【摘要】：抑郁癥是一種常見(jiàn)的精神疾病,以心境低落和悲觀為主要特征,癥狀嚴(yán)重時(shí)可能會(huì)產(chǎn)生自殺行為。由于抑郁癥患者數(shù)量逐年增加,診斷結(jié)果受主觀因素影響,容易造成誤診和漏診,所以急需提高其診斷的準(zhǔn)確性。通過(guò)對(duì)抑郁癥腦電信號(hào)的研究現(xiàn)狀、處理和分析方法的綜合分析,發(fā)現(xiàn)腦電信號(hào)去噪方法和診斷模型的選擇對(duì)提高診斷準(zhǔn)確率至關(guān)重要。在去噪處理方面,本文提出了希爾伯特-黃變換(Hilbert-Huang Transform,HHT)結(jié)合小波包的去噪方法。采集到的腦電信號(hào)含有噪聲,通過(guò)小波包算法進(jìn)一步處理HHT中得到的含噪固有模態(tài)函數(shù)(Intrinsic Mode Function,IMF)分量,可使去噪后的重構(gòu)信號(hào)保留更多有效的信息。在診斷模型的建立方面,由于腦電信號(hào)中存在很大的不確定性,采用基于概率的表示方法對(duì)于分析腦電信號(hào)往往能取得很好的效果,故提出在變分貝葉斯理論基礎(chǔ)上建立腦電信號(hào)的隱馬爾可夫診斷模型。首先,利用變分貝葉斯(Variational Bayesian,VB)算法、最大似然(Maximum Likelihood,ML)算法和最大后驗(yàn)(Maximum A Posteriori,MAP)算法對(duì)隱馬爾科夫模型(Hidden Markov Model,HMM)進(jìn)行參數(shù)估計(jì)及分析。然后,在合成數(shù)據(jù)上比較VB和ML算法得到的隱馬爾科夫模型,實(shí)驗(yàn)結(jié)果顯示VB算法可以避免ML算法中出現(xiàn)的過(guò)擬合現(xiàn)象。最后,把去噪處理后的腦電信號(hào)的波動(dòng)指數(shù)作為診斷模型的輸入,比較三種算法下的隱馬爾科夫模型的識(shí)別率,實(shí)驗(yàn)結(jié)果表明VB算法下的隱馬爾科夫模型對(duì)抑郁組和健康對(duì)照組的識(shí)別率最高,可達(dá)到91.2%。
【圖文】：

1 實(shí)驗(yàn)過(guò)程1. 受試者的選擇本文的實(shí)驗(yàn)涉及抑郁組和健康對(duì)照組。實(shí)驗(yàn)對(duì)象由 15 名健康者和 15 名抑郁組成，為保證結(jié)果質(zhì)量，要求受試者年齡在 20~55 歲之間（23.7±10.2 歲；平均準(zhǔn)差），右利手，聽(tīng)力健全，智力正常，受教育背景要求高于小學(xué)。其他要求)抑郁組：PHQ-9 得分在 10 分及以上的受試者和 DASS-21 評(píng)分 14 分及以上的受類為抑郁組；(2)健康對(duì)照組：?jiǎn)柧淼梅謿w類為健康的受試者。下列受試者將被實(shí)驗(yàn)之外：長(zhǎng)期服用睡眠藥物，患有高血壓或心臟病，懷孕，哺乳或服用避孕慢性身體疾病，三代以內(nèi)的家庭成員患有心理障礙，在一年內(nèi)濫用酒精或心理藥2. 實(shí)驗(yàn)設(shè)備用于采集腦電數(shù)據(jù)的設(shè)備主要包括 3IT_EHV1 腦電帽，8 通道的 OpenBCI_V3 以及配套的 GUI 數(shù)據(jù)分析軟件 OpenBCI_GUI。（1）腦電帽：3IT_EHV1 腦電帽是全新腦電帽，，全干電極（無(wú)需導(dǎo)電膏），enBCI Ultracortex_Mark3/4 系列腦電帽。如圖 4.1(a)所示。

8 個(gè)獨(dú)立的信號(hào)采集通道，主控為 Arduino UNO，腦電芯片為全球著名半導(dǎo)體商 TI（德州儀器）提供。如圖 4.1(b)所示。（3）數(shù)據(jù)分析軟件：數(shù)據(jù)分析軟件 OpenBCI_GUI 為設(shè)備的配套軟件，可以對(duì)采集參數(shù)進(jìn)行設(shè)置以及分析數(shù)據(jù)。實(shí)驗(yàn)中各電極的采樣頻率設(shè)置為 250Hz、精度為 8bi帶通濾波設(shè)置為 0.5Hz~100Hz 以及 50Hz 陷波濾波。如圖 4.2 所示。
【學(xué)位授予單位】：長(zhǎng)春理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：R749.4;R318;TN911.7

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 樊存佳;汪友生;邊航;;一種改進(jìn)的KNN文本分類算法[J];國(guó)外電子測(cè)量技術(shù);2015年12期

2 徐定杰;沈忱;沈鋒;;混合高斯分布的變分貝葉斯學(xué)習(xí)參數(shù)估計(jì)[J];上海交通大學(xué)學(xué)報(bào);2013年07期

3 董盟盟;仲軼;徐潔;戴體俊;劉功儉;;基于小波分析的腦電信號(hào)處理[J];電子設(shè)計(jì)工程;2012年24期

4 瞿祥;王藝明;;腦電非線性動(dòng)力學(xué)分析在抑郁癥中的應(yīng)用及抗抑郁藥的療效觀察[J];中國(guó)醫(yī)藥導(dǎo)報(bào);2012年34期

5 楊幫華;陸文宇;何美燕;劉麗;;腦機(jī)接口中基于WPD和CSP的特征提取[J];儀器儀表學(xué)報(bào);2012年11期

6 魏有東,謝鵬;神經(jīng)性障礙與抑郁癥患者腦電圖比較分析[J];山西醫(yī)科大學(xué)學(xué)報(bào);2005年01期

7 童珊,黃華,陳槐卿;非線性動(dòng)力學(xué)在腦電分析中的應(yīng)用[J];生理科學(xué)進(jìn)展;2005年01期

8 季忠,秦樹(shù)人,彭麗玲;腦電信號(hào)的現(xiàn)代分析方法[J];重慶大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年09期

相關(guān)博士學(xué)位論文 前2條

1 王凱明;抑郁癥腦電信號(hào)的非線性研究與診斷模型構(gòu)建[D];北京工業(yè)大學(xué);2015年

2 王婷;EMD算法研究及其在信號(hào)去噪中的應(yīng)用[D];哈爾濱工程大學(xué);2010年

相關(guān)碩士學(xué)位論文 前8條

1 孫名厚;基于現(xiàn)代譜估計(jì)的抑郁癥腦電研究[D];蘭州大學(xué);2016年

2 李洋;基于小波變換和卡爾曼濾波器的去眼電偽跡算法的研究[D];蘭州大學(xué);2016年

3 許婷婷;基于腦電數(shù)據(jù)的抑郁識(shí)別及源定位的研究[D];蘭州大學(xué);2015年

4 廖智舟;抑郁癥腦電信號(hào)特征及分類研究[D];北京工業(yè)大學(xué);2014年

5 王小甜;不同情緒狀態(tài)下腦電信號(hào)特征的研究[D];長(zhǎng)春理工大學(xué);2014年

6 尹兵;腦電波信號(hào)的去偽跡研究[D];南京郵電大學(xué);2014年

7 楊雅;基于貝葉斯理論的運(yùn)動(dòng)想象信號(hào)分析方法研究[D];華南理工大學(xué);2013年

8 陳金燕;發(fā)作期癲癇腦電信號(hào)的自動(dòng)檢測(cè)方法研究[D];華東理工大學(xué);2013年

本文編號(hào)：2675407