学校代码：10730

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

论文工作时段 2019 年 3 月至 2020 年 3 月

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

BASED ON EEG SIGNALS USING DEEP NEURAL

NETWORKS

Abstract

Studies based on Electroencephalography (EEG) focus on the use of data

mining methods for depression recognition, while those on mild depression are yet
in infancy, especially in effective monitoring and quantitative measurement. For the
recognition of mild depression, this study proposed two computer-aided detection
(CAD) models using Convolutional Neural Network (CNN).
This study used EEG data from 24 mildly depressed and 24 healthy control
college students during the emotional face browsing task. In the first model, a deep
neural network mild depression recognition model based on EEG power features,
inspired by the great success of CNN in the field of image recognition, the model
converted EEG time-series signals into RGB three-channel image form as the input
of deep neural networks. EEG signals contain spectral, spatial, and temporal
information. The spectral features are usually studied using spectrogram of the
signal, so the power features of the EEG are extracted in this study. The spatial
information of the EEG is reflected by the electrode positions, which are distributed
in three-dimensional space. For the convenience of processing, the Azimuthal
equidistant projection (AEP) is used to project the three-dimensional electrode
position onto a two-dimensional plane to form an image to retain the spatial
information of the EEG. The EEG time-series signal reflects the temporal evolution
of brain activity. To this end, this study divided a trial into multiple frames with a
length of one second, and explained the time evolution of the EEG signal through
the sequence of frames. In order to explore the role of different aspects of EEG
information in the recognition of mild depression, different input forms were
designed for the recognition model: the EEG power is organized into a feature
vector form to explore the role of EEG spectral information. The power of the
corresponding electrode is filled into the electrode projection image, so that it

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

第二章 深度学习算法及图论理论基础 ................................................9

2.1 深度学习算法基础......................................................................................... 9
2.1.1 卷积神经网络.......................................................................................... 9
2.1.2 长短时记忆网络..................................................................................... 11

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

第三章 实验设计与数据采集 ..............................................................16

3.1 被试对象....................................................................................................... 16

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

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 ......29

5.1 输入............................................................................................................... 29

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

5.4 CNN 分类结果 .............................................................................................. 38

5.4.1 CNN 对四种功能连接矩阵的分类性能 ............................................... 38
5.4.2 我们的 CNN 方法和经典分类算法的对比 ......................................... 39
5.4.3 三通道功能连接矩阵的分类性能........................................................ 40
5.4.4 讨论........................................................................................................ 41

5.5 本章小结....................................................................................................... 42

第六章 总结和展望 ..............................................................................43

6.1 本文的工作总结........................................................................................... 43

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

1.2.1 基于脑电信号的抑郁症的 CAD 系统

已有很多基于脑电信号的抑郁症的 CAD 系统，大致可分为以下几类：基

于频带功率的，基于 alpha 不对称性指数的，基于脑电的信号特征的，我们在
表 1-1 中列出了部分具有代表性的研究。
表 1-1 基于脑电信号功率和信号特征的部分研究总结

作者 数据 使用的特征 分类器 最高准确

率
基于功率
Hosseinifard 40 名抑郁和 theta，alpha，beta 以及全波 LR 68.8%
等人，2011 40 名健康被 段的功率谱 SVM 71.7%
年 试，闭眼静息 留一个被试的交
态 叉验证
Mohammadi 53 名重度抑 delta（1-4Hz），theta LDA+delta 82%
等人，2015 郁患者和 43 （4-8Hz），alpha1 LDA+alpha1,beta, 90%
年 名健康对照 （8-10.5Hz），alpha2 delta,theta
（10.5-13 Hz），alpha（8-13
Hz）和 beta（13-30 Hz）的
功率
Cai 等人， 92 名抑郁和 theta 和 beta 波段的绝对功 KNN，10 折交叉 79.27%
2018 年 121 名对照 率 验证
基于信号特征
Moradi 等人， 45 名抑郁和 去趋势波动分析，higuchi LR+相关维数 83.3%
2013 年 45 名对照 分形，相关维数，Lyapunov LR+四个非线性 90%
指数 特征
Bachmann 等 13 名抑郁和 SAI, APV, RGP, HFD, 单个线性 81%
人，2018 年 13 名对照 DFA, LZC 单个非线性 77%
两个线性 88%
两个非线性 85%
LR，留一验证
Mohammadi 60 名不同抑 模糊熵 FFNN 87.5％
等人，2019 郁水平受试者
年 （正常，重度）
在基于频带功率的研究中，Hosseinifard 等[4]计算了来自 40 个抑郁症患者
和 40 个正常被试 theta、alpha、beta 三个波段以及全波段的功率谱，在逻辑回
归（logistic regression, LR）和线性支持向量机（support vector machine, SVM）

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

上的分类准确度分别达到了 68.8％和 71.7％。Mohammadi 等人[5]采集了 53 名

重度抑郁患者和 43 名健康对照的静息态脑电信号，将执行快速傅里叶变换（fast
Fourier transform, FFT）计算得到的 delta（1-4Hz），theta（4-8Hz），alpha1
（8-10.5Hz），alpha2（10.5-13Hz），alpha（8-13Hz）和 beta（13-30Hz）的功
率作为特征，并用遗传算法进行特征选择，线性判别分析（linear discriminant
analysis, LDA）作为分类器。仅使用单一波段时，最高准确率在 delta 波段上为
82%；当使用全部波段的特征时，最高可获得 90%的准确率。Cai 等人[6]采集
92 名抑郁和 121 名正常人在正性音频刺激下的三导（Fp1, Fp2, Fpz）脑电信号，
最终利用 theta 和 beta 波段的绝对功率在 k 近邻（k-nearest neighbor, KNN）分
类器上获得最高 79.27%的准确率。
基于信号特征的研究中，Hosseinifard 等人[7]从 45 名未经治疗的抑郁症患
者和 45 名正常对照的 EEG 信号中提取了四种非线性特征，去趋势波动分析
（detrended fluctuation analysis, DFA），higuchi 分形（higuchi fractal），相关
维数（correlation dimension）和 Lyapunov 指数（Lyapunov exponent），其中相
关维数和 LR 分类器的组合达到了 83.3％的最高精度，4 种非线性特征的组合
在 LR 分类器中达到了 90％的精度。Bachmann 等人[8]使用 13 名未经治疗的抑
郁患者和 13 名性别、年龄匹配的健康对照的 33 个通道的脑电信号，计算了各
通道的 3 种线性特征，频谱不对称指数（spectral asymmetry index, SASI）、alpha
功率变异性（alpha power variability, APV）和相对 gamma 功率（relative gamma
power, RGP），以及 3 种非线性特征，分形维数（Higuchi's fractal dimension，
HFD），DFA 和 LZ 复杂度（Lempel-Ziv complexity, LZC）。使用 LR 分类器
和留一交叉验证，在线性和非线性特征上的准确率为：单个特征最高是 81%和
77%；使用其中两个特征组合是 88%和 85%。Mohammadi 等人[9]采集了 60 名
不同抑郁程度（正常，轻度，中度，重度）被试的脑电信号，使用自己提出的
基于神经网络的模糊函数（fuzzy function based on neural network, FFNN）分类
器在对正常和重度抑郁分类时在模糊熵（fuzzy entropy）特征上获得了 87.5%的
准确率。
alpha 不对称性是相对半球活动的度量，用左半球 alpha 功率减去右半球
alpha 功率所得，这个值为正也就是左半球 alpha 的功率大于右半球时表示左侧
活动比右侧活动少。一些研究表明比右侧更少的左侧 alpha 活动可以预测抑郁，
但这些发现却不太一致。有研究发现抑郁的左额叶 alpha 活动减少[10]，有的研
究却发现抑郁的右额叶活动增多[11]，也有研究发现抑郁的左额叶活动减少同时
右额叶活动增强[12]。除此之外，alpha 不对称性跟性别的关系也存在不一致。
Jesulola 等人[13]发现在抑郁女性中才存在 alpha 不对称性的显著差异，而 Smith
3
 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

等人[14]却发现性别在 alpha 不对称性上没有差异。

1.2.2 基于功能连接的抑郁识别研究

除上述表中所列的抑郁 CAD 方法外，近年来越来越多对抑郁症的功能成

像研究表明这种心理病理学可能与大脑功能连接性的变化有关。相比于健康对
照，抑郁病人右后岛与一系列感觉皮层之间的功能连接性明显降低[15]，颞上回、
后扣带回的活动减弱[16]以及次下扣带-丘脑的连接性增加[17]。衡量大脑功能连
接性的指标有相干性（coherence）[18, 19]、相关性（correlation）[20]、锁相值（phase
locking value, PLV）[21]、相位滞后指数（phase lag index, PLI）[22]等多种指标。
Li 等人[23]利用静息态脑电的相干性发现重度抑郁患者在 theta 波段的相干性显
著高于健康对照，在另一项使用 EEG 相干性研究抑郁症患者和健康对照在处理
情绪刺激时功能脑网络差异的研究中，作者发现抑郁病人 gamma 波段的全局相
干性显著高于健康对照[24]。Zhang 等人[20]使用相关性矩阵构建了健康对照和重
度抑郁患者的功能脑网络发现重度抑郁患者表现出全局网络指标的随机性。
PLV 和 PLI 虽然很少发现于现有抑郁症的研究，但在阿尔茨海默症（Alzheimer's
disease, AD），自闭症谱系障碍（autism spectrum disorder, ASD）中也用于功能
连接研究。Kasakawa 等人[25]发现 AD 在 beta 波段的 PLI 值低于健康对照。
Ghuman 等人[26]使用 PLV 发现 ASD 的 alpha 波段的连接性降低。在研究[27]中作
者利用 PLI 在 14 个月大的家族性 ASD 高风险婴儿的脑电数据中观察到 alpha
频率范围内的早期超连接性。虽然这些指标从不同角度衡量大脑的功能连接，
但有一个共同点就是计算出来的结果是一个对称的二维矩阵。以往的功能连接
研究主要利用图论方法处理功能连接矩阵。但这种二维网络数据结构似乎可以
在擅长处理网格结构数据的 CNN 中发挥用武之地。

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

用短时傅里叶变换将脑电时间序列转换成二维图像，然后将一维 CNN 和堆栈

自编码器组合在一起对脑电运动想象信号进行分类，比已有的最好方法提升了
9%的准确率。Bashivan 等人[29]提出了一种新的脑电信号表示方法，该信号可以
保留脑电空间，时间和频域的结构。在这种方法中，使用方位角等距投影
（azimuthal equidistant projection, AEP）[30]将三维电极位置投影到二维表面上，
并为每个位置提取 theta、alpha、beta 三个显著频段上的功率，形成地形图，随
后将三个频段上的地形图组合以形成三通道 RGB 图像，然后将这些图像输入
到卷积循环神经网络（recurrent-convolutional neural network, RCNN）中进行认
知负荷任务中的分类。

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

准确性分别为 97.6％，98.4％和 96.8％。Shen 等[34]对轻度抑郁和正常对照的大

学生的脑电信号进行分类，在 kNN 分类器上，通过 10 折交叉验证评估方法获
得的最高分类精度为 99.1％。他们之所以获得如此高的分类准确率是因为在他
们使用的交叉验证中将训练集和测试集随机进行了划分。在本文的第四章中，
我们在自己采集的数据上，比较了严格按照被试划分训练集和测试集与 10 折交
叉验证随机划分训练集和测试集获得的结果。
上述基于脑电信号的诊断研究都是针对抑郁或重度抑郁的，针对轻度抑郁
症的研究相对较少，早期诊断仍然是抑郁症的重大挑战。因此，本文的目的旨
在构建基于深度神经网络的轻度抑郁的 CAD 系统，设计适合于深度神经网络
的脑电信号表示形式，以期得到比传统机器学习分类算法更好的识别效果。

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

卷积神经网络（Convolutional Neural Network, CNN）是一种前馈型神经网

络，受生物自然视觉认知机制启发而来，是具有几个卷积池化层对并在输出端
有全连接层的多层神经网络，它在处理具有类似网络结构的数据时具有其独有
的优势。CNN 包含以下几部分，在下面分别进行简要介绍。
（1）卷积层
对于一维数据输入，卷积运算可以通过下式表示：
s(t ) = ( x  w)(t ) (2-1)

其中， x 叫做输入， w 叫做卷积核，t 为卷积的不同时刻。当输入数据为二

维时，卷积核相应的也要变为二维：
S (i, j ) = ( I  K )(i, j ) = m n I (m, n) K (i − m, j − n) (2-2)

其中 I 表示卷积的输入，K 表示二维卷积核， i 和 j 表示卷积的两个维度。

当卷积运算具有多个通道的输入和输出时，例如输入数据 x 具有 K 个通道，具
有权重 W 的 K ' 个卷积核，则产生 K ' 个输出 y ，如下式所示：
yi' j'k ' =  wijkk ' xi +i' , j + j' ,k (2-3)
ijk

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)

其中 yi 是样本的真实标签， yi 是预测值， pi 是 softmax 计算出的类别 i 的

概率值，k 是类别数，N 是样本总数。
（6）优化算法
通过优化算法对上述损失函数进行优化可以训练出最好的模型。梯度下降
法是最常用的一种优化算法，核心思想是在当前位置寻找梯度下降最快的方向，
并沿着这个方向更新参数的值来逐步逼近目标函数的最优值。梯度下降算法根
据参与梯度计算的样本数的不同可以分为批量梯度下降（Batch gradient descent,
BGD）、随机梯度下降（Stochastic gradient descent, SGD）和小批量梯度下降
（Mini-batch gradient descent）。BGD 使用整个训练集计算目标函数的梯度并更
新参数，每更新一次参数需要计算整个数据集，所以计算十分缓慢且难以存放
在内存中计算。SGD 一次只用一个样本进行目标函数梯度计算，计算非常快适

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

循环神经网络（Recurrent Neural Network, RNN）主要用于处理和预测序列

数据，刻画一个序列当前的输出与之前信息的关系。不同于 CNN 中隐藏层节
点之间无连接，RNN 的隐藏层节点之间是有连接的，它会记忆之前的信息，并
利用这些信息来影响后面节点的输出。所以 RNN 中隐藏层的输入不仅包括输
入层的输出，还包括上一时刻隐藏层的输出，如图 2-1 所示。在每一个时刻 t，
RNN 的模块 A 会读取输入 X t ，并结合当前的状态输出 ht ，同时 A 的状态会传
递到下一步。因此，RNN 可以看成是同一个神经网络结构在时间序列上复制了
多次，该结构称为循环体。
理论上，RNN 可以处理任意长度的序列，但在实际中，过长的序列会导致
优化时出现梯度消散或梯度爆炸问题，为了减少学习长期依赖的困难，Step
Hochreiter 和 Jürgen Schmidhuber 于 1997 年提出了长短时记忆单元（long short
term memory, LSTM）[42]作为 RNN 的循环体，它是一种具有三个“门”结构的
特殊网络结构。LSTM 通过“门”结构让信息有选择性地影响 RNN 中每个时
刻的状态。
“遗忘门”决定哪一部分信息需要被遗忘。将上一时刻输出 ht −1 和当前的
输入 xt 连接成一个新的矢量，再乘以门的权重参数 W f 之后，用 sigmoid 操作将
输出向量 f t 缩放到 0 到 1 之间。 f t 用作决策向量，通过和上一时刻状态 Ct −1 相
乘决定保留 Ct −1 中的哪些信息。遗忘门的输出 f t 用公式（8）表示：
ft =  (W f   ht −1 , xt  + b f ) (2-9)

“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

信息被决策矢量 it 输出，it 与 Ct ' 相乘后确定了最终加入到当前状态的更新信息：

it =  (Wi   ht −1 , xt  + bi ) (2-10)

Ct ' = tanh(Wc   ht −1 , xt  + bc ) (2-11)

所以，当前状态 Ct 是 Ct −1 的历史保留信息和从 Ct ' 选择的更新信息的组合：

Ct = Ct −1  ft + Ct ' it (2-12)

“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)

图 2-1 LSTM 单元的详细结构

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

量结果是一个对称的二维矩阵。两个 EEG 信号之间的高相干性反映了同步的神

经元振荡（表明神经群体之间的功能整合性），而低相干性则表明独立活动的神
经群体（表明功能隔离性）[43]。
相干性被定义为由它们的功率谱归一化的两个信号之间的频谱互相关。在
数学上计算为：
1 n i ( ( f , k ) − y ( f , k ) )

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 

其中 n 表示每个 trial 包含的数据点数，A 和 φ 分别表示信号的振幅和相

位。分子项表示在频率 f 下信号 x 和 y 之间在单个 trial 上的互频谱密度，分母
则表示在频率 f 下信号 x 和 y 各自谱估计的乘积的平方根。
可以将相干性简明地定义为：
| Sxy( f ) |
Cohxy ( f ) = (2-16)
Sxx( f ) Syy( f )

其中， Sxy( f ) 是信号的互频谱密度， Sxx( f ) 和 Syy( f ) 分别是信号 x 和 y 的

功率谱密度。Cohxy 的值始终满足 0  Cohxy ( f )  1 ，其中 0 表示两信号间无耦合，
而 1 表示两个信号之间的最大线性相关性。
（2）相关性
相关性（Correlation）也是一种计算功能连接矩阵的方法。它用于估计时
域中两个电极通道之间的线性相关性水平。由下式给出：
Cov( x, y )
Corrxy = (2-17)
 x y

其中 Cov（x，y）是电极 x 和 y 之间的协方差，σx 和σy 分别是电极 x 和

电极 y 的标准差。Corrxy 的值在[-1, 1]之间，如果 Corrxy > 0，则表示双通道信号
正相关，否则，表示双通道信号为负相关。Corrxy 的绝对值越大，相关性越强。
（3）锁相值
锁相值（Phase Locking Value, PLV）假定信号幅度和相位在统计上是独立
的，并且仅使用相位同步来估计两个 EEG 信道信号之间的可能的功能相互作用。
当将用于计算相干性的公式（式子 15）应用于幅度归一化的傅里叶变换信号时，
我们便得到了锁相值（PLV）[44]：

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

PLV 的值在[0, 1]之间，其中 1 表示完美的相位同步，0 表示无同步。

（4）相位滞后指数
相位滞后指数（Phase Lag Index, PLI）[22]是衡量两个通道脑电信号相位差
分布的不对称性的指标，PLI 定义为：
1 n
PLI xy ( f ) =|  k =1 sign(x ( f , k ) −  y ( f , k )) | (2-19)
n
其中 n 是数据点的数量， x ( f , k ) − y ( f , k ) 代表通道 x 和 y 的信号在频率 f
下的相位同步。为了计算相位同步，必须要知道两个信号的瞬时相位，这可以
使用基于希尔伯特变换的分析信号[45]来实现。PLI xy ( f ) 的值也在[0, 1]，其中值
为 1 时表示完美的相位同步，为 0 时表示没有耦合或是以 0 mod π 的相位差耦
合。所以与其他度量相比，当值为 0 时 PLI 无法将无耦合与零相位或者相位差
为 π 的情况区别开来。

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

本文中 C 和 L 这两个指标是通过脑连通性工具箱（Brain Connectivity

Toolbox）[47]计算的。

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

兰州大学的 200 多名大学生参与了问卷调查，最终经过筛选 51 名学生参与

了数据采集实验，年龄在 18-24 岁，其中女生 15 人，男生 36 人。所有被试都
完成了兰州大学心理筛查系统的问卷以及心理学家的访谈。心理学家的访谈结
果显示其中 24 名被试是抑郁，其余 27 名是健康的。所有被试及其直系亲属无
急、慢性抑郁或精神病史，没有服用过影响睡眠或干扰情绪的药物，均为右利
手，视力或矫正视力正常。实验前，被试填写了贝克抑郁量表（Beck Depression
Inventory test-II, BDI-II）[3]，抑郁组的量表得分均在 14-28，对应轻度抑郁，健
康组的得分均在 13 分以下。为了保证每组样本数量相等，我们选择了 24 名健
康被试组成对照组。轻度抑郁和健康对照组的基本信息以及 BDI-II 分数如表 3-1
所示。这项实验得到了兰州大学第二医院伦理委员会的批准（编号：2015A-037）。
所有被试在实验前签署了知情同意书，并在实验完成后得到了现金酬劳。
表 3-1 轻度抑郁和健康对照组的基本信息以及 BDI-II 分数

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

一张呈现在屏幕上的，并且都用 Adobe Photoshop CS6 软件处理成相同的尺寸

（1280×738 像素，10.84×6.25 厘米，如图 3-1 所示）。

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

我们使用了 EGI 公司生产的 128 导的脑电帽（128-channel HydroCel

Geodesic Sensor Net）来采集脑电信号。电极是按照 GSN-128 标准（见附录）
17
 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

放置的，以 Cz 为参考电极，所有电极的阻抗调整到了 60 kΩ 以下[49]，采样频

率为 250Hz。由于两个 trial 之间 2 秒的数据是空屏无效数据，因此我们把每
个被试的连续脑电信号分成了 30 段 6 秒的数据。为了降低噪声，对信号进行了
0.5Hz 的高通滤波，70Hz 的低通滤波，以及 50Hz 的陷波滤波。我们使用了 Net
Station Waveform 工具消除眼动和肌电伪迹。另外，由于眼电伪迹分布在 0-16Hz，
与在 8-13Hz 的脑电 alpha 波段有重叠，因此我们使用了 FastICA 算法来消除眼
电伪迹，该算法已被证明在波段有重叠时很有效[50]。预处理操作是在 MATLAB
R2010a 中完成的。

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− ji
M

power =  p(e j ) (4-2)

其中 P(e j ) 是 ω 的功率谱密度，M 是 AR 模型的阶数， 2 是白噪声方差， 是

AR 模型的系数。
为了探索脑电信号的时间信息在轻度抑郁症识别中的作用，我们评估了定
义输入实例的两种策略。一种是将整个 trial 作为输入的 trial-wise 策略，另外一
种是使用帧作为输入的 frame-wise 策略。在 frame-wise 策略下，每个 trial 被分
为多个长度为一秒的帧。每个 trial 的帧序列代表了这个 trial 上的时间演变。在
trial-wise 和 frame-wise 策略下，功率的计算是基于每个 trial 和每个帧的。
通过比较具有空间信息和不具有空间信息的两种输入形式，可以观察到
EEG 空间信息的作用。在首次将 EEG 的空间信息考虑在内的研究中[29]，利用
电极的位置反映了空间信息。在这种输入形式中，使用方位角等距投影（AEP）
[30]
将分布在三维空间中的电极位置投影到二维平面上，已知该方法可以保留从
投影中心到任何其他点的距离。投影结果如图 4-1 所示，图像的宽度和高度代
表皮层活动的空间分布，图像尺寸为 32×32。每个电极的功率值出现在其在二
维表面上的位置。对 theta，alpha 和 beta 波段重复这个过程，生成三个地形活
动图，然后将其合并形成具有三个（彩色）通道的图像。用于比较的没有空间
信息的输入形式是根据电极的名称将功率值组织成大小为 1×E
（E 代表电极数）
的 3 通道图像。

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

图 4-2 模型概述。EEG 的 theta，alpha，beta 波段的功率分别在 trial-wise 和 frame-wise

策略下进行计算，并组织为深度神经网络的三种输入形式：特征矢量，无电极位置（空间
信息）的图像，有电极位置的图像。通过卷积神经网络，研究了脑电信号频谱和空间信息
在轻度抑郁症识别中的作用，并使用不同的体系结构汇总了来自多个帧的时间特征，研究
CNN 和用于汇总时间特征的模型是从心理负荷分类的最新
了脑电信号的时域信息的作用。
模型中通过迁移学习而来的。

基于以上介绍，模型引入了三种输入形式，如图 4-2 所示。第一种是特征

矢量形式，它是传统机器学习分类算法中广泛使用的输入形式。在 trial-wise 和

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

frame-wise 两种策略下，根据每个实例计算的功率值分别被组织为 1×[E×3]

或 1×[E×3×F]的矢量（F 是从每个 trial 中分割出的帧数）。第二种，没有空间
信息的图像输入形式，将其组织为 1×E 的图像。因为电极按 E1，E2，……的
顺序排列，不保留电极的固有位置信息，所以认为这种输入形式没有空间信息。
第三输入形式是具有空间信息的尺寸为 32×32 的三通道图像。这三种输入形式
均分别在 trial-wise 和 frame-wise 下进行评估。

4.2 网络架构

人工神经网络（artificial neural network, ANN）架构通过反复试验得出，神

经网络的复杂性以隐藏层的数量为特征，没有一个一般的规则用于选择适当数
量的隐藏层。如果隐藏层神经元数量太少可能不足以模拟复杂的功能，但数量
太多又会导致过拟合训练集使模型丧失泛化能力。通过反复试验找到最佳的隐
层神经元数，时间成本只是一方面的，对每一个问题都重新设计网络架构是不
现实也是没有必要的，因为现实中待解决的问题是如此之多。
迁移学习可以让我们通过做一些微小的改变来使用其他人在类似问题上的
预训练模型，当我们遇到类似问题时，不必从头开始构建模型，以这种预训练
模型作为起点开始我们的后续工作即可。预训练模型可以用作特征提取机制，
也就是删除输出层，然后将整个网络用作新数据集的特征提取器；或者用于部
分训练，即冻结模型初始层的权重，仅重新训练较高层；或者仅使用模型的体
系结构，并根据随机初始化的权重对新数据集进行模型训练。在这里，我们应
用了预训练模型的第三种用法。
在心理负荷分类任务中获得高性能的卷积架构 [29] 在我们的网络中作为预
训练模型。该架构模仿了 ImageNet 分类挑战中使用的 VGG 网络并使用了堆栈
卷积层。使用的卷积核的大小为 3×3，步长为 1，激活函数为 ReLU。用 1 个
像素填充保证卷积后的空间分辨率，采用步长为 2 的 2×2 最大池化，然后是具
有 512 个隐藏神经元的全连接层，最后一层是四路 softmax 层。
在 trial-wise 策略下，用于迁移学习的四种卷积架构 A，B，C 和 D 的详细
信息如表 4-1 所示（卷积层参数表示为 Conv <卷积核大小>-<卷积核数量>，最
大池化层参数表示为 maxpool-池化窗口大小）。我们对架构 A，B，C 和 D 所做
的更改是将特征矢量和不带电极信息的图像输入形式的卷积核大小更改为 1×
3，最大池窗口更改为 1×2。此外将所有 softmax 层更改为适合我们问题的两路
softmax。

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

表 4-1 四种卷积结构 A，B，C 和 D 的详细参数信息

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

图 4-3 frame-wise 下用于迁移学习的四种预训练模型。图中 C 表示卷积层，FC 表示全连

接层，L 表示 LSTM，Conv 表示一维卷积层。

在 frame-wise 策略下，用于迁移学习的四种最新架构如图 4-3 所示，分别

用到了最大池化 maxpool，一维卷积 1DConv，长短时记忆网络 LSTM 以及
1DConv 和 LSTM 的结合。我们在 frame-wise 中使用的卷积结构是在 trial-wise

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。

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

在特征矢量输入形式下，我们评估了 CNN 和传统机器学习分类算法包括

贝叶斯网络（BN），支持向量机（SVM），逻辑回归（LR），k 最近邻（kNN）
和随机森林（RF）识别轻度抑郁和正常脑电信号的性能。我们用于比较的这些
传统分类算法在国内外研究中已被广泛用于基于 EEG 的抑郁症识别中[6, 7, 57]。
除 SVM 外这些分类算法都是用 Weka[58]中的默认参数值。在我们的数据中，线

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

性核的 SVM 在 Weka 中比默认的径向基核表现更好，在结果表中，只给出了线

性核 SVM 的结果。kNN 中使用的 k 值为 1，3，5 和 10。
此 处 ， CNN 和 传 统 分 类 算 法 的 输 入 在 trial-wise 下 是 形 如
(1 ,...,128 , 1 ,..., 128 , 1 ,..., 128 ) 的 1×384 的 矢 量 ， 而 在 frame-wise 下 是 形 如
(11 ,..., 128
1
,12 ,..., 128
2
,...,16 ,..., 128
6
) 的 1×2304 的矢量（每个 trial 长 6 秒，被分成 6 个
1 秒长的帧）
。
CNN 的 B，C，D 结构的结果明显高于 A 的，但 B，C，D 之间的结果没
有显著差异，考虑到更多的卷积层没有显著提升准确率但会增加很多计算开销
和过拟合的风险，因此我们在结果表中显示了 CNN-B 的结果，并使用不同的
随机种子将准确率重复测量了 9 次。表 4-2 中是 CNN-B 和传统分类算法在特征
矢量输入形式下的准确率。通过比较分析我们可以发现，五种传统分类器中 RF
在 trial-wise 和 frame-wise 下都取得了最佳识别性能，在 trial-wise 下平静组达
到 72.22%，情绪组达到 68.75%，在 frame-wise 下平静组达到 73.06%，情绪组
达到 70.97%。同时，我们也能发现 CNN 识别轻度抑郁和健康被试的准确率显
著高于传统分类算法。在 trial-wise 下 CNN-B 在平静组获得 82.78%的平均准确
率，情绪组是 79.41%；在 frame-wise 下平静组 83.72%，情绪组 81.21%。CNN-B
相比于 RF 在 trial-wise 和 frame-wise 下对平静组和情绪组分别提供了 14.62%,
15.51%和 14.59%, 14.43%的准确率上的提升。
表 4-2 CNN-B 和传统分类算法在 trial-wise 和 frame-wise 下的准确率

准确率% trial-wise (1×384) frame-wise (1×2304)

分类算法 Neu_block Emo_block Neu_block Emo_block
BN 71.11 62.64 69.44 64.30
SVM(linear) 70.83 67.22 69.31 70.56
LR 66.25 64.44 69.72 57.78
kNN(k=1) 70.14 59.03 62.64 66.53
kNN(k=3) 70.42 62.36 63.61 63.75
kNN(k=5) 69.86 63.61 65.56 63.89
kNN(k=10) 71.67 65.00 68.48 65.97
RF 72.22 68.75 73.06 70.97
CNN-B 82.78±1.35 79.41±1.11 83.72±0.98 81.21±1.33
黑体表示每一列的最高值

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

4.3.2 EEG 空间和时间信息的作用

表 4-3 trial-wise 下图像输入的准确率

准确率% 无空间信息 有空间信息

(1×128) (32×32)
网络结构 Neu_block Emo_block Neu_block Emo_block
CNN B 84.06±1.22 80.09±1.44 83.19±1.91 79.57±1.36

表 4-4 frame-wise 下图像输入的准确率

准确率% 无空间信息 有空间信息

(1×128) (32×32)
网络结构 Neu_block Emo_block Neu_block Emo_block
CNN B + maxpool 82.16±0.93 80.48±1.38 82.68±1.66 82.08±1.01
CNN B + 1Dconv 85.33±0.82 81.94±1.59 85.62±1.06 82.81±1.28
CNN B + LSTM 84.07±1.30 81.88±1.50 81.85±1.14 80.69±0.93
CNN B + 1Dconv+LSTM 84.13±1.37 80.96±1.10 82.36±2.22 81.56±2.24
黑体表示每一行的最高值

从表 4-3 可以看出，在 trial-wise 策略下，没有空间信息时 CNN 在平静组

获得的准确率是 84.06%，情绪组是 80.09%；具有空间信息时平静组的准确率
为 83.19%，情绪组为 79.57%。具有空间信息和无空间信息的两种输入形式之
间没有显著差异，平静组 p = 0.383，情绪组 p = 0.447。结果表明，EEG 空间信
息对于轻度抑郁的识别率没有改善。
在 frame-wise 策略下，对于 1DConv 和 LSTM，当卷积核为 32 个，隐层单
元 为 128 时 网 络 可 获 得 最 佳 结 果 。 如 表 4-4 所 示 ， 在 无 空 间 信 息 时 用
CNN+1DConv 结构在平静组获得最高 85.33%、情绪组 81.94%的准确率；而在
有空间信息时也是通过 CNN+1Dconv 结构在平静组最高可达到 85.62%，情绪
组 82.81%的准确率。有空间信息和无空间信息两种输入形式之间也没有统计显
著差异，平静组 p=0.571，情绪组 p=0.279。也说明空间信息没有提高分类性能。
我们使用了图 4-3 所示的四种不同的架构聚合来自多个帧的时间特征。比
较表 4-3 和表 4-4 的结果，我们可以观察到 EEG 时间信息的作用。对于尺寸为
128×1 的 3 通道图像输入，时间信息的添加略微提高了准确性，并且在统计上
有显著差异，平静组 p = 0.021；情绪组 p = 0.024。对于尺寸为 32×32 的 3 通
道图像输入形式，有无时间信息之间也有显著差异，平静组 p ＝ 0.018，情绪
组 p ＝ 0.002。这表明，对于具有或不具有空间信息的两种输入形式，帧之间
的时间演变都能显著改善轻度抑郁的识别性能。

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

置）不能提高轻度抑郁识别准确率，但添加时间信息（每个 trial 帧之间的时间

演变）会显著提高准确率。在本文中，添加空间信息意味着每个电极的频谱值
出现在三维电极投影到二维空间的位置，而其余的 896（32×32-128）个像素
点的值为零。Cecotti 等[60]提到 CNN 只是对信号进行分类而不直接考虑检测的
预测信号的形状。因此，我们认为，无论原始功率值的位置如何，CNN 最终从
大小为 128×1 和 32×32 的图像中学习到的有用信息几乎是相同的。另外诸如
1DConv 之类的架构捕获的 EEG 的时间信息起着重要作用，表明帧之间的演化
可能包含与轻度抑郁有关的额外信息。
第三，在三种输入形式的 trial-wise 和 frame-wise 策略下，使用传统分类器
和 CNN 获得的平静组的准确率高于情绪组的准确率，这表明中性面部情绪比
情绪面孔对轻度抑郁和健康对照具有更好的区分性。这个结果与已有的研究[61,
62]
的结果一致，表明抑郁患者对中性面部刺激的认知程度低于正常人。
最后，我们的模型在基于被试划分训练测试集时获得的结果是有竞争优势
的。抑郁识别是被试独立的分类情况，训练测试集应该根据被试来划分，否则
会导致分类准确率虚高。虽然在随机划分训练测试集时 CNN 和传统分类器表
现出更高的准确率但这种数据处理过程是错误的。
这项工作具有以下几个方面的优势。首先，我们探究了 EEG 不同方面的信
息在轻度抑郁症识别中的作用，并且我们发现 EEG 的频谱信息在轻度抑郁识别
中起着重要作用。其次，将迁移学习的概念应用到了我们的轻度抑郁识别系统
中，毕竟我们的模型是基于大学校园中的轻度抑郁症数据库构建的，但在临床
实践中，有必要迁移深度卷积结构，然后根据医院自己的数据库训练适合特定
人群和特定区域的疾病诊断模型。迁移学习的另一个好处是我们可以节省很多
时间来获得通过反复试验得出的 CNN 架构。最后，深度神经网络在计算上是
有效的，因为只有一个特征用于分类并且功率的计算很简单，当提供脑电功率
时，该模型可以自动提供准确、快速和客观的轻度抑郁诊断结果，因此可以在
临床上作为低成本、便携式诊断设备，可以部署于医院以克服临床医生短缺的
问题。

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

适用性两方面的原因，文章在构建 CAD 模型时引入了迁移学习的概念，将在

心理负荷任务中有出色表现的网络架构迁移过来应用在我们自己的数据中。然
后，在仅使用脑电频谱信息的情况下比较了传统分类算法和我们构建的深度神
经网络模型在识别轻度抑郁中的性能，发现深度神经网络模型最高可达到 83.72%
的识别准确率；在探究脑电时间和空间方面的信息时，空间信息不能改善识别
准确率而时间信息能显著改善，最终可达到 85.62%的识别准确率；最后通过比
较随机划分和按被试划分训练集和测试集的性能，证明我们在这种评估方式下
获得的准确率是有竞争性的。

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。

图 5-1 功能连接矩阵的转换过程。图中第一行是 128 个电极对应的原始功能连接矩阵，

第二行是将上三角的元素重新安排后形成的 90 × 90 的矩阵。从左到右依次是相干性，相
关性，PLV, PLI 对应的矩阵

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

图 5-2 CNN 的三通道输入形式。选择性能最好的三个波段作为 RGB 通道合成一张三通

道图像作为 CNN 的输入

5.2 网络结构及训练

这里我们使用的卷积结构如图 5-3 中所示。两个堆叠卷积层作为 CNN 的基

本结构，每个卷积层使用 32 个 3×3 的卷积核，卷积步长为 1。池化选用的是
最大池化，池化窗口大小为 2 × 2，步长为 2。512 个单元的全连接层用了比率
为 0.5 的 dropout。网络训练过程同第四章中所述。

图 5-3 使用的 CNN 结构示意图

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

图 5-4 显示了两组被试的平均小世界指数 S 作为阈值的函数。组间差异的

统计显著性通过独立样本 t 检验在每个阈值处进行评估。对于相干性，在平静
组和情绪组，我们分别仅在 delta 波段和 theta 波段发现了两组人群之间的显著
差异，正常人的 S 在大部分 T 值点上显著（用星号表示）高于轻度抑郁组。对
于相关性、PLV 和 PLI 的平静和情绪组我们都只在 delta 波段发现了同样的正常
人的 S 显著大于轻度抑郁人群的差异。
此外，从γ和λ单独的分析中我们发现两组人群的γ均大于 1，但组间差
异不显著；两组人群的λ均小于 1 而接近于 1，这说明两组人群的脑网络均显
示出小世界特征；但轻度抑郁组的比健康对照组显著高的λ显示出轻度抑郁组
的脑功能网络偏离了小世界网络。

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

图 5-4 平静组和情绪组两组人群的小世界指数 S 作为阈值 T 的函数

5.3.2 单电极上的平均聚类系数统计分析

表 5-1 显示了相干性（下文表格中用 Coh 表示）和 PLV 在平静组和情绪组

的每个电极的平均聚类系数的统计分析。对于这两种指标，我们观察到相似的

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

模式，即在 delta 波段，对于分布在颞区和前额区的电极上，轻度抑郁组的聚类

系数显著高于健康对照组，而分布在中央和顶枕区的电极上，轻度抑郁组的聚
类系数显著低于健康对照组；在 beta 波段中，轻度抑郁症组的顶枕区聚类系数
明显低于在平静组和情绪组下的健康对照组，并且差异主要集中在右半球。对
于相关性（下文表格中用 Corr 表示），我们观察到另一种模式。两类人群间的
差异在 5 个波段均能观测到，我们在表 5-2 中列出了在五个波段中均有差异的
那些电极，同样差异主要分布在右半球的顶枕区。而对于 PLI，我们均未在 5
个波段上发现任何组间差异。
表 5-1 相干性和 PLV 的聚类系数的统计分析（T=0.15）

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

续表 5-1 相干性和 PLV 的聚类系数的统计分析（T=0.15）

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

续表 5-1 相干性和 PLV 的聚类系数的统计分析（T=0.15）

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

delta 波段阈值 T=0.1 时的功能网络的拓扑结构图。图 5-5 是根据两组相干性矩

阵的差值的绝对值做出的。从图 5-5 中我们可以清楚地看到两组人群在 delta 波
段的相干性差异，且差异主要分布在中央、颞区和右侧顶枕区，少部分在额叶。

图 5-5 平静组 delta 波段相干性差异的分布结果。红色节点表示 128 个电极，节点之间的

红线表示在阈值为 0.1 时相干性的差异，红线越粗表明差异越大

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]。

5.4 CNN 分类结果

与第四章中一样，仍然使用 24 折交叉验证评估本研究中的 CNN 模型的分

类性能。

5.4.1 CNN 对四种功能连接矩阵的分类性能

我们使用 CNN 模型对功能连接矩阵进行分类，由于准确率受到网络初始

值的影响，我们将整个训练和测试过程重复了 9 次，求其平均值进行进一步的
分析。得到的准确率如表 5-3 所示。从表 5-3 可以看出，相干性在情绪组和平
静组的准确率最高，都是 77.78%；PLV 的准确率次高，在平静组的 gamma 波
段达到 74%，情绪组的 delta 波段达到 73.33%；相关性在平静组 71.46%，在情
绪组 65.83%；PLI 的准确率在四种功能连接矩阵中表现最差，最高在平静组达
到 63.41%、情绪组 55.60%的准确率。

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

表 5-3 平静组和情绪组中使用 CNN 对功能连接矩阵分类得到的平均准确率

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。

图 5-6 平静组和情绪组中 4 种功能连接矩阵使用 CNN 分类在 delta (a)，theta (b)，alpha (c)，

beta (d)，gamma (e)波段以及三通道（f）时得到的 ROC 曲线

5.4.2 我们的 CNN 方法和经典分类算法的对比

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

是特征矢量，我们计算了每一个 trial 上的功能连接矩阵中所有元素的平均值作

为这个 trial 的特征值，于是得到一个 N×1 的特征矢量。这里同样使用了 24 折
的交叉验证作为分类准确率的的评估方法。将 4 种功能连接度量输入到以上 4
种分类器中得到的分类准确率如表 5-4 所示。
表 5-4 平静组和情绪组中功能连接矩阵的矢量形式在 4 种经典分类器中得到的最高准确
率

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

Coh Corr PLV PLI

Neu_block delta, beta, theta gamma, theta, alpha gamma, alpha, delta alpha, theta, gamma
Emo_block gamma, beta, delta delta, beta, gamma delta, theta, gamma gamma, beta, delta

表 5-6 3 通道功能连接矩阵通过 CNN 获得的分类准确率

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

CNN 对三通道功能连接矩阵分类得到的准确率和 ROC 曲线显示在表 5-6

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

[27] Orekhova E V, Elsabbagh M, Jones E J, et al. EEG hyper-connectivity in high-risk infants is

associated with later autism [J]. Journal of Neurodevelopmental Disorders, 6(1): 40.
[28] Tabar Y R, Halici U. A novel deep learning approach for classification of EEG motor imagery
signals [J]. Journal of neural engineering, 2016, 14(1): 016003.
[29] Bashivan P, Rish I, Yeasin M, et al. Learning representations from EEG with deep
recurrent-convolutional neural networks [J]. arXiv preprint arXiv:151106448, 2015.
[30] Alfeld P. A trivariate clough—tocher scheme for tetrahedral data. [J]. Computer Aided
Geometric Design, 1984, 1(2): 169-181.
[31] Rubinow D R, Post R M. Impaired recognition of affect in facial expression in depressed
patients [J]. Biological psychiatry, 1992, 31(9): 947-953.
[32] Cavanagh J, Geisler M W. Mood effects on the ERP processing of emotional intensity in faces:
a P3 investigation with depressed students [J]. International Journal of Psychophysiology, 2006,
60(1): 27-33.
[33] Mumtaz W, Xia L, Ali S S A, et al. Electroencephalogram (EEG)-based computer-aided
technique to diagnose major depressive disorder (MDD) [J]. Biomedical Signal Processing and
Control, 2017, 31: 108-115.
[34] Li X, Hu B, Shen J, et al. Mild depression detection of college students: An EEG-based solution
with free viewing tasks [J]. Journal of medical systems, 2015, 39(12): 187.
[35] Glorot X, Bordes A, Bengio Y. Deep sparse rectifier neural networks; proceedings of the
Proceedings of the Fourteenth International Conference on Artificial Intelligence and Statistics,
F, 2011 [C].
[36] Polyak B T. Some methods of speeding up the convergence of iteration methods [J]. 4(5): 1-17.
[37] Sutskever I, Martens J, Dahl G, et al. On the importance of initialization and momentum in deep
learning [J].
[38] Duchi J, Hazan E, Singer Y. Adaptive Subgradient Methods for Online Learning and Stochastic
Optimization [J]. Journal of Machine Learning Research, 2011, 12(7): 257-269.
[39] Zeiler M D, ∗. ADADELTA: AN ADAPTIVE LEARNING RATE METHOD [J]. Computer
Science, 2012.
[40] Tieleman T, & Hinton, G. Lecture 6.5-rmsprop: Divide the gradient by a running average of its
recent magnitude. [J]. COURSERA: Neural networks for machine learning, 2012, 4(2): 26-31.
[41] Kingma D P, Ba J. Adam: A method for stochastic optimization [J]. arXiv preprint
arXiv:14126980, 2014.
[42] Hochreiter S, Schmidhuber J. Long Short-Term Memory [J]. Neural Computation, 9(8):
1735-1780.
[43] Murias M, Webb S J, Greenson J, et al. Resting state cortical connectivity reflected in EEG
coherence in individuals with autism [J]. Biological psychiatry, 2007, 62(3): 270-273.

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

左前额区（left frontal, LF），13 个电极：E32，E26，E23，E19，E12，E25，

E22， E18，E21，E27，E24，E127，E128；
右前额区（right frontal region, RF），13 个电极：E1，E2，E3，E4，E5，
E8，E9，E10，E14，E123，E124，E126，E125；
左颞区（left temporal region, LT），17 个电极：E33，E34，E38，E39，E40，

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