基于腦電信號(Electroencephalography,EEG)的抑郁癥研究側重于使用數據挖掘的方法來識別抑郁癥,而對輕度抑郁的研究尚處于起步階段,尤其是在有效監(jiān)測和定量測量方面。針對輕度抑郁癥的識別,本文提出了兩種使用卷積神經網絡(Convolutional Neural Network,CNN)的計算機輔助檢測(computer-aided detection,CAD)模型。本文使用了24名輕度抑郁和24名健康對照大學生在情緒面孔瀏覽任務中的腦電數據。在第一個模型——基于腦電功率特征的深度神經網絡輕度抑郁識別模型中,受CNN在圖片識別領域取得的巨大成功的啟發(fā),模型將腦電時序信號轉換為RGB三通道圖片形式作為深度神經網絡的輸入。腦電信號包含頻域、空間和時間方面的信息,頻域特征通常使用信號的頻譜圖進行研究,于是本文提取了腦電的功率特征;腦電的空間信息通過電極位置體現,電極位置分布在三維空間,為了處理方便,利用方位角等距投影(Azimuthal equidistant projection,AEP)將三維電極位置投影到二維平面形成一張圖像來保留腦電的空間信息;腦電信號是時序信號,反映...

【文章頁數】：64 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 研究現狀
        1.2.1 基于腦電信號的抑郁癥的CAD系統(tǒng)
        1.2.2 基于功能連接的抑郁識別研究
        1.2.3 深度學習在神經信號分類領域的應用
        1.2.4 抑郁癥患者情緒加工異常
        1.2.5 被試相關與被試無關分類
    1.3 主要工作與創(chuàng)新
    1.4 論文結構安排
第二章 深度學習算法及圖論理論基礎
    2.1 深度學習算法基礎
        2.1.1 卷積神經網絡
        2.1.2 長短時記憶網絡
    2.2 圖理論基礎知識
        2.2.1 功能連接計算
        2.2.2 圖論方法
    2.3 本章小結
第三章 實驗設計與數據采集
    3.1 被試對象
    3.2 實驗材料和流程
    3.3 腦電信號采集及預處理
    3.4 本章小結
第四章 基于腦電功率特征的深度神經網絡輕度抑郁識別模型
    4.1 輸入形式
    4.2 網絡架構
    4.3 分類結果
        4.3.1 CNN與傳統(tǒng)分類算法在輕度抑郁的CAD系統(tǒng)中的性能比較
        4.3.2 EEG空間和時間信息的作用
        4.3.3 按被試劃分訓練測試集和隨機劃分訓練測試集的對比
        4.3.4 討論
    4.4 本章小結
第五章 基于功能連接矩陣的卷積神經網絡輕度抑郁識別模型
    5.1 輸入
    5.2 網絡結構及訓練
    5.3 基于圖論的結果
        5.3.1 小世界屬性
        5.3.2 單電極上的平均聚類系數統(tǒng)計分析
        5.3.3 網絡的拓撲結構
        5.3.4 討論
    5.4 CNN分類結果
        5.4.1 CNN對四種功能連接矩陣的分類性能
        5.4.2 我們的CNN方法和經典分類算法的對比
        5.4.3 三通道功能連接矩陣的分類性能
        5.4.4 討論
    5.5 本章小結
第六章 總結和展望
    6.1 本文的工作總結
    6.2 研究展望
參考文獻
附錄
在學期間的研究成果
致謝



本文編號：3833273