抑郁症患者脑电导联选择算法及分类研究

基于EGI公司64导脑电采集系统,采集了16位青少年抑郁症患者和16位正常人静息态下闭眼4分钟的脑电数据。运用频谱不对称分析法(Spectral Asymmetry Index,SASI)和去趋势波动分析(Detrended Fluctuation Analysis,DFA)算法提取脑电时域和频域特征。针对提取的特征的导联,一方面,选择最佳电极Pz作为分类的导联,另一方面,通过遗传算法对所有导联进行筛选,将筛选后的导联特征用于分类。使用支持向量机(Support Vector Machine,SVM)在单导联和多导联的情况下,对抑郁症患者和正常人进行分类,结果发现,单导联下,使用SVM分类器对抑郁组和对照组的SASI和DFA结果进行分类,分类精度分别为45.5%和51.5%,使用遗传算法的分类精度分别为78.1%和90.6%,SASI算法的计算实时性优于DFA算法,DFA算法的准确性优于SASI算法。该研究为抑郁症的计算机辅助诊断提供了理论依据。

基于混合特征选择算法的抑郁症分类方法

使用尽可能少的特征进行快速而准确地诊断抑郁病症在临床应用中十分重要,然而单一传统特征选择算法仅保留特征的一种特性而忽略其他特性。针对这种情况,提出以混合特征算法联合遗传算法来选择分类特征集。利用信号间的相位锁定构建了五个频段下两组被试的脑功能连接矩阵,并根据t检验的结果,将具有显著差异(p<0.05)的连接值作为特征。面对高维特征,提出使用基于互信息的二次规划特征选择和费舍尔分数对所有特征分别进行排序,并将二者的前100个特征进行交集或者并集的包装处理。通过遗传算法进一步选择最优子集进行分类。实验结果表明,该分类法不仅将特征数目降维了90%以上,还拥有最高的分类精度,达到96.8%。

基于脑网络参数优化的青少年抑郁症患者与健康人群分类识别研究

为了增强基于脑电图信号的青少年抑郁症计算机辅助诊断精度,本研究采集了32名女性青少年静息状态下闭眼4 min的脑电图信号,其中抑郁症患者16名(抑郁组)、健康受试者16名(对照组),年均(16.3±1.3)岁。首先,根据信号之间的相位同步性,使用相位锁定值(PLV)方法,分别在θ和α频段下计算脑功能连接。然后基于图论方法,再分别计算加权网络的强度、平均特征路径长度和平均聚类系数(P<0.05)。接下来,利用多重阈值和网络参数的关系,提取各个网络参数的曲线下面积(AUC)作为新特征(P<0.05)。最后,使用支持向量机(SVM),将两组受试者的网络参数和网络参数的AUC作为特征进行分类。研究结果显示,使用强度、平均特征路径长度、平均聚类系数作为特征,在θ频段,其分类精度分别由69%提高到71%、66%提高到77%、50%提高到68%;在α频段,其精度分别由72%提高到79%、69%提高到82%、65%提高到75%;且整体来看,在α频段使网络参数的AUC作为特征,分类精度比网络参数特征提升了10%左右,而在θ频段,仅平均聚类系数AUC的分类精度提升了18%。本研究结果证明,基于图论量化脑功能网络并对网络参数特征优化,能够对青少年抑郁症的计算机辅助诊断提供一定的帮助和理论支撑。