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 2018:
2666-2673. DOI: 10.1109/BIBM.2018.8621088. (SCI, EI).
二、参与课题
1. 基于生物、心理多模态信息的潜在抑郁风险预警理论与生物传感关键技术研究
(2014CB744600)。
2. 基于注意神经机制的可计算模型研究(61632014)
。
53
兰州大学硕士学位论文 基于脑电信号和深度神经网络的轻度抑郁识别研究
致 谢
时光飞逝,兰州大学的本硕七年时光是我人生中既重要又幸运的存在,让
我一路经历,一路成长。这段难忘的求学经历使我能以更宽广的眼界和更坚定
的勇气面对今后的人生,也让我更明白“自强不息,独树一帜,坚守奋斗”的
意义。
感谢求学期间每一个给过我温暖和力量的人。感谢我的导师胡斌教授,您
渊博的学识、严谨的治学态度、独特的人格魅力深深地感染了我,对我的学习、
工作、生活影响深远。感谢您为我们提供优质的平台和资源,在学期间我参与
了实验室的“973”项目和自然科学基金项目,在项目过程中,我的科研能力、
团队协作能力、抗压能力都得到了锻炼与提升。感谢我的组长李小伟老师,您
的细心指导在我迷茫困惑时提供了很大的帮助,使我的科研工作能够顺利开展,
感谢您在百忙之中抽出宝贵时间帮我修改论文,让我的论文得以顺利发表。感
谢实验室的师兄师姐积累的科研成果给我启发,感谢师弟师妹的帮助与鼓励给
我力量。感谢我的家人,你们是我的坚强后盾与精神支柱,你们的无私付出、
理解和鼓励是我不断前进的动力,让我一次次克服困难,勇敢前行。特别感谢
同窗七年的王颖同学,每当我科研进展不顺总会和我一起寻找新思路,每当我
因为压力太大难以调节总会耐心开导我。
人生匆匆,幸运的是,我们曾相遇。愿我们穿越四季看遍风景,依然保持
初心。
54