近年來(lái),抑郁癥的患病率逐步升高,成為最緊迫的公共健康問(wèn)題之一。目前,對(duì)抑郁癥患者的主要診斷方法大多數(shù)是通過(guò)醫(yī)生和患者之間的溝通交流以及填寫相關(guān)的問(wèn)卷量表。此類方法缺乏客觀性,依賴醫(yī)生的從業(yè)經(jīng)驗(yàn)與相應(yīng)的專業(yè)背景知識(shí)且耗時(shí)費(fèi)力。由于腦電信號(hào)具有非侵入性、低成本、操作簡(jiǎn)單、易于記錄等優(yōu)點(diǎn),研究者開(kāi)始將腦電信號(hào)應(yīng)用于抑郁癥識(shí)別研究中,利用機(jī)器學(xué)習(xí)算法對(duì)抑郁癥腦電信號(hào)進(jìn)行分析,試圖找到一種客觀、及時(shí)并且準(zhǔn)確的抑郁癥診斷方法。然而,現(xiàn)階段有關(guān)使用深度學(xué)習(xí)進(jìn)行抑郁癥識(shí)別的研究相對(duì)較少,并且無(wú)論是使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法還是深度學(xué)習(xí)方法,大多數(shù)研究都基于腦電信號(hào)手動(dòng)提取多個(gè)特征。然后將提取的特征與傳統(tǒng)的分類算法或神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)單地結(jié)合在一起。如何找到更好的抑郁癥識(shí)別方法仍然是一項(xiàng)挑戰(zhàn)。為此,我們將利用機(jī)器學(xué)習(xí)和腦電信號(hào)探尋新的計(jì)算機(jī)輔助診斷抑郁癥的方法。在本文中,我們基于情緒圖片識(shí)別任務(wù)實(shí)驗(yàn),使用128導(dǎo)HCGSN（Hydro Cel Geodesic Sensor Net）腦電采集系統(tǒng)收集腦電數(shù)據(jù)。我們選用28名被試的腦電數(shù)據(jù)進(jìn)行研究,其中包括14名抑郁癥被試與14名正常對(duì)照。本文的主要工作如下:（1... 

【文章來(lái)源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

各波段波形展示

浴?F處理高維輸入特征時(shí)，無(wú)需降維，無(wú)論樣本集的大小都具有極高的準(zhǔn)確率。2.1.4深度森林深度森林同樣是一種基于集成學(xué)習(xí)的分類方法[39]。近年來(lái)，神經(jīng)網(wǎng)絡(luò)在諸多領(lǐng)域都展現(xiàn)出優(yōu)異的性能，我們可以將神經(jīng)網(wǎng)絡(luò)理解為由多層非線性函數(shù)堆疊而成的模型。這就引出了一個(gè)問(wèn)題——能否將其他學(xué)習(xí)器同神經(jīng)網(wǎng)絡(luò)一樣堆疊起來(lái)以獲得更好的表示能力。深度森林就是一種通過(guò)級(jí)聯(lián)的方式堆疊而成的多層森林模型。與需要大量參數(shù)的神經(jīng)網(wǎng)絡(luò)相比，深度森林參數(shù)較少，訓(xùn)練更加容易并且深度森林在各種規(guī)模的數(shù)據(jù)集上都能表現(xiàn)出優(yōu)異的性能。圖2-1深度森林結(jié)構(gòu)圖深度森林由兩部分構(gòu)成，它們分別是多粒度掃描模塊和級(jí)聯(lián)森林模塊。圖2-1描述了深度森林的結(jié)構(gòu)。深度森林的整個(gè)數(shù)據(jù)處理流程分為以下兩步：（1）首先使用多粒度掃描模塊處理輸入數(shù)據(jù)。以3分類問(wèn)題為例，假設(shè)輸入數(shù)據(jù)為1ⅹ400的序列。根據(jù)輸入序列的長(zhǎng)度，將滑動(dòng)窗口的大小分別設(shè)置為1ⅹ100,1ⅹ200,1ⅹ300。使用1ⅹ100長(zhǎng)度的時(shí)間窗口時(shí)，原來(lái)長(zhǎng)度為1ⅹ400的序列被劃分為301個(gè)1ⅹ100的序列。然后將這些得到的1ⅹ100的序列輸入到一個(gè)完全隨機(jī)森林和一個(gè)隨機(jī)森林中，分別得到大小為301ⅹ3的特征向量（該分類問(wèn)題為3分類問(wèn)題）。接著將得到的兩個(gè)相同維度的特征向量拼接為一個(gè)長(zhǎng)度為1ⅹ1806的特征向量。同理，對(duì)于長(zhǎng)度1ⅹ200的滑動(dòng)窗口會(huì)得到1ⅹ1206的特征向量。對(duì)于長(zhǎng)度為1ⅹ300的滑動(dòng)窗口會(huì)得到1ⅹ606的特征向量。（2）將經(jīng)過(guò)多粒度掃描模塊后得到的特征向量輸入到級(jí)聯(lián)森林中用于模型的訓(xùn)練。首先將長(zhǎng)度為1ⅹ1806的特征向量輸入到第一層級(jí)聯(lián)森林中，訓(xùn)練后得到長(zhǎng)度為1ⅹ12的特征向量。將得到的1ⅹ12的特征向

浴?F處理高維輸入特征時(shí)，無(wú)需降維，無(wú)論樣本集的大小都具有極高的準(zhǔn)確率。2.1.4深度森林深度森林同樣是一種基于集成學(xué)習(xí)的分類方法[39]。近年來(lái)，神經(jīng)網(wǎng)絡(luò)在諸多領(lǐng)域都展現(xiàn)出優(yōu)異的性能，我們可以將神經(jīng)網(wǎng)絡(luò)理解為由多層非線性函數(shù)堆疊而成的模型。這就引出了一個(gè)問(wèn)題——能否將其他學(xué)習(xí)器同神經(jīng)網(wǎng)絡(luò)一樣堆疊起來(lái)以獲得更好的表示能力。深度森林就是一種通過(guò)級(jí)聯(lián)的方式堆疊而成的多層森林模型。與需要大量參數(shù)的神經(jīng)網(wǎng)絡(luò)相比，深度森林參數(shù)較少，訓(xùn)練更加容易并且深度森林在各種規(guī)模的數(shù)據(jù)集上都能表現(xiàn)出優(yōu)異的性能。圖2-1深度森林結(jié)構(gòu)圖深度森林由兩部分構(gòu)成，它們分別是多粒度掃描模塊和級(jí)聯(lián)森林模塊。圖2-1描述了深度森林的結(jié)構(gòu)。深度森林的整個(gè)數(shù)據(jù)處理流程分為以下兩步：（1）首先使用多粒度掃描模塊處理輸入數(shù)據(jù)。以3分類問(wèn)題為例，假設(shè)輸入數(shù)據(jù)為1ⅹ400的序列。根據(jù)輸入序列的長(zhǎng)度，將滑動(dòng)窗口的大小分別設(shè)置為1ⅹ100,1ⅹ200,1ⅹ300。使用1ⅹ100長(zhǎng)度的時(shí)間窗口時(shí)，原來(lái)長(zhǎng)度為1ⅹ400的序列被劃分為301個(gè)1ⅹ100的序列。然后將這些得到的1ⅹ100的序列輸入到一個(gè)完全隨機(jī)森林和一個(gè)隨機(jī)森林中，分別得到大小為301ⅹ3的特征向量（該分類問(wèn)題為3分類問(wèn)題）。接著將得到的兩個(gè)相同維度的特征向量拼接為一個(gè)長(zhǎng)度為1ⅹ1806的特征向量。同理，對(duì)于長(zhǎng)度1ⅹ200的滑動(dòng)窗口會(huì)得到1ⅹ1206的特征向量。對(duì)于長(zhǎng)度為1ⅹ300的滑動(dòng)窗口會(huì)得到1ⅹ606的特征向量。（2）將經(jīng)過(guò)多粒度掃描模塊后得到的特征向量輸入到級(jí)聯(lián)森林中用于模型的訓(xùn)練。首先將長(zhǎng)度為1ⅹ1806的特征向量輸入到第一層級(jí)聯(lián)森林中，訓(xùn)練后得到長(zhǎng)度為1ⅹ12的特征向量。將得到的1ⅹ12的特征向

【參考文獻(xiàn)】：
期刊論文
[1]一個(gè)測(cè)量抑郁癥的重要神經(jīng)指標(biāo):靜息額葉腦電活動(dòng)的不對(duì)稱性[J]. 劉雷,周仁來(lái).  心理科學(xué)進(jìn)展. 2015(06)
[2]抑郁癥住院患者靜息態(tài)的腦磁頻譜分析[J]. 湯浩,盧青,韓莉,江海騰,羅國(guó)平,姚志劍.  中華精神科雜志. 2012 (06)
[3]中國(guó)面孔表情圖片系統(tǒng)的修訂[J]. 龔栩,黃宇霞,王妍,羅躍嘉.  中國(guó)心理衛(wèi)生雜志. 2011(01)

碩士論文
[1]基于腦電信號(hào)和深度學(xué)習(xí)的抑郁癥患者識(shí)別研究[D]. 毛萬(wàn)登.蘭州大學(xué) 2019
[2]基于腦電信號(hào)的抑郁識(shí)別及數(shù)據(jù)挖掘算法的研究[D]. 孫淑婷.蘭州大學(xué) 2017



本文編號(hào)：3105279