一种基于ICG-OMSE脑电通道选择的抑郁症检测方法

本发明涉及脑电通道选择与机器学习，特别涉及一种基于icg-omse脑电通道选择的抑郁症检测方法。

背景技术：

1、抑郁症是一种常见的精神疾病，持续情绪低落、空虚无助、注意力难以集中是其典型临床症状。国际公认对于抑郁症最有效的方法是早诊断早治疗，以避免随时间推移而导致病情加重。传统抑郁症诊断方法主要是基于量表的面对面访谈，诊断准确性严重依赖于医生的主观经验，以及患者所提供信息的真实性。因此，寻找一种客观、准确、高效的抑郁症检测方法具有重要的社会价值和科学意义。

2、脑电(eeg)信号作为大脑神经活动的外在呈现形式之一，因其具有非侵入、不可伪造、高时间分辨率、低成本等特性，被广泛应用于抑郁症等精神疾病的检测之中。然而，高密度eeg通道往往增加抑郁症检测的计算复杂性，而低密度eeg通道则易产生过拟合现象，导致检测方法泛化能力差。因此，对于抑郁症检测而言eeg通道数量的选择至关重要。

3、熵在多科学领域都有广泛应用，近似熵和样本熵能够用于eeg等时序生理信号的度量，通过度量信号中产生新模式的概率来衡量时序信号复杂性，新模式产生概率越大，序列复杂性越大。相比近似熵，样本熵具有独立于数据长度、一致性更好等优点。同时研究表明，多尺度样本熵(mse)能够全面反映信号在多个时间尺度上的动态特性，其在复杂时序信号分析中表现更为突出。

4、为了充分发掘eeg信号中蕴含的有价值信息，多尺度化eeg信号是一种有效途径，粗粒化是一种实用且被广泛采用的多尺度化方法。然而，传统粗粒化方法将eeg信号在不同尺度上划分为多个相同步长且不重叠的片段，难以充分保留前后eeg信号之间的相关信息，从而导致部分原始信息丢失。此外，典型确定se向量相似性的heaviside函数包含0和1两种状态，不具备连续性，易导致计算结果不连续，且阈值选择会极大的影响计算结果。因此，本发明针对上述问题进行探索，提供了一种基于icg-omse(改进粗粒度与优化mse，improvescoarse-grained and optimization mse)的eeg通道选择结合和bayes-2d-cnn-bilstm检测模型的抑郁症检测方法。

技术实现思路

1、本发明目的就在于为了解决上述的问题，而提供一种基于icg-omse的eeg通道选择结合bayes-2d-cnn-bilstm检测模型的抑郁症检测方法。

2、为实现上述目的，本发明采取的技术方案为：具体步骤如下：

3、步骤一：输入原始eeg数据y＝{x1,x2,…,xn}并进行预处理；

4、步骤二：基于icg重构eeg通道对应的时序信号，尺度因子τ＝1时，icg得到与原信号序列相同的信号序列，尺度因子τ≠1时，icg得到k个时序信号yk(τ)；

5、步骤三：对重构后eeg信号进行omse计算，通过线性sigmoid函数优化各尺度上eeg信号的样本熵(se)计算，将优化后的各尺度se值组合成多尺度样本熵(mse)

6、步骤四：基于步骤三得到eeg通道对应信号的mse，对其求均值并排序，使用相关eeg特征及bayes-2d-cnn-bilstm检测模型，基于sigmoid函数“样本熵值越大，序列相似性越高；样本熵值越小，样本序列越复杂”的性质，根据mse均值大小，由小到大逐次添加eeg通道对应信号的相应特征至bayes-2d-cnn-bilstm检测模型，得到最优eeg通道子集，进而确定抑郁症检测准确率最高时的通道组合作为最优eeg通道；

7、其中，bayes-2d-cnn-bilstm检测模型的方法步骤如下：

8、1、从eeg通道中提取的特征和对应标签输入2d-cnn，在卷积层添加计算效率高的relu激活函数，特征映射通过非线性激活函数生成卷积层输出，二维矩阵卷积设计如式(9)所示，卷积层后添加最大池化层，通过丢弃部分信息以降低数据维度，从而避免过拟合，池化层后添加批归一化层、展开层和平滑层，为后续检测模型输入提供便利；

9、g(l,j)＝σ(∑m∈n∑k∈th(m,k)x(l-m,j-k)+b)             (9)

10、式中，g(l,j)为第l观测点第j通道的卷积输出结果，x(l-m,j-k)是第l观测点第j时间数据为中心、尺寸为(m,k)的实数矩阵；∑m∈n∑k∈th(m,k)是遍历输入特征；b是偏置参数；σ是非线性激活函数；

11、2、2d-cnn展开层和平滑层将高维数据转化为一维向量作为bilstm输入，bilstm是一种双向的lstm，双向传播使其在每一时刻的输出可以包括神经元的前向输出和后向输出，通过双层lstm提高抑郁症检测的准确性，充分考虑时序eeg信号中前后节点之间的相关性，以更加全面地学习和发掘eeg中蕴藏的信息，对bilstm学习到的新特征进行批归一化处理，输入全连接层，使用全连接层将前一层提取的新特征转化为分类向量，softmax层计算各类别的预测概率，输出中间检测结果；

12、3、对上述2d-cnn-bilstm参数进行最优，使用耗时和占用资源小的bayes优化2d-cnn-bilstm参数，bayes优化通过参数空间概率建模进行较少次数的迭代，快速找到满足全局最优解的参数组合，找到最优解时自动停止且不受目标函数的凸性和非凸性限制；

13、步骤五：使用最优eeg通道上提取的特征结合参数优化后的bayes-2d-cnn-bilstm模型，实现抑郁症检测。

14、进一步地，步骤二中的计算过程如下式所示：

15、

16、根据公式(1)，各尺度eeg信号粗粒化过程如下：

17、(1)尺度因子τ＝2时，粗粒化后时序eeg信号为滞后一个数据点计算两个连续数据点间均值，即

18、(2)尺度因子τ＝3时，粗粒化后时序eeg信号由两部分构成，和计算三个连续数据点间均值。k＝2，滞后一个数据点计算，即k＝3，滞后两个数据点计算，即

19、(3)以此类推，icg采用计算连续τ个数据点的均值重构信号，根据不同尺度每次滞后k-1个数据点，是第k个粗粒化时序信号的第j个数据点，j的取值为n为信号序列长度；

20、进一步地，步骤三中计算过程如下：

21、(1)将各尺度上eeg信号组成维度为m的向量序列{xm(1),…,xm(i),…,xm(n-m+1)}，xm(i)可以表示为：

22、xm(i)＝{x(i),x(i+1),…,x(i+m-1)}-x0(i)                     (2)

23、其中，x0(i)是基线，

24、(2)任意两向量xm(i)和xm(j)之间关系定义为xm(i)和xm(j)之间的相似度对于给定相似性阈值r,sigmoid函数用计算xm(i)和xm(j)之间的相似度

25、

26、其中，是xm(i)和xm(j)之间的距离，定义为eeg信号之间最大差的绝对值，计算过程如下：

27、

28、(3)相似度小于r的概率记为

29、

30、其中，的均值为：

31、

32、(4)向量维数增加至m+1时，xm+1(i)和xm+1(j)之间相似度的概率记为的均值为：

33、

34、(5)长度为n的eeg信号se值可表示为：

35、

36、上式中参数设置如下：m＝2，r＝0.2*sd，sd为对应尺度eeg信号标准差。

37、与现有技术相比，本发明具有如下有益效果：

38、(1)解决传统粗粒化方法将eeg信号在不同尺度上划分为多个相同步长且不重叠的片段，难以充分保留前后eeg信号之间的相关信息，导致eeg信号中部分原始信息丢失，本发明提供基于icg重构多尺度eeg信号方法，在各尺度上通过滞后数据点策略，从而更加全面保留了eeg中蕴含的信息，避免了因传统粗粒化方法导致的部分信息丢失问题。

39、(2)典型计算se向量相似性的heaviside函数包含0和1两种状态，不具备连续性，为解决此问题，omse方法提供了一种基于线性sigmoid函数的se计算方法，保证了mse计算的准确性，进而确保了eeg通道选择的有效性。

40、(3)本发明提供了一种bayes-2d-cnn-bilstm检测模型，通过2d-cnn-bilstm充分挖掘抑郁症患者和健康对照者之间eeg信号的内在改变，bayes优化2d-cnn-bilstm，保证模型的敛速度更快，耗时更短，使用该检测模型获得了最高92.86％的抑郁症检测准确率。