基于振幅-周期二维特征的脑电样本熵分析

样本熵可以有效反映一维时间序列中新模式的生成概率,但缺乏对二维序列复杂度的表征能力.基于对传统样本熵方法的改进,提出一种在振幅-周期二维空间描述波形复杂度的方法,二维样本熵反映了波形振动在振幅-周期空间中新模式的生成概率.通过仿真实验证明了这种方法描述波形复杂度的有效性,当波形的复杂度特征表现为振幅-周期的交互作用时,二维样本熵对复杂度的描述比一维条件下的样本熵更加有效.基于二维样本熵对抑郁症组和对照组的脑电复杂度进行分析,结果表明,抑郁症组在Alpha频段左侧顶区和左侧枕区的二维样本熵显著低于对照组,表明在上述频段和位置,抑郁症患者脑电中新模式的生成概率显著低于正常人,这一特征可能成为抑郁症的潜在生物标记.

基于CNN的阿尔茨海默病与行为异常型额颞叶痴呆的分类

提出一种基于改进的一维卷积神经网络(1D-ICNN)的阿尔茨海默病与异常型额颞叶痴呆诊断模型,对卷积层的输出进行下采样的最大池化操作和特征压缩的全局平均池化操作。该模型在47例阿尔茨海默病和39例行为异常型额颞叶痴呆患者脑结构磁共振数据上的分类精度为86.63%,优于传统机器学习模型和一般深度学习模型。此外,采用SHAP可解释方法对模型的预测结果进行解释,并对解释结果进行可视化。

抑郁症静息态脑电的前额不对称性分析

目的探讨检验静息态下抑郁症在Alpha频段的前额不对称性以及不对称性与抑郁症程度的关系。方法将32例抑郁症患者(抑郁症组)分为抑郁症重度组和抑郁症轻度组各16例,并选取正常对照(对照组)16名,对三组被试的Alpha频段Fp2-Fp1、F4-F3、F3-Fp1、F4-Fp2分数进行方差分析和分类实验,对抑郁症组的脑电分数与量表评分进行相关分析。结果 Alpha频段的F4-F3和F3-Fp1评分抑郁症组低于对照组(P<0.01),在抑郁症重度组与轻度组间比较差异无统计学意义(P>0.05)。抑郁症重度组和抑郁症轻度组脑电评分与汉密尔顿抑郁量表(HAMD-17)、贝克抑郁量表(BDI)、抑郁症状快速自评量表(QIDS-SR)评分均无相关性(P>0.05),对抑郁症组和对照组进行分类时,以F3-Fp1分数为特征的正确率(81.25%)高于以BDI分数为特征的正确率(79.17%)。结论 Alpha频段的前额不对称性可以对抑郁症患者和正常人有效区分,并表现出与抑郁症状态无关的特性;在大脑左侧,相对于前额前侧,前额背侧的活动降低可能成为抑郁症的潜在生物标记。

基于高斯核函数支持向量机的脑电信号时频特征情感多类识别

为了找到一种综合分析方法,提高对脑电信号情感多分类识别的分类精确度,将DEAP数据库中的脑电数据采用经验模态分解的方法分解为多个本征模函数,并对本征模函数按不同的时长窗口进行分片,提取其功率谱密度作为脑电信号特征.将被试对音乐视频的情感评价指数用于生成情感分类标签,按"唤醒度"和"效价"2个维度将评价指数映射到二维情感模型中,分成4类.采用"一对一"的高斯核函数支持向量机对脑电特征进行多分类分析.实验结果表明:高斯核函数支持向量机的最高分类准确度达到90.9%(22号被试),平均分类准确度达到68.3%.高斯核函数支持向量机能有效地从脑电信号中识别出不同的情感状态;同时,对于相同刺激,不同的被试产生的情感状态不同;并且,在清醒状态下,脑电信号的高频子波对情感分类有更高的分类精确度.

单相抑郁症患者脑磁共振弥散张量成像FA值变化及意义

目的观察单相抑郁症患者脑磁共振弥散张量成像(DTI)各向异性分数(FA)值变化,并探讨其意义。方法采集21例单相抑郁症患者(单相抑郁症组)及与之匹配健康对照组的DTI图像,对计算得出的全脑FA值使用基于体素的方法进行统计分析,对得到的感兴趣区域进行提取,并与心理学量表测试结果做相关性分析。结果单相抑郁症组右侧壳核,右侧楔前叶、边缘叶、扣带回,左侧三角部额下回,左侧枕中回脑区FA值分别为0.205±0.024、0.336±0.053、0.228±0.068、0.308±0.073,健康对照组分别为0.228±0.019、0.391±0.052、0.281±0.045、0.356±0.075,两组比较,P均<0.05。两组右侧壳核FA值与QIDS-SR评分(r=-0.353,P=0.022),右侧楔前叶、边缘叶、扣带回FA值与PHQ-9评分(r=-0.404,P=0.008)及QIDS-SR评分(r=-0.315,P=0.043),左侧枕中回FA值与T-AI评分(r=-0.353,P=0.022)均呈负相关。结论单相抑郁症患者右侧壳核,右侧楔前叶、边缘叶、扣带回,左侧三角部额下回,左侧枕中回脑区的FA值降低,表明单相抑郁症患者存在多个脑区白质微结构的变化,这些变化可能与抑郁或焦虑情绪障碍有关。

基于内在功能连接推定抑郁症脑网络效率的改变（英文）

本文研究了在保留最大化内在功能连接条件下抑郁症患者脑网络效率的改变,并探索了改变的拓扑效率和抑郁症病理学之间的关系.为此,我们收集了20例抑郁症患者和20例在年龄、性别和教育水平相匹配的健康被试的静息态功能磁共振图像数据.图论分析显示,与健康对照组比较,抑郁症患者的节点效率减少在左海马旁回、右杏仁核,左颞横回和左颞极(颞中回)减少.减少的节点效率表明,在抑郁症患者脑网络中这些区域传送信息到其他区域的能力减弱.此外,发现局部效率降低在左内侧额上回、左眶部额上回、右回直肌、左杏仁核、右顶上回、左丘脑和左颞极(颞中回).并且发现左内侧额上回、左杏仁核、左丘脑与PHQ-9得分呈负相关.降低的局部效率表明抑郁症患者脑网络中这些区域的局部网络信息传送能力受到抑制.这些结果进一步确认在抑郁症患者中涉及情感信息处理的前额-丘脑-边缘区域被破坏.我们的发现为抑郁症病人的辅助诊断提供了新的潜在生物学标记物.

大脑白质纤维束与算术能力的关系

为了探索大脑白质纤维束与算术运算能力的关系,设计了一个认知功能实验测试所有受试者的算术能力,然后采集T1结构像和弥散张量成像.使用约翰霍普金斯大学白质纤维束图谱提取每条纤维束的平均各向异性分数(fractional anisotropy,FA),并与行为数据进行相关性分析.结果显示:减法得分与右扣带束(扣带回区域)和右下纵束的FA值呈正相关,算术运算的反应时均与右上纵束(颞叶部分)的FA值呈负相关,并且这些相关与任务的困难差异无关.结果表明:大脑白质纤维束连贯性或髓鞘化的增强可能会提高某些算术能力,进一步为算术运算的神经基础提供了新的证据.

基于统计分布熵的抑郁症脑电信号分析

针对目前抑郁症研究和诊断中量化分析参数和分析方法不足的情况,本文提出和定义一种能对脑电活动的状态分布进行描述、并能用来计算和区分抑郁症患者和正常人脑电活动差异的统计分布熵方法。应用该方法对抑郁症患者和正常对照组的脑电信号统计分布熵进行数值计算,然后分析讨论它们之间的差异,最后对结果进行了统计分析。实验结果表明:抑郁症患者脑电的状态分布熵在部分脑区显著高于正常健康人,表现出较强的差异性。证明该统计分布熵能够表征大脑电活动的分布状态,提供反映其活动是否发生异变的信息,可以作为度量大脑电活动分布状态和分析脑电信号是否异常的一个物理参数。这对其用作诊断其他脑精神疾病的物理指标也具有积极意义。

不同情绪影响下的人类认知行为建模与仿真

针对不同情绪刺激下加法计算的认知加工过程差异问题,提出了不同情绪刺激下加法计算的认知假设模型,验证了不同情绪刺激对加法计算的影响机制;以正性、中性、负性情绪图片刺激下没有进位的二位数加法计算为实验范式,依据被试事前事后问卷调查及行为实验结果,采用行为实验与ACT-R认知仿真实验相结合的方法进行研究;通过行为实验测试了24名被试在不同情绪刺激下加法计算的行为实验结果;认知仿真实验以不同情绪刺激下加法计算的行为结果及相关研究结果为假设,提出了不同情绪下加法计算认知过程的假设模型;结果显示正性情绪刺激下加法计算的模拟反应时间2 040 ms与真实反应时间2 077 ms±107,偏差37 ms;中性情绪刺激下加法计算的模拟反应时间2 106 ms与真实反应时间2 090 ms±98,偏差16 ms;负性情绪刺激下加法计算的模拟反应时间2 264 ms与真实反应时间2 218 ms±52,偏差46 ms;结果表明,正性情绪刺激对认知计算具有促进作用,负性情绪刺激对加法计算具有抑制作用;认知模型的模拟反应时间与真实反应时间非常接近,假设模型的合理性在反应时数据上得到有效验证;同时模型输出的认知信息加工过程序列模块的协同工作机制与分析过程一致,从而使得模型在逻辑合理性得到了有效解释。

基于SAE和LSTM RNN的多模态生理信号融合和情感识别研究

为了提高情感识别的分类准确率,提出一种将栈式自编码神经网络(SAE)和长短周期记忆单元循环神经网络(LSTM RNN)融合的多模态融合特征情感识别方法。该方法通过SAE对不同模态的生理特征进行信息融合和压缩,随后用LSTM RNN对长时间周期的融合进行情感分类识别。通过将该方法用到开源数据集中进行验证,得到情感分类准确率达到0.792 6。实验结果表明,SAE对多模态生理特征进行了有效融合,LSTM RNN能够有效地对长时间周期中的关键特征进行识别。

基于fMRI动态功能连接的抑郁症患者分类研究

针对当前抑郁症诊断正确率偏低、误诊率偏高的问题,利用f MRI动态功能连接研究了抑郁症辅助诊断问题。采用滑动时间窗技术研究功能连接及其网络拓扑特性的动态变化,然后基于这些动态特征应用多元模式分析方法对22名抑郁症患者和27名健康被试者进行分类。采用动态分析方法能够增加样本数量,从而更加有利于一些分类算法的应用。实验结果表明以动态功能连接和网络拓扑特性为特征的分类正确率均为93.88%,明显优于对应非动态特征81.63%和85.71%的结果。分析表明,具有高辨别力的特征所对应的脑区主要分布在默认网络、情感网络、视觉皮层区等,动态功能连接可能为抑郁症的辅助诊断提供新的手段。

生成式对抗网络在抑郁症分类中的应用

深度学习领域中的条件深度卷积生成式对抗网络(CDCGAN)是一种能够生成与训练数据同分布样本的生成模型。针对抑郁症f MRI(functional Magnetic Resonance Imaging)数据难采集、用于研究的被试数远小于数据特征维数的问题,首次将CDCGAN应用于生成抑郁症f MRI数据并提出一种混合特征选择方法用于分析f MRI数据。采用组独立成分分析提取41名被试的独立成分并构建全脑动态功能连接网络;通过肯德尔排序相关系数法选出具有较强辨别能力的特征并使用CDCGAN扩充数据;采用所提出的混合特征选择法进行特征选择;对41名被试的数据进行分类。实验结果表明,采用CDCGAN的分类正确率为92.68%,明显优于不应用CDCGAN的分类结果 68.29%,同时说明了抑郁症f MRI数据采用CDCGAN方法扩充数据的可行性以及混合特征选择方法能选出更有效的特征。

基于独立成分分析功能连接的抑郁症分类研究

已有的功能连接研究大多根据脑图谱构建全脑功能连接,但目前可选用的脑图谱种类有限,且采用不同脑图谱的分析结果可能存在一定的差异。针对上述问题,利用独立成分分析方法研究了抑郁症辅助诊断问题。首先利用组独立成分分析提取独立成分并构建全脑功能连接网络,然后采用Boost FS(boosting feature selection)方法进行特征选择,最后应用多元模式分析方法对20名抑郁症患者和21名健康被试进行分类。实验分类准确率达到95.12%,错分了一名抑郁症患者和一名健康被试。进一步分析表明,具有较强分辨能力的脑网络为感觉运动网络、默认网络和视觉网络,与已有基于脑图谱的研究结果基本一致,从而说明了基于独立成分分析方法的合理性,使其可能成为抑郁症辅助诊断的一种新方法。

静息态脑电信号动态功能连接分析

静息态脑功能连接分析是近年来脑研究的一个热点问题,对于某些脑疾病的诊断及成因理解具有重要意义.已有的脑功能连接研究基本上都假设功能连接网络在一段时间内是稳定不变的,但越来越多的证据表明它应该是随时间动态变化的.对25名被试睁眼和闭眼状态的64电极脑电生理信号,采用独立成分分析、滑动时间窗、低分辨率脑电断层溯源、图论等方法和技术进行动态功能连接分析,展现了睁眼和闭眼两种基线状态下视觉网络、默认网络等功能连接网络随时间的动态变化,并对动态连接矩阵进行主成分分析得到了在整个时间段内具有代表意义的功能连接模式.该结论支持和补充了传统稳态脑功能连接的研究,也将为相关实验设计以及脑电信号临床研究提供基线选择依据.

基于改进功率谱熵的抑郁症脑电信号活跃性研究

采用非线性动力学方法研究脑精神疾病是近年来国内外学者研究的热点和趋势.针对脑精神疾病的研究和诊断中缺少客观有效的量化参数和量化指标的状况,提出了一种根据对时间序列功率谱划分而定义的谱熵,然后用其计算和分析脑电信号谱熵的方法.通过数据仿真试验证明该谱熵和信号活跃性之间存在正相关关系.基于这种相关性,应用该方法对抑郁症患者和正常对照组的脑电信号功率谱熵进行了数值计算,然后进行了分析对比和统计检验.实验结果表明:抑郁症患者脑电信号的功率谱熵在部分脑区显著弱于正常健康人.证明该谱熵能够表征大脑电生理活动状况,提供反映其活动性强弱的信息,可以作为度量大脑电生理活动性的一个参数.这对于能否将该功率谱熵作为诊断脑精神疾病的物理参数具有积极意义.

基于卷积神经网络的阿尔茨海默病与行为异常型额颞叶痴呆的鉴别诊断模型研究

目的 构建一个基于卷积神经网络的深度学习分类模型，以鉴别阿尔茨海默病（Alzheimer＇s disease，AD）和行为异常型额颞叶痴呆（behavioral variant of frontotemporal dementia，bvFTD）患者，旨提高鉴别诊断正确率。方法分别对医生诊断的47例很可能AD患者和39例很可能bvFTD患者进行头颅MRI扫描，对结构MRI数据进行预处理后，根据AAL2模板和Harvard-Oxford模板提取全脑不同脑区的灰质体积特征，采用卷积神经网络进行构建分类模型，并对构建的模型进行与传统机器学习方法的对比试验、主要差异脑区的分类试验和年龄差异探讨试验。结果卷积神经网络基于AAL2模板和Harvard-Oxford模板数据的最高分类正确率分别为82.6%和83.7%，明显优于传统机器学习方法的75.6%和76.7%，2个模板的26个和31个可能主要差异脑区的最高分类正确率分别为79.1%和80.2%。结论AD与bvFTD可以通过基于卷积神经网络的深度学习模型获得较高的分类正确率，提示该模型可用于辅助鉴别诊断。