基于睡眠脑电信号的抑郁症诊断算法

抑郁症诊断是医学领域的重要研究方向.而现有的抑郁症诊断方法存在高成本、低效率、准确率不高以及解释性不强等问题,为解决该问题,本文结合睡眠分期技术,提出一种基于睡眠脑电信号的抑郁症自动诊断算法.该方法首先通过卷积神经网络与双向长短时记忆神经网络结合,能够提取睡眠信号的高级特征,同时结合不同睡眠时期的关联性进行分析,提升了睡眠分期的准确率与可解释性.实验结果表明,这种方法在Sleep-EDF公开数据集中准确率最高能够达到95.82%,超越了大多数现有方法.随后,基于睡眠分期的结果,结合卷积神经网络提出了DepNet2D (depression net 2 dimension)模型,对REM期的脑电数据进行特征提取并分类.该模型能够有效地学习睡眠脑电的时空依赖关系,捕捉抑郁症患者大脑活动的特征模式,提高了识别患者频谱特征的准确率.实验结果表明,在抑郁症诊断任务中,本文提出的抑郁症筛查方法准确率达到了88.82%,与传统抑郁症诊断模型相比,具有更高的准确率.该方法增强了抑郁症诊断的可解释性,对现代抑郁症研究等分析研究具有一定的实用价值,为精神健康领域的研究和临床实践提供了新的思路和方法.

基于智能终端的睡眠监测系统设计

为了方便地监测睡眠情况,合理评价睡眠质量,设计了基于智能终端的睡眠监测系统。该系统主要包括信号采集模块和智能终端。信号采集模块与智能终端之间采用蓝牙通信,实现对脑电信号的采集、接收、分析及存储。智能终端采用小波变换对脑电信号去噪,提取样本熵作为特征参数,利用随机森林算法对睡眠进行自动分期,并评估睡眠质量。5名志愿者参与实验,结果表明,信号采集模块能够采集高质量的脑电信号,分析软件可以快速、准确地进行睡眠质量评估。该系统体积小,功耗低,可以对睡眠质量进行定量反映和客观评估。

SD-FCE:一种识别睡眠呼吸暂停综合征发病时段的深度学习方法

睡眠呼吸暂停综合征(Sleep Apnea Syndrome,SAS)是一种常见的睡眠呼吸系统疾病.目前有很多关于SAS自动检测的研究仅仅是在一段时间内判断是否发病,无法识别发病具体时段.针对这一局限性,本文提出一种新的SAS识别模型SD-FCE(SAS Detection based on Functional Connectivity of Electroencephalography),该模型具备识别不规则发病时段的能力.首先,为提取发病时段的神经系统异常,本文利用脑电功能连接性构建脑电功能连接矩阵.其次,为识别发病的具体时段,本文基于目标检测算法改进,针对SAS设计不同的预选框将不规则目标网格化,以进行模型搭建.分类与位置回归模块依托于网格化处理的结果输出发病的分类结果、中心时间与持续时间.对比以往相关研究,SD-FCE模型的识别结果更利于医学诊断,同时性能优于以往其它类似模型.