本發(fā)明涉及腦電信號處理與腦功能網(wǎng)絡(luò)構(gòu)建，特別涉及一種基于mbfn的抑郁癥自動檢測方法。

背景技術(shù)：

1、抑郁癥是一種常見精神疾病，持續(xù)情緒低落、失去生活興趣是其典型癥狀。根據(jù)世界衛(wèi)生組織(who)報告全球約有5％的成年人患有抑郁癥，大約25％的抑郁癥患者有自殺傾向，每年超過70萬抑郁癥患者死于自殺。國際公認(rèn)治療抑郁癥最有效的方法是早識別早干預(yù)，避免隨著時間推移造成對大腦功能不可逆轉(zhuǎn)的損害。傳統(tǒng)基于phq-9的面對面訪談的抑郁癥診斷方法，依賴于醫(yī)生主觀經(jīng)驗和患者提供信息真實性，使得臨床診斷準(zhǔn)確率往往維持在47％左右。因此，探索客觀、準(zhǔn)確、高效的抑郁癥自動識別方法具有重要的價值和意義。

2、腦電(eeg)作為一種從腦組織中讀取電活動的影像技術(shù)，反映了神經(jīng)元的同步程度，神經(jīng)遞質(zhì)的釋放和結(jié)合可以改變神經(jīng)元興奮性或抑制性。神經(jīng)遞質(zhì)是大腦中重要化學(xué)物質(zhì)，臨床研究表明，抑郁癥患者神經(jīng)遞質(zhì)呈現(xiàn)失衡狀態(tài)?；趀eg的抑郁癥研究在過去幾十年中取得了豐碩的成果，多數(shù)研究集中在獨立eeg電極數(shù)據(jù)或eeg電極數(shù)據(jù)與其他數(shù)據(jù)的融合方面，忽略了不同eeg電極數(shù)據(jù)之間的相關(guān)性。因此，很難揭示隱藏在抑郁癥背后腦功能異常變化的生理機制。

3、人腦作為一個超級復(fù)雜神經(jīng)元網(wǎng)絡(luò)，通過神經(jīng)元進行信息傳遞。伴隨基于圖論的復(fù)雜網(wǎng)絡(luò)研究深入，越來越多證據(jù)表明抑郁癥等神經(jīng)系統(tǒng)疾病的本質(zhì)上是由腦功能連接異常引起的，而不是局部腦損傷。已有研究(b.t.zhang,et?al.,“brain?functionalnetworks?based?on?resting-state?eeg?data?for?major?depressive?disorderanalysis?and?classification”,ieee?transactions?on?neural?systems?andrehabilitation?engineering,2021,29(1):215-229.)，通過基于多通道靜息態(tài)eeg的單層腦功能網(wǎng)絡(luò)(bfn)分析表明，與正常對照者相比，抑郁癥患者的bfn呈現(xiàn)隨機化趨勢，該研究并利用單層bfn相關(guān)特征，獲得了93.31％的抑郁癥檢測準(zhǔn)確率。

4、基于eeg的單層bfn在一定程度上實現(xiàn)抑郁癥的分析與自動檢測。同時，目前bfn研究正經(jīng)歷著從經(jīng)典單層到多層的拓展，基于eeg的多層bfn(mbfn)研究逐漸受到關(guān)注。遺憾的是，涉及抑郁癥的mbfn成果很少。為此，本發(fā)明通過對多通道eeg信號的重構(gòu)和通道選擇的探索，提供了一種基于mbfn的抑郁癥自動檢測方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明目的就在于為了解決上述的問題，而提供一種基于多通道eeg信號重構(gòu)與選擇，結(jié)合mbfn的抑郁癥自動檢測方法。

2、為實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案具體步驟如下：

3、步驟一：輸入128通道原始eeg數(shù)據(jù)x＝{x(1),x(2),…,x(n)}；

4、步驟二：基于可變滑動窗口(vsw)多尺度化eeg信號，尺度系數(shù)s＝1時，vsw得到與原eeg信號序列相同的信號序列，尺度系數(shù)s≠1時，vsw將原eeg信號序列多尺度化后重構(gòu)為

5、

6、式中，是第l個變滑動窗口的eeg信號的第j個數(shù)據(jù)，依次對所有eeg通道進行多尺度化及重構(gòu)；

7、步驟三：比較各通道在不同尺度上重構(gòu)eeg信號樣本熵，選擇多數(shù)尺度重構(gòu)eeg信號中樣本熵值排序前k個通道，帶通濾波器將前k個通道eeg信號劃分至delta(0.5-4hz),theta(4-8hz),alpha(8-13hz),beta(13-30hz)和gamma(30-48hz)等五個子帶；

8、步驟四：使用前k個eeg通道對應(yīng)電極作為mbfn的共享節(jié)點，子帶內(nèi)eeg節(jié)點對的功能連接生成層內(nèi)鄰接矩陣，不同子帶間eeg節(jié)點對的功能連接生成層間鄰接矩陣，層內(nèi)鄰接矩陣和層間鄰接矩陣共同組成超鄰接矩陣，進而生成mbfn；

9、其中，層內(nèi)及層間鄰接矩陣功能連接的計算以傳遞熵作為載體，eeg節(jié)點對之間兩個方向上傳遞熵相加求均值即功能連接強度，計算過程如下：

10、

11、ri和rj表示兩eeg節(jié)點vj和vj對應(yīng)的時間序列，τ為通道間的時間延遲，τ＝1ms,p(·)為概率分布；

12、步驟五：分析抑郁癥組和正常對照組之間mbfn的層內(nèi)和層間功能連通性變化，在顯著性改變網(wǎng)絡(luò)層中對mbfn的層內(nèi)總耦合強度(<m>)，層間耦合強度(<h>)，多層網(wǎng)絡(luò)參與系數(shù)(mpc)，多路聚類系數(shù)(mcc)，局部效率(loce)，全局效率(gloe)等度量指標(biāo)與臨床檢查標(biāo)準(zhǔn)phq-9評分進行pearson相關(guān)性分析，探索抑郁癥檢測潛在標(biāo)識物；

13、步驟六：采用knn分類器評估潛在標(biāo)識物對抑郁癥檢測的有效性，實現(xiàn)抑郁癥檢測。

14、進一步地，步驟二中基于vsw多尺度化eeg信號重構(gòu)過程如下：

15、(1)尺度系數(shù)s＝2時，eeg信號重構(gòu)為即

16、(2)尺度系數(shù)s＝3時，eeg信號重構(gòu)為和其中，第一個eeg信號重構(gòu)序列即第二個eeg信號重構(gòu)序列即

17、(3)以此類推，直至s≥n/4或者s＝30，其中，n為原始eeg通道數(shù)量。

18、進一步地，步驟三中前k個通道選擇過程如下：

19、(1)重構(gòu)后eeg信號按序組成一組維度為m向量序列ym(1),…,ym(n-m+1)，其中，ym(i)＝{y(i),y(i+1),…,y(i+m-1)},1≤i≤n-m+1；

20、(2)向量ym(i)與ym(j)之間的距離計算公式為：

21、d[ym(i),ym(j)]＝maxk＝0，...，m-1(|y(i+k)-y(i+k)|)???(5)；

22、(3)對于給定的ym(i)，統(tǒng)計d[ym(i),ym(j)]≤r的j的數(shù)量bi，其中，1≤j≤n-m，則向量ym(i)存在：

23、

24、對于全部向量序列，則bm(r)定義為：

25、

26、(4)增加維數(shù)至m+1，統(tǒng)計d[ym+1(i),ym+1(j)]≤r的j的數(shù)量ai，則aim(r)定義為：

27、

28、am(r)定義為：

29、

30、(5)計算eeg信號的樣本熵，計算如下：

31、

32、式中，參數(shù)設(shè)置如下：m＝2,r＝0.15*sd,sd為相應(yīng)尺度eeg信號的標(biāo)準(zhǔn)差；

33、(6)基于各通道不同尺度的樣本熵生成如下樣本熵矩陣：

34、

35、其中，n為eeg通道數(shù)，s為多尺度系數(shù)；

36、(7)計算樣本熵矩陣中每一行樣本熵均值，選擇均值最高前k通道用于構(gòu)建mbfn。

37、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

38、1.本發(fā)明提供一種基于可變滑動窗口(vsw)多尺度化eeg信號重構(gòu)的方法，通過對多尺度化后eeg信號進行重構(gòu)，從不同尺度充分挖掘eeg中隱含的有價值抑郁癥信息，從而保證后續(xù)所構(gòu)建mbfn的有效性。

39、2.避免全連接網(wǎng)絡(luò)中存在大量弱連接對核心連接干擾的問題，本發(fā)明提供了一種基于雙向樣本熵的通道選擇方法，用于選擇前k個與抑郁癥密切相關(guān)通道構(gòu)建mbfn。

40、3.通過mbfn組間差異性分析，本發(fā)明發(fā)現(xiàn)抑郁癥患者mbfn中，層內(nèi)網(wǎng)絡(luò)theta-theta、alpha-alpha的功能連通性以及層間網(wǎng)絡(luò)delta-theta、delta-alpha、delta-beta的功能連通性均降低，且層內(nèi)功能連通性比層間功能連通性降低更為顯著。