CH716863B1

CH716863B1 - Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodells basierend auf einer Kanalauswahl von Mehrkanal-Elektroenzephalographie.

Info

Publication number: CH716863B1
Application number: CH001419/2020A
Authority: CH
Inventors: Hu Bin; Shen Jian; Pan Jing; Li Junlei; Wu Manxi; Li Na; Zhang Xiaowei
Original assignee: Univ Lanzhou
Priority date: 2019-11-22
Filing date: 2020-11-04
Publication date: 2024-03-15
Also published as: CN110876626B; CN110876626A; CH716863A8; CH716863A2

Abstract

Ein Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodell basierend auf einer Kanalauswahl von Mehrkanal-Elektroenzephalographie (EEG), welches in der Erfindung bereitgestellt wird, beseitigt effektiv durch Mehrkanal-EEG-Signale verursachte Informationsredundanz, reduziert die Berechnungskomplexität, und verbessert eine Erkennungsgenauigkeit der Depressionserkennung. Das Verfahren umfasst : Erhalten von Mehrkanal-EEG-Signalen, die in einem Ruhezustand erfasst werden; Vorverarbeitung der erhaltenen Mehrkanal-EEG-Signalen; Extrahieren von effektiven Merkmalen, die für eine Kanalauswahl verwendet werden ausgehend von den vorverarbeiteten Mehrkanal-EEG-Signalen; Durchführen einer Kanalauswahl auf der Zielfunktion, mit modifizierter Kernel-Zielausrichtung (mKTA) als Zielfunktion, unter Verwendung eines Neuen-Binären-Partikel-Schwarm-Optimierungs (NBPSO)-Verfahrens, um eine Kanalteilmenge zu erhalten; und Erkennen der ausgewählten Kanalteilmenge, und Erstellen des Depressionserkennungs-Klassifikationsmodell.

Description

TECHNISCHES GEBIET

[0001] Die Erfindung ist ein Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodell, das auf einer Kanalauswahl von Mehrkanal-Elektroenzephalographie (EEG) basiert und zu dem technischen Gebiet der Hilfsbehandlung für Depression gehört.

HINTERGRUND

[0002] Depression ist eine häufige psychische Störung, die Wochen, Monate oder sogar Jahre dauern kann. Sie beeinträchtigt die Fähigkeit eines Menschen, Aktivitäten des täglichen Lebens auszuführen. Wie von der WHO vorhergesagt, wird Depression bis 2020 zur zweithäufigsten Bedrohung für das menschliche Leben werden. Depression kann die Gedanken, das Verhalten, die Gefühle, und das Wohlbefinden einer Person erheblich beeinträchtigen. Darüber hinaus leiden nach der Vorhersage der WHO weltweit mehr als 350 Millionen Menschen an Depression, und fast eine Million Depressionspatienten begehen jedes Jahr Selbstmord. Depression ist zu einer ernsthaften Bedrohung für das menschliche Leben geworden. Obwohl Depression mit einigen effektiven klinischen Mitteln behandelt werden kann, leidet weltweit eine große Zahl von Depressionspatienten aufgrund von Vernachlässigung, verspäteter Diagnose und Fehldiagnose unter durch Depression verursachte Schmerzen. Daher ist die Früherkennung von Depression entscheidend, um Depression zu heilen, die Lebensqualität zu verbessern und die psychische und physische Gesundheit von Depressionspatienten zu gewährleisten, und sie kann auch die durch Depression verursachte soziale und wirtschaftliche Belastung direkt verringern.

[0003] Gegenwärtig sind die Selbstbeurteilungs-Depressionsskala und das klinische Interview die wichtigsten klinischen Mittel zur Diagnose und Erkennung von Depression. Die Selbstbeurteilungs-Depressionsskala ist jedoch im Allgemeinen subjektiv, und das klinische Interview wird in der Regel von den klinischen Fähigkeiten und diagnostischen Verfahren von Allgemeinmedizinern beeinflusst. Darüber hinaus gibt es in der klinischen Praxis kein objektives Beurteilungskriterium für die Diagnose und Erkennung von Depression. Da die Zahl der Depressionspatienten zunimmt, wird es dringend notwendig, eine effektive Nachversorgung für Depressionspatienten durch Früherkennung und Beurteilung bereitzustellen. Um ein objektiveres Erkennungsergebnis zu erhalten, führen Forscher Depressionserkennung auf der Basis von Verhaltenssignalen wie Ausdrücken, Stimme und Körperhaltungen durch, und haben durch den Einsatz verschiedener Verfahren des maschinellen Lernens und des Tiefenlernens einige Erfolge erzielt. Da die Verhaltenssignale jedoch indirekte Signale sind, die leicht zu kontrollieren und zu verschleiern sind, können die Signale durch subjektive Faktoren eines Probanden gestört werden und können manchmal nicht den möglichen realen psychischen Zustand des Probanden widerspiegeln. Ein EEG-Signal, welches eine spontane Entladungsaktivität der Großhirnrinde ohne künstliche Kontrolle ist, kann einen internen Arbeitszustand eines Gehirns direkt widerspiegeln und hat eine hohe zeitliche Auflösung. Darüber hinaus hat das EEG Eigenschaften wie, dass es sicher und einfach zu erwerben, nicht-invasiv und kostengünstig ist. Daher ist es machbar und vielversprechend, eine objektive Erkennung von Depression unter Verwendung von EEG-Signalen bereitzustellen. Die Forschung der EEG-basierten Depressionserkennung stellt einen bequemeren neuen Ansatz für die klinische Diagnose und Behandlung von Depression bereit. In den letzten Jahren hat die Forschung der EEG-basierten Depressionserkennung auch bei Experten und Gelehrten große Beachtung gefunden.

[0004] Die Erkennungsgenauigkeit der aktuellen Forschung von EEG-basierter Depressionserkennung muss noch verbessert werden. Da klinisch erfasste EEG-Signale im Allgemeinen Eigenschaften wie mehrere Kanäle, eine hohe Abtastrate und eine hohe Dichte aufweisen, sind zudem die Informationsredundanz und Berechnungskomplexität der klinischen EEG-Signale stark erhöht, was die Technologien des maschinellen Lernens und des Tiefenlernens vor große Herausforderungen stellt. Eine große Anzahl von Kanälen kann zu einer Überanpassung der Modelle für maschinelles Lernen und Tiefenlernen führen, und irrelevante Kanäle können sogar zu einem Verlust der Erkennungsgenauigkeit der Depressionserkennung führen. Darüber hinaus dauert es während der klinischen Erfassung von EEG-Signalen ein lange Zeit, eine große Anzahl von Kanälen einzustellen, und es ist auch für den Probanden unangenehm. Infolgedessen können die erfassten EEG-Signale des Probanden den psychischen Zustand des Probanden nicht genau widerspiegeln.

ZUSAMMENFASSUNG

[0005] Um das in dem Stand der Technik bestehende Problem zu lösen, stellt die Erfindung ein Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodell bereit, das auf einer Kanalauswahl von Mehrkanal-EEG basiert, welches durch Mehrkanal-EEG-Signale verursachte Informationsredundanz effektiv beseitigen, die Berechnungskomplexität reduzieren und eine Erkennungsgenauigkeit der Depressionserkennung verbessern kann, wodurch die Probleme einer geringen Erkennungsgenauigkeit, Informationsredundanz von Mehrkanal-EEG-Signalen, und einer hohen Berechnungskomplexität bei der klinischen Erkennung von Depression gelöst werden.

[0006] Dieses bestehende Problem wird durch ein Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodell basierend auf einer Kanalauswahl von Mehrkanal-EEG gelöst, wobei dieses Verfahren umfasst: Erhalten von Mehrkanal-EEG-Signalen in einem Ruhezustand; wobei die Mehrkanal-EEG-Signale Ruhezustands-64-Kanal-EEG-Signale eines gesunden Probanden und eines Depressionspatienten in einem Ruhezustand bei geschlossenen Augen innerhalb von 5 Minuten unter der gleichen Bedingung umfassen; wobei die Mehrkanal-EEG-Signale in einer Brain Products-Plattform erfasst werden, eine Erfassungsvorrichtung Elektrodenkappen in einem Internationalen 10-20-System mit 64 Kanälen verwendet, eine Kopfhautimpedanz eines Sensors niedriger als 20 Kiloohm ist, eine Abtastrate auf 1000 Hz eingestellt ist, und eine Referenzelektrode und eine Erdungselektrode jeweils auf FCz und AFz eingestellt sind; Vorverarbeitung der erhaltenen Mehrkanal-EEG-Signalen; Extrahieren von effektiven Merkmalen, die für eine Kanalauswahl verwendet werden ausgehend von den vorverarbeiteten Mehrkanal-EEG-Signalen; Durchführen einer Kanalauswahl auf einer Zielfunktion, mit modifizierter Kernel-Zielausrichtung (modified Kernel Target Alignment; mKTA) als Zielfunktion, unter Verwendung eines Neuen-Binären-Partikel-Schwarm-Optimierungs (New Binary Particle Swarm Optimization; NBPSO)-Verfahrens, um eine Kanalteilmenge zu erhalten; wobei Durchführen der Kanalauswahl auf der Zielfunktion einen Schritt einer Kanalgewichtsauswahl umfasst: zuerst Unterteilen eines Merkmalssatzes umfassend das gesamte Segment von EEG-Signalen in einen Trainingssatz und einen Testsatz, und Durchführen des folgenden Kanalgewichtsauswahlschritts auf dem Trainingssatz: zuerst Organisieren einer Merkmalsmatrix f von Merkmalsdaten in dem Trainingssatz basierend auf Kanälen, und Berechnen einer Zielmatrix L gemäß einem Klassenlabel y<T>; wobei das Klassenlabel y<T>in ein Testklassenlabel yte<T>und ein Trainingsklassenlabel ytr<T>unterteilt ist; dann Erzeugen von P Gruppen von Kanalauswahlgewichten w unter Verwendung des NBPSO-Verfahrens gemäß P Anfangsgewichten w, Berechnen von P Kanalteilmengen Si, Berechnen einer Kanalauswahlkernelmatrix Ksder P Kanalteilmengen, dann Messen der Qualität der ausgewählten Kanalteilmengen unter Verwendung der mKTA als eine Zielfunktion, und Berechnen von P Gruppen der mKTA-Werte; dann Aktualisieren gemäß den P Gruppen der mKTA-Werte vonp_best, welches Gewichte von all den Kanälen darstellt, die P Gruppen von persönlich besten mKTA-Werten entsprechen, und vong_best, welches Gewichte von all den Kanälen darstellt, die einem global besten mKTA-Wert entsprechen, Aktualisieren der P Gruppen von Kanalgewichten unter Verwendung der NBPSO und Aktualisieren der Kanalteilmengen; dann Aktualisieren der P Kanalteilmengen Siunter Verwendung der aktualisierten P Gruppen von Kanalgewichten w, und Berechnen der Kanalauswahlkernelmatrix Ks; und Durchführen von Iterationen auf diese Weise, bis Kanalgewichte w ausgegeben werden; und Erkennen der ausgewählten Kanalteilmenge, und Erstellen des Depressionserkennungs-Klassifikationsmodell; wobei Erstellen des Depressionserkennungs-Klassifikationsmodellumfasst: zuerst Berechnen eines Kanalteilmengen-Trainingssatzes Strund eines Kanalteilmengen-Testsatzes Ste, die dem Trainingssatz und dem Testsatz jeweils entsprechen, entsprechend den berechneten Kanalgewichten; und Suchen Depressionserkennungsparameter unter Verwendung eines 10-fachen Kreuzvalidierungsverfahrens, um das Depressionserkennungs-Klassifikationsmodell zu erstellen: zufälliges Unterteilen des berechneten Kanalteilmengen-Trainingssatzes Strund des Trainingsklassenlabels ytr<T>gleichermaßen in 10 Teile, abwechselndes Verwenden von 9 Teilen als ein Trainingssatz, um das Modell zu trainieren, und des verbleibenden 1 Teils als ein Validierungssatz, um das Modell zu validieren, um Depressionserkennungsmodellparameter zu finden; und dann Erstellen des Depressionserkennungs-Klassifikationsmodells f(Str) auf dem berechneten Kanalteilmengen-Trainingssatz unter Verwendung des Parameters f(Str) = Wmodelk(Str, Str) + b, wobei Wmodelein Gewichtskoeffizient ist, keine Kernelfunktion ist, und b eine Vorspannung ist.

[0007] In einigen Ausführungsformen erhalten die 64-Kanal-EEG-Signale Ruhezustands-64-Kanal-EEG-Signale eines gesunden Probanden und eines Depressionspatienten in einem Ruhezustand bei geschlossenen Augen innerhalb von 5 Minuten unter der gleichen Bedingung.

[0008] In einigen Ausführungsformen werden die 64-Kanal-EEG-Signalen mit den folgenden vier Schritten vorverarbeitet: Wechseln der Referenzelektrode, Downsampling, Bandpassfilterung und Artefaktenentfernung: 1) Wechseln der Referenzelektrode: Zurücksetzen der ursprünglichen Referenzelektrode FCz auf Mastoidteile auf zwei Seiten; 2) Downsampling: Reduzieren der Abtastrate der EEG-Signale von 1000 Hz auf 256 Hz; 3) Bandpassfilterung: Durchführen einer Bandpassfilterung bei 1 Hz bis 40 Hz, um Gleichstrominterferenzen und hochfrequente Störsignale zu entfernen; und 4) Artefaktenentfernung: visuelles Überprüfen der Originalsignale, um innerhalb von 70 Sekunden Ruhezustands-EEG-Signale auszuwählen, die ein Minimum an Artefaktsignalen und defekten Elektroden enthalten, und des Weiteren Entfernen von Artefaktsignalen aus den ausgewählten Ruhezustands-EEG-Signalen innerhalb von 70 Sekunden unter Verwendung eines unabhängigen Komponentenanalyseverfahrens.

[0009] In einigen Ausführungsformen umfasst das Extrahieren von effektiven Merkmalen einen Schritt einer linearen Merkmalsextraktion umfassend: Extrahieren von drei linearen Merkmalen aus den vorverarbeiteten EEG-Signalen, wobei die drei linearen Merkmale eine maximale Leistungsspektralfrequenz, eine mittlere Leistungsspektralfrequenz und eine Schwerpunkts-Leistungsspektralfrequenz umfassen; zuerst wird ein Leistungsspektrum jedes Segments des EEG-Signals unter Verwendung einer Welch-Methode berechnet, und dann wird unter Verwendung eines Leistungsspektrumssignals eines entsprechenden Segments ein Maximalwert des Leistungsspektrumssignals berechnet, um die maximale Leistungsspektralfrequenz zu erhalten; ein Mittelwert des Leistungsspektrumssignals wird berechnet, um die mittlere Leistungsspektralfrequenz zu erhalten; und eine Schwerpunktsfrequenz wird berechnet, um die Schwerpunkts-Leistungsspektralfrequenz zu erhalten.

[0010] In einigen Ausführungsformen umfasst das Extrahieren von effektiven Merkmalen für die Kanalauswahl einen Schritt einer nichtlinearen Merkmalsextraktion umfassend: Extrahieren von zwei nichtlinearen Merkmalen aus den vorverarbeiteten EEG-Signalen, wobei die beiden nichtlinearen Merkmale die Kolmogorov-Entropie und LZ-Komplexität umfassen; die Kolmogorov-Entropie stellt einen chaotischen Grad eines Systems unter Verwendung von Korrelationsintegralen einer Vielzahl von zunehmenden Einbettungsdimensionen dar: wobei m eine Einbettungsdimension ist, und Cm(r) ein Korrelationsintegral der Einbettungsdimension ist; und die LZ-Komplexität wird zum Berechnen der Signalkomplexität auf der Basis eines groben Messwerts verwendet; es ist erwiesen, dass eine obere Grenze der LZ-Komplexität ist: c(n)=b(n)= , und durch b(n), c(n) normalisiert werden kann als: C(n)= , wobei n eine Signallänge ist, c(n) die Komplexität eines Signals ist, und b(n) die Komplexität des Signals ist, nachdem es binarisiert wurde.

Technische Wirkungen der Erfindung:

[0011] Das in der Erfindung bereitgestellte Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodell basierend auf einer Kanalauswahl von Mehrkanal-EEG kann durch Mehrkanal-EEG-Signale verursachte Informationsredundanz effektiv beseitigen, die Berechnungskomplexität reduzieren und eine Erkennungsgenauigkeit der Depressionserkennung verbessern, wodurch die Probleme einer geringen Erkennungsgenauigkeit, Informationsredundanz von Mehrkanal-EEG-Signalen und einer hohen Berechnungskomplexität bei der klinischen Erkennung von Depression gelöst werden. Die Erfindung löst auch die Probleme wie schlechte Interpretation, einen schlechten Erkennungseffekt, unzureichende Berücksichtigung von Kanalkombinationen, hohen Rechenverlust und Überanpassung des bestehenden Kanalauswahlverfahrens.

[0012] Beim Verfahren basierend auf einer optimalen Kanalauswahl von Mehrkanal-EEG gemäß der Erfindung wird die modifizierte Kernel-Zielausrichtung (modified Kernel Target Alignment (mKTA)) als eine Zielfunktion der Kanalauswahl verwendet, und ausgewählte Kanalteilmengen werden unter Verwendung der Neuen-Binären-Partikel-Schwarm-Optimierung (New Binary Particle Swarm Optimization (NBPSO)) optimiert, um schließlich eine Kanalteilmenge zu erhalten. In dem Prozess des Berechnens der Kanalteilmenge wird der mKTA-Wert minimiert. Mit anderen Worten, ein Abstand zwischen Klassen zwischen EEG-Signalen eines Depressionspatienten und eines normalen Probanden in einem Merkmalsraum wird maximiert. Daher kann eine ideale Erkennungsgenauigkeit der Depressionsdiagnose erhalten werden, wenn die Kanalteilmenge, ausgewählt durch das Kanalauswahlverfahren gemäß der Erfindung, für die Depressionsdiagnose verwendet wird, und EEG-Signale eines Depressionspatienten und eines normalen Probanden genau voneinander unterschieden werden können. In der Zwischenzeit wird die in der Erfindung bereitgestellte Zielfunktion mKTA zum Messen eines Ähnlichkeitsgrades zwischen einer Kernelfunktion und einer Zielfunktion verwendet, und weist eine gute Interpretation auf. Die in der Erfindung bereitgestellte NBPSO ist ebenfalls ein einfaches und effektives Funktionsoptimierungsverfahren, das ebenfalls eine gute Interpretation aufweist. Darüber hinaus kann die in der Erfindung bereitgestellte mKTA auch eine Überanpassung effektiv vermeiden. Die in der Erfindung bereitgestellte NBPSO wählt die Kanalteilmenge global aus, und die Kanalteilmenge wird unter vollständiger Berücksichtigung von Kombinationen verschiedener Kanäle ausgewählt. Wie allen bekannt ist, ist die Partikel-Schwarm-Optimierung ein evolutionäres Verfahren, und mehrere Gruppen von Gewichten von allen Kanälen können parallel berechnet werden. Daher kann die in der Erfindung bereitgestellte NBPSO auch das Problem eines hohen Rechenverlusts des konventionellen Kanalauswahlalgorithmus lösen.

KURZBESCHREIBUNG DER ZEICHNUNGEN

[0013] FIG. 1 ist ein Arbeitsflussdiagramm eines Verfahrens basierend auf einer Kanalauswahl von Mehrkanal-EEG gemäß einer Ausführungsform der Erfindung. FIG. 2 ist ein Diagramm der Elektrodenpositionen in einem Internationalen 10-20-System mit 64 Kanälen. FIG. 3 ist ein Flussdiagramm der Kanalgewichtsauswahld. FIG. 4 ist ein Flussdiagramm der Depressionserkennung.

DETAILLIERTE BESCHREIBUNG

[0014] Die Erfindung wird unter Bezugnahme auf die begleitenden Zeichnungen und die nachstehenden Ausführungsformen weiter beschrieben.

[0015] FIG. 1 ist ein Arbeitsflussdiagramm des Verfahrens zum Erstellen eines Depressionserkennungs-Klassifikationsmodell basierend auf einer Kanalauswahl von Mehrkanal-EEG gemäß der Erfindung, wobei dieses Verfahren gemäß einer Ausführungsform der Erfindung die folgenden fünf Schritte umfasst: (1) Datenerfassungsstufe: es werden 64-Kanal-EEG-Signale eines gesunden Probanden und eines Depressionspatienten, die alters-, geschlechts- und bildungsgleich sind, in einem Ruhezustand bei geschlossenen Augen unter der gleichen Bedingung erfasst. (2) Datenvorverarbeitungsstufe: vier Verarbeitungsschritte, umfassend Wechseln der Referenzelektrode, Downsampling, Bandpassfilterung und Artefaktenentfernung, werden an den erfassten EEG-Signalen durchgeführt. (3) Merkmalsextraktionsstufe: drei lineare Merkmale, umfassend eine maximale Leistungsspektralfrequenz, eine mittlere Leistungsspektralfrequenz und eine Schwerpunkts-Leistungsspektralfrequenz, und zwei nichtlineare Merkmale, umfassend die Kolmogorov-Entropie und LZ-Komplexität, werden aus den vorverarbeiteten EEG-Signalen extrahiert. (4) Kanalauswahlstufe: mit dem mKTA-Verfahren als eine Zielfunktion wird die Kanalauswahl auf der Zielfunktion unter Verwendung des NBPSO-Algorithmus durchgeführt, um eine Kanalteilmenge zu berechnen. (5) Depressionserkennungsstufe: nachdem die Kanalauswahl abgeschlossen ist, wird die Kanalteilmenge erkannt, indem ein Klassifikator wie etwa eine Support-Vektor-Maschine verwendet wird, um ein Klassifikationsmodell zum Erkennen von Depression zu erstellen.

[0016] Die 5 Stufen der Depressionserkennung basierend auf einer Kanalauswahl von Mehrkanal-EEG gemäß der Erfindung werden im Folgenden einzeln beschrieben:

(1) Datenerfassungsstufe

[0017] In der Datenerfassungsstufe werden 15 Depressionspatienten und 20 alters-, geschlechts- und bildungsgleiche gesunde Probanden anhand der Selbstbeurteilungs-Depressionsskala und Diagnose von Allgemeinmedizinern ausgewählt. Alle Probanden sind Rechtshänder mit normaler oder auf normal korrigierter Sehschärfe, mit keiner Vorgeschichte von neurologischen Problemen. Vor der Datenerfassung nahm keiner der Probanden psychotrope, neurologische oder psychiatrische Medikamente ein. Während der Datenerfassung befinden sich die Probanden in einem guten psychischen Zustand. Daten aller Probanden werden unter der gleichen Umgebungsbedingung erfasst.

[0018] Wir sammelten 5 Minuten ruhende EEG-Signale für jeden Probanden bei geschlossenen Augen unter Verwendung einer 64-Kanal-Elektrodenkappe (Brain Products, Gilching, Deutschland) mit dem Internationalen 10-20-Elektrodensystem des internationalen Verbandes, wobei die Elektrodenpositionen wie in FIG. 2 dargestellt sind. Eine Kopfhautimpedanz eines Sensors ist niedriger als 20 Kiloohm. Eine Abtastrate ist auf 1000 Hz eingestellt. Eine Referenzelektrode und eine Erdungselektrode sind jeweils auf FCz und AFz eingestellt.

(2) Datenvorverarbeitungsstufe

[0019] Datenvorverarbeitung wird an den erfassten 64-Kanal-EEG-Signalen durchgeführt. Die Datenvorverarbeitung umfasst hauptsächlich vier Schritte: Wechseln der Referenzelektrode, Downsampling, Bandpassfilterung und Artefaktenentfernung.

[0020] Da die Referenzelektrode während der Erfassung der EEG-Signale auf FCz eingestellt ist, sind Signalamplituden von Kanälen in den Regionen des Präfrontallappens und des Parietallappens niedrig. Daher wird das Potential der ursprünglichen Referenzelektrode auf ein Kanalpotential von Mastoidteilen auf zwei Seiten zurückgesetzt, um die Signalamplituden der Kanäle in den Regionen des Präfrontallappens und des Parietallappens zu erhöhen, um die nachfolgende Verarbeitung zu erleichtern. Die ursprüngliche Abtastrate der EEG-Signale ist 1000 Hz, und die übermäßig hohe Abtastrate wird auf eine übermäßig große Datenmenge hinauslaufen, was die nachfolgende Verarbeitung und Analyse beeinträchtigt. Daher werden die erfassten EEG-Signale heruntergetastet, um die Abtastrate der EEG-Signale von 1000 Hz auf 256 Hz zu reduzieren. In einer bevorzugten Ausführungsform der Erfindung wird eine Bandpassfilterung bei 1 Hz bis 40 Hz durchgeführt, um Gleichstrominterferenzen und hochfrequente Störsignale zu entfernen. In der Erfindung sind, obwohl die EEG-Signale vorzugsweise im Ruhezustand bei geschlossenen Augen erfasst werden, Auswirkungen verursacht durch Elektrookulogramm-, Augenbewegungs- und Elektromyogrammsignale trotzdem unvermeidlich. Daher müssen Artefakte der erfassten EEG-Signale entfernt werden. Die Artefaktenentfernung umfasst visuelles Überprüfen der Originalsignale, um innerhalb von 70 Sekunden Ruhezustands-EEG-Signale auszuwählen, die ein Minimum an Artefaktsignalen und defekten Elektroden enthalten, wobei die Artefaktsignale zum Beispiel Körperbewegung, Blinzelsignale, Augenbewegungssignale und Elektromyogrammsignale sein können, und des Weiteren Entfernen von Artefaktsignalen aus den ausgewählten Ruhezustands-EEG-Signalen innerhalb von 70 Sekunden unter Verwendung eines unabhängigen Komponentenanalyseverfahrens.

(3) Merkmalsextraktionsstufe

[0021] Drei lineare Merkmale und zwei nichtlineare Merkmale, die gewöhnlich verwendet werden und sich bei der Depressionsdiagnose als effektiv erwiesen haben, werden in einer bevorzugten Ausführungsform der Erfindung verwendet, um Merkmale aus jedem Segment des vorverarbeiteten EEG-Signals zu extrahieren.

[0022] 1) Die drei linearen Merkmale umfassen die maximale Leistungsspektralfrequenz, die mittlere Leistungsspektralfrequenz und die Schwerpunkts-Leistungsspektralfrequenz.

[0023] Das Leistungsspektrum jedes Segments des EEG-Signals wird unter Verwendung einer Welch-Methode berechnet, und dann werden unter Verwendung eines Leistungsspektrumssignals eines entsprechenden Segments jeweils ein Maximalwert, ein Mittelwert und ein Schwerpunkts-Leistungsspektralfrequenzsignal berechnet, um die maximale Leistungsspektralfrequenz, die mittlere Leistungsspektralfrequenz und die Schwerpunkts-Leistungsspektralfrequenz zu erhalten.

[0024] 2) Die beiden nichtlinearen Merkmale umfassen die Kolmogorov-Entropie und die LZ-Komplexität; die Kolmogorov-Entropie stellt einen chaotischen Grad eines Systems unter Verwendung von Korrelationsintegralen einer Vielzahl von zunehmenden Einbettungsdimensionen dar: K2= ln(Cm(r)/Cm+1(r)), wobei eine

[0025] Einbettungsdimension ist, und Cm(r), ein Korrelationsintegral der Einbettungsdimension ist; und die LZ-Komplexität wird zum Berechnen der Signalkomplexität auf der Basis eines groben Messwerts verwendet; es ist erwiesen, dass eine obere Grenze der LZ-Komplexität ist: c(n)=b(n)= , und durch b(n), c(n) normalisiert werden kann als: C(n)= , wobei n eine Signallänge ist, c(n) die Komplexität eines Signals ist, und b(n) die Komplexität des Signals ist, nachdem es binarisiert wurde.

(4) Kanalauswahlstufe

[0026] Zuerst wird ein Merkmalssatz umfassend das gesamte Segment von EEG-Signalen in einen Trainingssatz und einen Testsatz unterteilt. Der folgende Kanalgewichtsauswahlschritt wird auf dem Trainingssatz durchgeführt. FIG. 3 ist ein Flussdiagramm der Kanalgewichtsauswahl. Zunächst wird eine Merkmalsmatrixfl=[cl1,...,clE],f =[f1,...,fn]<T>von Merkmalsdaten in dem Trainingssatz auf der Basis der Kanäle organisiert, wobei cleMerkmalsdaten des e-ten Kanals darstellt; E stellt die Anzahl der Kanäle eines EEG-Signals dar, und E ist in dieser Ausführungsform 64; n ist die Anzahl der EGG-Signale in dem Trainingssatz, und n stellt die Anzahl der Segmente der EEG-Signale dar. Eine Zielmatrix L wird entsprechend einem Klassenlabel y<T>erhalten, L = yy<T>,<>y = [y1,...,yn]<T>∈ {+1,-1}, wobei yldas Klassenlabel darstellt. Dann werden P Gruppen von Kanalauswahlgewichten w unter Verwendung des NBPSO-Verfahrens gemäß P zufällig initialisierten Gewichten w erzeugt; P Kanalteilmengen Slwerden berechnet, Sl=w (o stellt ein Hadamard-Produkt dar); und eine Kanalauswahlkernelmatrix KSder P Kanalteilmengen wird berechnet, KSlj= k(Sl, Sj)=k(w , w ), wobei k eine Kernelfunktion darstellt.

[0027] Die Qualität der ausgewählten Kanalteilmengen wird unter Verwendung der mKTA als eine Zielfunktion gemessen, und P Gruppen von mKTA-Werten werden berechnet: L ist die Zielmatrix, L =<>yy<T>=<>[y1,...,yn]<T>,yi∈<>{+1,-1}, ylstellt das Klassenlabel dar, und n stellt die Anzahl der Segmente der EEG-Signale dar; f = f1,...,fn]<T>, fl= [cl1,...,clE], w = [wl,...,wE], we∈ {0,1}, St=w , fl, stellt Merkmale aller Kanäle des i-ten Segments des EEG-Signals dar, clestellt ein Merkmal des e-ten Kanals des i-ten Segments des EEG-Signals dar, und westellt ein Gewicht des e-ten Kanals dar. Wenn we=1 wird angezeigt, dass der e-te Kanal ausgewählt ist, und wenn We= 0 wird angezeigt, dass der e-te Kanal nicht ausgewählt ist; w stellt die Gewichte aller Kanäle dar (daher kann w als die ausgewählte Kanalteilmenge angesehen werden). Slstellt eine Merkmalsteilmenge des i-ten Segments des EEG-Signals nach der Kanalauswahl dar, wobei ein Merkmalswert eines nicht ausgewählten Kanals auf 0 gesetzt wird, während ein Merkmalswert eines ausgewählten Kanals unverändert bleibt. KSist eine Kernelmatrix für die Kanalauswahl, KSlj=<>k(Sl,Sj)=k(w , w ). Mit der mKTA als der Zielfunktion können die ausgewählten Kanalteilmengen optimiert werden, um den Unterschied zwischen der Zielmatrix L und der Kanalauswahlkernelmatrix KSzu minimieren. Gemäß der Definition der mKTA zeigt ein kleinerer mKTA-Wert einen höheren Grad an Ähnlichkeit zwischen der Zielmatrix L und der Kanalauswahlkernelmatrix KSan, und bedeutet auch, dass die ausgewählten Kanalteilmengen eine gute Erkennungsgenauigkeit bei der Depressionsdiagnose erreichen können. Daher ist ein minimierter mKTA-Wert auch gleichbedeutend mit einem maximierten Abstand zwischen den Klassen in einem Merkmalsraum.

[0028] Anschließend werden gemäß den P Gruppen von mKTA-Werten p_best, welches Gewichte von all den Kanälen darstellt, die P Gruppen von persönlich besten mKTA-Werten entsprechen, und g_best, welches Gewichte von all den Kanälen darstellt, die einem global besten mKTA-Wert entsprechen, unter Verwendung der NBPSO aktualisiert, die P Gruppen von Kanalgewichten werden unter Verwendung der NBPSO aktualisiert, und die Kanalteilmengen werden aktualisiert: wtstellt Gewichte all der Kanäle (Kanalteilmenge) in der t-ten Iterationsrunde dar; vtstellt eine Geschwindigkeit der Gewichte wtall der Kanäle in der t-ten Iterationsrunde dar; vt+1stellt eine Geschwindigkeit der Gewichte wtall der Kanäle in der (t+1)<-ten>Iterationsrunde nach der Aktualisierung dar; ist eine Trägheitsmoment-Koeffizientenkonstante; c1und c2sind positive Konstanten; rand() und Rand() sind Zufallsfunktionen in einem Bereich von [0,1]; p_best stellt Gewichte all der Kanäle dar, die einem persönlich besten mKTA-Wert entsprechen; g_best stellt Gewichte all der Kanäle dar, die einem global besten mKTA-Wert entsprechen; Sig(vt+1) stellt eine Sigmodfunktion der Geschwindigkeit vt+1dar; S(vt+1) ist eine Transformationsfunktion zum Transformieren der Geschwindigkeit vt+1; exchange(wt) stellt Transformationswerte der Gewichte wtall der Kanäle in der t-ten Iterationsrunde dar,

[0029] um 1 zu 0 und umgekehrt zu transformieren; wt+1stellt Gewichte von all den Kanälen in der (t+1)<-ten>Iterationsrunde nach der Aktualisierung dar. Eine Kanalteilmenge wird unter Verwendung der NBPSO ausgewählt, und der der Teilmenge entsprechende mKTA-Wert wird berechnet, um den persönlich besten mKTA-Wert und den global besten mKTA-Wert zu aktualisieren; die Aktualisierungsgeschwindigkeit der nächsten Runde vt+1der aktuell ausgewählten Kanalteilmenge wird entsprechend den Gewichten von all den Kanälen aktualisiert, die dem persönlich besten mKTA-Wert und dem global besten mKTA-Wert entsprechen, und die Geschwindigkeit wird transformiert. Dann werden die Gewichte wt+1aller Kanäle in der nächsten Runde entsprechend der Geschwindigkeit aktualisiert, bis die Kanalgewichte berechnet sind. Die in einer bevorzugten Ausführungsform der Erfindung bereitgestellte NBPSO ist ein paralleles Optimierungsverfahren, das mehrere Gruppen von Kanalgewichten parallel berechnen und aktualisieren kann. Beispielsweise werden während der Initialisierung P Gruppen von Kanalgewichten festgelegt, so dass die P Gruppen von Kanalgewichten während der Aktualisierung und Iterationen parallel berechnet werden können, bis die Kanalgewichte berechnet sind.

[0030] Die P-Kanalteilmengen Slwerden unter Verwendung der aktualisierten P Gruppen von Kanalgewichten aktualisiert, und die Kanalauswahlkernelfunktion KSwird berechnet; Iterationen werden auf diese Weise durchgeführt, bis eine Kanalteilmenge S berechnet ist. In einer Ausführungsform der Erfindung umfasst die berechnete Kanalteilmenge Fp1, C4, P3, O2, F7, CP1, FC5, TP9, F1, F2, C1, FC3, F5, C5, AF7, FT8, TP7, FT9, FT10 und Fpz. Regionen, in denen sich diese Kanäle befinden, stimmen mit bekannten Gehirnregionen überein, die mit Depression in Verbindung stehen.

(5) Depressionserkennungsstufe

[0031] FIG. 4 ist ein Flussdiagramm der Depressionserkennung.

[0032] Die Kanalteilmenge wird entsprechend den in Stufe (4) berechneten Kanalgewichten erhalten, Kanalteilmengen Str= w und Ste= w entsprechend dem Trainingssatz und dem Testsatz werden jeweils berechnet, wobei w die berechneten Kanalgewichte ist, ftrein Trainingsmerkmalssatz ist, Strein Kanalteilmengen-Trainingssatz ist, fteein Testmerkmalssatz ist, und Steein Kanalteilmengen-Testsatz ist. Bei der Hilfsdiagnose wird eine Kanalteilmenge für die Hilfsdiagnose Snew= w für EEG-Merkmale der Hilfsdiagnose unter Verwendung der Kanalgewichte berechnet, wobei fnewein Hilfsdiagnose-Merkmalssatz ist, und Snewein Merkmalssatz der Kanalteilmenge für die Hilfsdiagnose ist. Das Klassenlabel y<T>ist in ein Testklassenlabel und ein Trainingsklassenlabel unterteilt.

[0033] Zuerst wird ein Schritt des Erstellens eines Depressionserkennungs-Klassifikationsmodells durchgeführt: Suchen optimierter Depressionserkennungsparameter unter Verwendung eines 10-fachen Kreuzvalidierungsverfahrens, um das Depressionserkennungs-Klassifikationsmodell zu erstellen. Der berechnete Kanalteilmengen-Trainingssatz Strund das Trainingsklassenlabel werden zufällig gleichermaßen in 10 Teile unterteilt, wobei 9 Teile als ein Trainingssatz verwendet werden, um das Modell zu trainieren, und der verbleibende 1 Teil als ein Validierungssatz verwendet wird, um das Modell abwechselnd zu validieren, um Depressionserkennungsmodellparameter zu finden. Mit anderen Worten, jeder Teil der Daten wird als ein Validierungssatz verwendet werden, um die Leistung des Trainingsmodells zu validieren, das unter Verwendung anderer Daten erzeugt wurde. Im Allgemeinen werden Modellparameter mit höchster Validierungsgenauigkeit als die Depressionserkennungsmodellparameter ausgewählt.

[0034] Dann wird das Depressionserkennungs-Klassifikationsmodell f(Str) auf dem berechneten Kanalteilmengen-Trainingssatz unter Verwendung der Parameter erstellt. In der Erfindung wird vorzugsweise eine Support-Vektor-Maschine für das Klassifikationsmodell verwendet, und das auf der Basis eines solchen Klassifikators erstellte Klassifikationsmodell ist wie folgt: f(Str)=Wmodelk(Str,Str) + b, wobei Wmodelein Gewichtskoeffizient ist, k<>eine Kernelfunktion ist und b eine Vorspannung ist.

[0035] Zweitens wird ein Schritt des Testen des Depressionserkennungs-Klassifikationsmodells durchgeführt: der berechnete Kanalteilmengen-Testsatz Stewird in das erstellte Depressionserkennungs-Klassifikationsmodell eingegeben: f(Ste)=Wmodelk(Ste,S)+b, und ein Depressionserkennungsergebnis wird berechnet; ein Testklassenlabel wird mit dem Depressionserkennungsergebnis verglichen, das von dem Depressionserkennungsmodell ausgegeben wird, und entsprechende Modellleistungsbewertungsindizes wie Genauigkeit, Empfindlichkeit und Spezifität werden berechnet.

[0036] Dann wird ein Schritt der Depressionserkennungs-Hilfsdiagnose durchgeführt: zuerst werden erfasste EEG-Signaldaten vorverarbeitet, und effektive Merkmale werden extrahiert, um eine Merkmalsmatrix fnewzu erhalten; eine Kanalmerkmalsteilmenge für die Hilfsdiagnose Snewwird unter Verwendung der Kanalgewichte berechnet; dann wird die berechnete Kanalmerkmalsteilmenge für die Hilfsdiagnose in das Depressionserkennungs-Klassifikationsmodell eingegeben, um ein Depressionserkennungsergebnis zu berechnen: f(Snew)=Wmodelk(Snew,S)+b.

[0037] In der Kanalauswahlstufe und der Depressionserkennungsstufe wendet vorzugsweise die Erfindung das Leave-One-Out-Kreuzvalidierungsverfahren an. Die Depressionserkennung in der Erfindung hat eine Erkennungsgenauigkeit von 80%, eine Empfindlichkeit von 80% und eine Spezifität von 80%, während ohne die Kanalauswahl der Offenbarung die Depressionserkennungsgenauigkeit nur 65,71% beträgt.

[0038] Es ist zu beachten, dass die vorstehenden spezifischen Ausführungen es einem Fachmann ermöglichen, die Erfindung umfassender zu verstehen, aber die Erfindung in keiner Weise einschränken.

Claims

1. Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodell basierend auf einer Kanalauswahl von Mehrkanal-Elektroenzephalographie, EEG, umfassend: Erhalten von Mehrkanal-EEG-Signalen in einem Ruhezustand; wobei die Mehrkanal-EEG-Signale Ruhezustands-64-Kanal-EEG-Signale eines gesunden Probanden und eines Depressionspatienten in einem Ruhezustand bei geschlossenen Augen innerhalb von 5 Minuten unter der gleichen Bedingung umfassen; wobei die Mehrkanal-EEG-Signale in einer Brain Products-Plattform erfasst werden, eine Erfassungsvorrichtung Elektrodenkappen in einem Internationalen 10-20-System mit 64 Kanälen verwendet, eine Kopfhautimpedanz eines Sensors niedriger als 20 Kiloohm ist, eine Abtastrate auf 1000 Hz eingestellt ist, und eine Referenzelektrode und eine Erdungselektrode jeweils auf FCz und AFz eingestellt sind; Vorverarbeitung der erhaltenen Mehrkanal-EEG-Signalen; Extrahieren von effektiven Merkmalen, die für eine Kanalauswahl verwendet werden ausgehend von den vorverarbeiteten Mehrkanal-EEG-Signalen; Durchführen einer Kanalauswahl auf einer Zielfunktion, mit modifizierter Kernel-Zielausrichtung, mKTA als Zielfunktion, unter Verwendung eines Neuen-Binären-Partikel-Schwarm-Optimierungs, NBPSO-Verfahrens, um eine Kanalteilmenge zu erhalten; wobei Durchführen der Kanalauswahl auf der Zielfunktion einen Schritt einer Kanalgewichtsauswahl umfasst: zuerst Unterteilen eines Merkmalssatzes umfassend das gesamte Segment von EEG-Signalen in einen Trainingssatz und einen Testsatz, und Durchführen des folgenden Kanalgewichtsauswahlschritts auf dem Trainingssatz: zuerst Organisieren einer Merkmalsmatrix f von Merkmalsdaten in dem Trainingssatz basierend auf Kanälen, und Berechnen einer Zielmatrix L gemäß einem Klassenlabel y<T>; wobei das Klassenlabel y<T>in ein Testklassenlabel yte<T>und ein Trainingsklassenlabel ytr<T>unterteilt ist; dann Erzeugen von P Gruppen von Kanalauswahlgewichten w unter Verwendung des NBPSO-Verfahrens gemäß P Anfangsgewichten w, Berechnen von P Kanalteilmengen Si, Berechnen einer Kanalauswahlkernelmatrix Ksder P Kanalteilmengen, dann Messen der Qualität der ausgewählten Kanalteilmengen unter Verwendung der mKTA als eine Zielfunktion, und Berechnen von P Gruppen der mKTA-Werte; dann Aktualisieren gemäß den P Gruppen der mKTA-Werte vonp_best, welches Gewichte von all den Kanälen darstellt, die P Gruppen von persönlich besten mKTA-Werten entsprechen, und vong_best, welches Gewichte von all den Kanälen darstellt, die einem global besten mKTA-Wert entsprechen, Aktualisieren der P Gruppen von Kanalgewichten unter Verwendung der NBPSO und Aktualisieren der Kanalteilmengen; dann Aktualisieren der P Kanalteilmengen Siunter Verwendung der aktualisierten P Gruppen von Kanalgewichten w, und Berechnen der Kanalauswahlkernelmatrix Ks; und Durchführen von Iterationen auf diese Weise, bis Kanalgewichte w ausgegeben werden; Erkennen der ausgewählten Kanalteilmenge, und Erstellen des Depressionserkennungs-Klassifikationsmodell; wobei Erstellen des Depressionserkennungs-Klassifikationsmodellumfasst: zuerst Berechnen eines Kanalteilmengen-Trainingssatzes Strund eines Kanalteilmengen-Testsatzes Ste, die dem Trainingssatz und dem Testsatz jeweils entsprechen, entsprechend den berechneten Kanalgewichten; und Suchen Depressionserkennungsparameter unter Verwendung eines 10-fachen Kreuzvalidierungsverfahrens, um das Depressionserkennungs-Klassifikationsmodell zu erstellen: zufälliges Unterteilen des berechneten Kanalteilmengen-Trainingssatzes Strund des Trainingsklassenlabels ytr<T>gleichermaßen in 10 Teile, abwechselndes Verwenden von 9 Teilen als ein Trainingssatz, um das Modell zu trainieren, und des verbleibenden 1 Teils als ein Validierungssatz, um das Modell zu validieren, um Depressionserkennungsmodellparameter zu finden; und dann Erstellen des Depressionserkennungs-Klassifikationsmodells f(Str) auf dem berechneten Kanalteilmengen-Trainingssatz unter Verwendung des Parameters f(Str) = Wmodelk(Str, Str) + b, wobei Wmodelein Gewichtskoeffizient ist, keine Kernelfunktion ist, und b eine Vorspannung ist.

2. Verfahren nach Anspruch 1, wobei die 64-Kanal-EEG-Signalenmit den folgenden vier Schritten vorverarbeitet werden: Wechseln der Referenzelektrode, Downsampling, Bandpassfilterung, und Artefaktenentfernung: a) Wechseln der Referenzelektrode: Zurücksetzen der ursprünglichen Referenzelektrode FCz auf Mastoidteile auf zwei Seiten; b) Downsampling: Reduzieren der Abtastrate der EEG-Signale von 1000 Hz auf 256 Hz; c) Bandpassfilterung: Durchführen einer Bandpassfilterung bei 1 Hz bis 40 Hz, um Gleichstrominterferenzen und hochfrequente Störsignale zu entfernen; und d) Artefaktenentfernung: visuelles Überprüfen der Originalsignale, um innerhalb von 70 Sekunden Ruhezustands-EEG-Signale auszuwählen, die ein Minimum an Artefaktsignalen und defekten Elektroden enthalten, und des Weiteren Entfernen von Artefaktsignalen aus den ausgewählten Ruhezustands-EEG-Signalen innerhalb von 70 Sekunden unter Verwendung eines unabhängigen Komponentenanalyseverfahrens.

3. Verfahren nach Anspruch 2, wobei das Extrahieren von effektiven Merkmalen einen Schritt einer linearen Merkmalsextraktion umfasst: Extrahieren von drei linearen Merkmalen aus den vorverarbeiteten EEG-Signalen, wobei die drei linearen Merkmale eine maximale Leistungsspektralfrequenz, eine mittlere Leistungsspektralfrequenz und eine Schwerpunkts-Leistungsspektralfrequenz umfassen; zuerst wird ein Leistungsspektrum jedes Segments des EEG-Signals unter Verwendung einer Welch-Methode berechnet, und dann wird unter Verwendung eines Leistungsspektrumssignals eines entsprechenden Segments ein Maximalwert des Leistungsspektrumssignals berechnet, um die maximale Leistungsspektralfrequenz zu erhalten; ein Mittelwert des Leistungsspektrumssignals wird berechnet, um die mittlere Leistungsspektralfrequenz zu erhalten; und eine Schwerpunktsfrequenz wird berechnet, um die Schwerpunkts-Leistungsspektralfrequenz zu erhalten.

4. Verfahren nach Anspruch 2, wobei das Extrahieren von effektiven Merkmalen für die Kanalauswahl einen Schritt einer nichtlinearen Merkmalsextraktion umfasst: Extrahieren von zwei nichtlinearen Merkmalen aus den vorverarbeiteten EEG-Signalen, wobei die beiden nichtlinearen Merkmale die Kolmogorov-Entropie und LZ-Komplexität umfassen; die Kolmogorov-Entropie stellt einen chaotischen Grad eines Systems unter Verwendung von Korrelationsintegralen einer Vielzahl von zunehmenden Einbettungsdimensionen dar: K2= ln(Cm(r)/Cm+1(r)), wobei m eine Einbettungsdimension ist, und Cm(r) ein Korrelationsintegral der Einbettungsdimension ist; und die LZ-Komplexität wird zum Berechnen der Signalkomplexität auf der Basis eines groben Messwerts verwendet; es ist erwiesen, dass eine obere Grenze der LZ-Komplexität ist: c(n)=b(n)= , und durch b(n), c(n) normalisiert werden kann als: C(n)= , wobei n eine Signallänge ist, c(n) die Komplexität eines Signals ist, und b(n) die Komplexität des Signals ist, nachdem es binarisiert wurde.