基于脑电信号的抑郁症识别研究

基于脑电信号的抑郁症识别研究

孙麒麟，李天祥

(长春工程学院  ，吉林 长春 130012)

摘要：抑郁等精神状态的变化会引起大脑神经活动的改变。脑电信号是大脑神经活动的最直接体现，本论文实际并实现了基于脑电信号的抑郁症识别系统，输入包含指定通道的脑电信号文件，系统就能够完成对脑电信号的特征计算和分析，识别是否是抑郁症患者。基于脑电信号的抑郁症识别系统给抑郁症的诊断提供了一个较为客观的辅助和参考，在抑郁障碍辅助诊断方面具有重要的研究价值和潜在的应用价值。

0  引言

大量研究表明抑郁症患者和正常人群在大脑活动上存在显著差异。脑电(Electroencephalography,EEG)作为能够客观反应大脑活动状态的生物电信号,凭借着非侵入性、易获取和时间分辨率高等特点被广泛应用到抑郁症研究领域。当前,抑郁症的发病机理尚不明确,因而研究人员在基于传统机器学习算法和脑电识别抑郁症患者的研究中,缺乏足够的先验知识来设计和筛选特征。深度学习(DeepLearning,DL)凭借其强大的表征学习能力,在计算能力快速增长和样本获取更加便利的今天被成功地应用到众多领域。

1  深度学习模型

深度学习模型是一种机器学习算法，它模仿人脑的神经网络结构，通过多层神经元的连接来进行学习和推断。这种模型通常包括多个隐藏层，每个隐藏层都包含大量的神经元，通过学习大量的数据来提取特征并进行分类、预测或生成。深度学习模型在图像识别、语音识别、自然语言处理和推荐系统等领域取得了很大的成功，成为了人工智能领域的关键技术之一。常见的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）、生成对抗网络（GAN）等。在大数据时代的发展背景下，计算算法也在快速发展和进步。机器学习是一种拥有强大计算能力且不断发展的算法，它能够模仿人类从大数据中提取有用的信息并做出决策。作为机器学习的一个分支，深度学习使用多层信息处理模块对数据中的高级表征进行建模，然后对输入进行分类或预测。近年来，深度学习已成功应用于计算机视觉、自动语音识别、自然语言处理和生物信息学等多个领域。

图1 卷积操作

2  脑电信号采集实验

2.1  实验数据的获取

本研究选取的受试者包括40名抑郁症患者和同等数量健康受试者。我们的实验采集受试者静息状态下的脑电活动，采集过程中为了减少受试者受到的外界环境的影响，提高信号采集的质量，实验采集环境要求安静、温暖、尽量避免电磁干扰。首先实验人员为受试者安放电极。为降低噪声干扰、提高导电性，实验人员事先将电极放在生理盐水浸泡，用医用酒精擦拭与电极接触的皮肤区域，并涂上导电膏。用弹性电极帽固定额叶电极，将耳垂作为参考电极，完成全部电极安放。留给受试者一定的时间安静下来，观察显示器中的脑电信号的波动，等信号趋于稳定时开始记录，记录时间至少持续5.5分钟。记录完成后将信号导出用于后续的处理和分析。

2.2  脑电信号预处理

脑电是一种微弱、非平稳的随机信号，其在采集过程中容易受到环境的影响，噪声的存在会降低信号质量，淹没对信号分析至关重要的微小特征，因此脑电信号预处理必不可少。采集信号的噪声源主要来自电磁干扰、其他生理信号干扰和身体活动等。在电磁干扰中，主要考虑50Hz工频干扰的去除。在其他生理信号的干扰中，首先来分析心电，心电信号是幅值较大的生理信号，由于心脏离头部较远，其在传播到头部的过程中已经大大衰减；由肌肉收缩产生的肌电信号主要集中在高频段，与脑电信号主要频段基本无重叠。由身体活动产生的干扰主要考虑眨眼或眼球转动产生的眼动伪迹，因为选取的电极位置距离眼睛较近，眼球运动带来的影响不可忽略。

眼动伪迹的频率分布与脑电频率部分重合，直接采用高通或低通滤波的方式不能起到有效滤波的作用。在已有的研究中，小波分解重构是一种常用的从脑电中去除眼动伪迹的方法，本研究的预处理过程也采用此方法。在上述小波变换的处理过程中，为了尽可能保留有价值的脑电信息，频率在50Hz附近的信号被保留下来，而工频干扰对信号的影响非常严重，因此这里专门使用50Hz陷波器对工频干扰进行剔除。此外，为了提高计算效率，在满足奈奎斯特采样定理的前提下，将提取的信号降采样至250Hz。最后，对经前面步骤处理的数据进行人工检查，去除可能出现的零值序列。

图2 电极名称和通道分配

图3 眼电伪迹标记

2.3  脑电样本准备

为了将数据输入到深度学习模型，需要对其输入形式进行必要的调整。在计算机视觉任务中，常用的输入样本是二维图片，受此启发，本研究把输入数据组织成矩阵的形式。

通常情况下，深度学习模型需要用足够多的训练样本进行训练，才能具有良好的泛化能力。由于本研究的数据集包含的受试者数量有限，若将一个受试者的数据作为一个样本，则生成的样本量过小容易导致过拟合。在实际应用中，获取大量的脑电信号是一项耗费大量时间和精力的工作。结合现有条件，这里使用数据增强的方法增加样本量，来满足模型训练的需要。目前的脑电信号研究中常用的数据增强方法是脑电信号分割。具体方法为，使用一个6s的时间窗对受试者的脑电信号进行不重叠地分割，每个受试者的信号就产生了多个样本，每个样本包含的采样点为1500。将脑电样本就可以用矩阵a*b的方式来表示，其中a表示脑电通道，b表示信号长度即采样点数。作为深度学习模型的输入，每个数据矩阵就是一个独立的样本。这样每个受试者的记录被分割成一个片段序列{X1，X2，……Xt…….XT}其中X

t表示某个片段，T表示一条脑电记录中脑电信号片段数。从同一脑电记录中分割出的子信号具有相同的分类标签，将子信号Xt的标签记作Lt,那么对一组输入{X1，X2，……Xt…….XN}它的标签对应为{L1，L2，……Lt…….LN}。

3  结语

本文根据抑郁患者与健康人群脑电信号存在差异的情况，使用采集自80名受试者静息状态下额叶三电极（Fp1、Fz、Fp2）的脑电数据，针对单通道脑电信号和多通道脑电信号的不同应用场景，建立了基于深度学习的抑郁识别模型，并使用可视化方法验证了模型有效性。

参考文献

[1]王百洋.基于深度学习和脑电信号的抑郁症诊断方法研究.临沂大学,2023.

[2]宋鑫旺.基于脑电信号的抑郁症检测方法研究.山东大学，2023.

[3]段慧峰.基于脑电信号特征的抑郁症识别方法研究.北京工业大学，2020.

[4]郭雨.基于脑电信号的抑郁症识别研究与实现.北京邮电大学,2021.

资助项目（长春工程学院大学生创新创业训练计划项目，项目编号：S202311437101）