一种基于脑电图特征选择的抑郁识别分析系统

本发明属于抑郁障碍识别，具体为一种基于脑电图特征选择的抑郁识别分析系统。

背景技术：

1、随着社会的进步和发展，抑郁症已经成为一种较为普遍的精神疾病。世界卫生组织预测，到2030年，抑郁症将成为导致残疾和死亡的第二大原因。此外，近年来covid-19的爆发和蔓延导致抑郁症患病率迅速上升。轻度抑郁症患者可能会出现情绪不佳、睡眠不足以及精神萎靡等症状，重度抑郁症患者甚至可能出现自杀行为。针对抑郁症患者，传统的诊断方法通常是通过标准量表进行评估，即通过主观访谈的方式来诊断病情，这样很容易受到环境和个体差异的影响。随着情感计算的发展，脑电图作为一种具有毫秒时间分辨率的电生理信号的非侵入性测量方法，已成为研究健康和患病受试者的大脑功能和认知过程的潜在工具。多项研究已经证明了抑郁症与脑电图信号之间的关系，表明其作为生理标志在疾病诊断中的有效性。此外，在脑电图信号处理领域，脑电图特征的选择成为关键的步骤，需要找到在随后的预测分析中的重要特征。有效的特征选择有助于降低特征维度、提高预测准确性和增强结果的可解释性。然而，在广阔的特征子集空间内寻求最佳特征子集提出了相当大的挑战。同时，现有的方法在阐明模型和特征之间的相关性方面表现出了明显的缺陷，从而产生了显著的黑盒效应。

2、现有的研究将特征选择方法主要分为三种：(i)过滤方法，如单变量特征选择和基于相关性的特征选择，根据特定的分数对特征进行优先排序；(ii)包装方法，例如进化算法和分支定界算法，通过与预测模型结合的搜索策略来识别最优特征子集；(iii)嵌入方法，包括lasso和决策树，将特征选择整合到预测任务的优化目标中。然而，每种方法都表现出一定的优势和局限性。例如，过滤方法可能忽略特征之间的依赖关系和特征选择与预测因子之间的相互作用，而包装方法在探索包含n个特征的广泛特征空间的2n个潜在特征子集时遇到挑战。嵌入方法严重依赖于预测模型中固有的结构假设。因此，有效的特征选择需要一个全面的方法，其中包括：(i)对特征重要性进行战略性评估，(ii)对最优特征子集进行高效地探索，(iii)与预测模型无缝整合。当前对脑电图特征融合的研究涵盖了各种方法，包括线性组合方法和将通用机器学习与之结合的方法。

技术实现思路

1、针对现有技术中的上述不足，本发明提供了一种基于脑电图特征选择的抑郁识别分析系统。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、一种基于脑电图特征选择的抑郁识别分析系统，包括数据采集模块、特征提取模块及特征融合识别模块；

4、数据采集模块，用于采集脑电图数据并进行数据预处理；

5、特征提取模块，用于从所处脑电图数据中提取脑电线性和非线性特征；

6、特征融合识别模块，用于对所提取的脑电特征进行融合分析，针对融合后的特征，采用基于机器学习的模型进行抑郁障碍的识别评估。

7、进一步地，本发明所述数据采集模块采集大脑在音频刺激下的脑电数据，采集的电极位于前额叶上，采集前额叶的eeg信号。

8、进一步地，本发明所述数据采集模块利用小波变换和卡尔曼滤波对eeg信号进行处理，去除眼电伪迹。

9、进一步地，本发明所述特征提取模块所提取的线性特征包括功率谱密度的均值、最大值及最小值，所提取的非线性特征包括lempel-ziv复杂度、样本熵及瑞丽熵，所述提取的非线性特征还包括额叶α波不对称性指标。

10、进一步地，本发明所述特征融合识别模块，基于蚁狮优化—多智能体强化学习算法，对所提取的脑电特征进行融合分析，针对融合后的特征，采用基于机器学习的模型进行抑郁障碍的识别评估。

11、进一步地，本发明所述基于蚁狮优化—多智能体强化学习算法，对所提取的脑电特征进行融合的具体过程为：首先，使用蚁狮优化算法对特征子集进行初步筛选，以获得初始化的特征子集，其次，使用多智能体强化学习算法对该特征子集进行建模以进行特征融合分析。

12、进一步地，本发明所述数据采集模块为三导联脑电图传感器，融合后的特征包括：3个导联中功率谱密度的均值，第二导联中功率谱密度的最大值，第一和第三导联中功率谱密度的最小值，3个导联中的样本熵以及第一和第二导联中的瑞丽熵。

13、进一步地，本发明所述基于机器学习的模型，采用3个导联中功率谱密度的均值，第二导联中功率谱密度的最大值，第一和第三导联中功率谱密度的最小值，3个导联中的样本熵以及第一和第二导联中的瑞丽熵特征训练获得。

14、进一步地，本发明还包括可解释性分析模块，采用可解释人工智能方法增强了模型特征的可解释性，并利用时延嵌入隐马尔可夫模型推断由音频刺激引发的抑郁时的大脑内部状态转换。

15、进一步地，本发明所述三导联脑电图传感器由主板、无创柔性eeg电极、附加电极及硅胶头带组成，无创柔性eeg电极位于硅胶头带上，对准前额叶以采集eeg信号，两个附加电极分别放置在两个乳突上，作为参考电极和偏置电极，头带和电极之间采用磁性连接。

16、有益效果：

17、第一，本发明通过提取脑电线性和非线性特征，并对所提取的脑电特征进行融合分析，针对融合后的特征，采用基于机器学习的模型进行抑郁障碍的识别评估，能够精准对抑郁进行识别。

18、第二，通过申请人的研究分析，通过采集线性特征包括功率谱密度的均值、最大值及最小值，所提取的非线性特征包括lempel-ziv复杂度、样本熵及瑞丽熵，所述提取的非线性特征还包括额叶α波不对称性指标，同时对特征进行融合分析后得到的融合后的特征包括：3个导联中功率谱密度的均值，第二导联中功率谱密度的最大值，第一和第三导联中功率谱密度的最小值，3个导联中的样本熵以及第一和第二导联中的瑞丽熵，上述融合分析所得到的特征与抑郁症状具有强相关，利用上述相关信号采用基于机器学习的模型进行抑郁障碍的识别评估具有更高的准确性。

19、第三，本发明采用蚁狮优化—多智能体强化学习联合算法进行脑电特征融合。该算法平衡了全局和局部搜索，以提取出最具代表性的特征集合，即能够在相对较小的特征子集上实现令人满意的识别结果。

20、第四，本发明为了解释模型的结果，采用了基于事后方法的可解释人工智能技术，直接解释了模型对于抑郁特征的识别结果。对分类模型进行了后解释，以阐明哪些特征对分类任务有更强的影响，并揭示影响抑郁识别的重要因素。通过可解释人工智能技术，本发明进一步阐明了部分脑电特征，如功率谱密度、样本熵和瑞丽熵对抑郁症识别的关键影响，这为抑郁辅助诊断提供了理想的工具。

21、第五，进一步的研究在受音频刺激的抑郁患者大脑内部状态转换上进行，以揭示外部刺激的调节效应，并进一步解释抑郁识别的结果。得到的结果可以深入了解音频刺激如何通过调节大脑内部状态转换来改善大脑认知，并解释抑郁识别的结果，进一步揭示抑郁激活机制，为人工智能算法在抑郁症识别中的临床应用提供了重要见解。

技术特征：

1.一种基于脑电图特征选择的抑郁识别分析系统，其特征在于，包括数据采集模块、特征提取模块及特征融合识别模块；

2.根据权利要求1所述基于脑电图特征选择的抑郁识别分析系统，其特征在于，所述数据采集模块采集大脑在音频刺激下的脑电数据，采集的电极位于前额叶上，采集前额叶的eeg信号。

3.根据权利要求2所述基于脑电图特征选择的抑郁识别分析系统，其特征在于，所述数据采集模块利用小波变换和卡尔曼滤波对eeg信号进行处理，去除眼电伪迹。

4.根据权利要求2或3所述基于脑电图特征选择的抑郁识别分析系统，其特征在于，所述特征提取模块所提取的线性特征包括功率谱密度的均值、最大值及最小值，所提取的非线性特征包括lempel-ziv复杂度、样本熵及瑞丽熵，所述提取的非线性特征还包括额叶α波不对称性指标。

5.根据权利要求1所述基于脑电图特征选择的抑郁识别分析系统，其特征在于，所述特征融合识别模块，基于蚁狮优化—多智能体强化学习算法，对所提取的脑电特征进行融合分析，针对融合后的特征，采用基于机器学习的模型进行抑郁障碍的识别评估。

6.根据权利要求5所述基于脑电图特征选择的抑郁识别分析系统，其特征在于，所述基于蚁狮优化—多智能体强化学习算法，对所提取的脑电特征进行融合的具体过程为：首先，使用蚁狮优化算法对特征子集进行初步筛选，以获得初始化的特征子集，其次，使用多智能体强化学习算法对该特征子集进行建模以进行特征融合分析。

7.根据权利要求1所述基于脑电图特征选择的抑郁识别分析系统，其特征在于，所述数据采集模块为三导联脑电图传感器，融合后的特征包括：3个导联中功率谱密度的均值，第二导联中功率谱密度的最大值，第一和第三导联中功率谱密度的最小值，3个导联中的样本熵以及第一和第二导联中的瑞丽熵。

8.根据权利要求7所述基于脑电图特征选择的抑郁识别分析系统，其特征在于，所述基于机器学习的模型，采用3个导联中功率谱密度的均值，第二导联中功率谱密度的最大值，第一和第三导联中功率谱密度的最小值，3个导联中的样本熵以及第一和第二导联中的瑞丽熵特征训练获得。

9.根据权利要求1所述基于脑电图特征选择的抑郁识别分析系统，其特征在于，还包括可解释性分析模块，采用可解释人工智能方法增强了模型特征的可解释性，并利用时延嵌入隐马尔可夫模型推断由音频刺激引发的抑郁时的大脑内部状态转换。

10.根据权利要求7所述基于脑电图特征选择的抑郁识别分析系统，其特征在于，所述三导联脑电图传感器由主板、无创柔性eeg电极、附加电极及硅胶头带组成，无创柔性eeg电极位于硅胶头带上，对准前额叶以采集eeg信号，两个附加电极分别放置在两个乳突上，作为参考电极和偏置电极，头带和电极之间采用磁性连接。

技术总结本发明提供一种基于脑电图特征选择的抑郁识别分析系统，能够实现对抑郁的精确识别，该系统包括数据采集模块、特征提取模块及特征融合识别模块；数据采集模块，用于采集脑电图数据并进行数据预处理；特征提取模块，用于从所处脑电图数据中提取脑电线性和非线性特征；特征融合识别模块，用于对所提取的脑电特征进行融合分析，针对融合后的特征，采用基于机器学习的模型进行抑郁障碍的识别评估。技术研发人员：胡斌,田福泽,王睿,朱立贤,蔡然,董群喜受保护的技术使用者：北京理工大学技术研发日：技术公布日：2024/9/12