亚洲精品狼友在线播放,成年免费视频黄网站在线观看,国产同事露脸对白在线视频

  • <code id="wta21"><em id="wta21"><kbd id="wta21"></kbd></em></code>

    <th id="wta21"><option id="wta21"></option></th>
    <strike id="wta21"></strike>
          <tr id="wta21"></tr> <th id="wta21"><option id="wta21"></option></th>

          首頁 產品中心 解決方案 新聞中心 關于我們 技術支持

          眼動-腦電多模態技術識別抑郁癥

          來源:博潤視動 編輯:博潤視動 發布時間:2022-06-11

          Multimodal Mild Depression Recognition Based on EEG-EM Synchronization Acquisition Network

          Jing Zhu ; Ying Wang  ; Rong La ; Jiawei Zhan ; Junhong Niu ; Shuai Zeng ; Xiping Hu



          摘要:

          本文利用腦電圖-眼動同步采集網絡,同時記錄輕度抑郁癥患者和正常對照者在自由觀看期間的腦電信號和眼動信號。然后,我們考慮一個多模態特征融合的方法,可以最好地區分輕度抑郁癥和正常對照組,以此作為實現我們開發一個客觀,有效的多模式系統的長期目標中的一小步,并協助醫生在診斷和監測輕度抑郁癥提供幫助。在多模態去噪自動編碼器的基礎上,采用特征融合和隱層融合兩種特征融合策略對腦電信號和眼動信號進行融合,以提高分類器對輕度抑郁癥的識別性能。實驗結果表明,EEG-EM 同步采集網絡能夠保證記錄的眼動和腦電數據同步,并且兩種融合方法都能夠提高輕度抑郁癥的識別精度,從而證明了兩種方法的互補性。與單模態分類方法相比,特征融合方法的識別準確率提高了1.88% ,隱層融合方法的識別準確率提高了7.36% ,特別是本文的最高分類準確率為83.42% 。這些結果表明,結合腦電信號和眼動信號的輸入數據對多模態深度學習方法在實現輕度抑郁癥的實時監測和識別方面是很有前景的。



          引言:

          抑郁癥是最常見的精神疾病之一,影響著全世界3.5億人。世界衛生組織(WHO)將抑郁癥列為世界第四大致殘原因,尤其是抑郁癥使自殺風險增加約20倍,每年導致多達85萬人死亡。 因此,迫切需要開發一種能夠客觀有效地檢測個體中輕度抑郁癥的方法,以通過采取預防措施并避免其發展為嚴重抑郁癥來幫助他們進行治療。  

          研究方法:

          1654929419746759.png

          A.數據預處理

          腦電數據由Geodesic 128電極記錄EEG數據。但是,由于時間性能和計算效率的考慮,僅使用了16個電極(Fp1,Fp2,F3,F4,F7,F8,C3,C4,T3,T4,P3,P4,T5,T6,O1,O2)。這些電極的選擇是基于與抑郁癥相關的先前研究。使用Net Station軟件將記錄的EEG數據導出為MATLAB文件格式。刪除不良通道并進行了基線校正、分段、濾波、ICA去噪等在MATLAB R2010a中完成。

          眼動數據由EyeLink 1000桌面式眼動儀使用遠程攝像頭(SR Research, Ontario, Canada, 250 Hz)收集。眼動數據預處理方法包括進行兩種經典的數據挖掘方法,填充缺失數據和數據標準化。例如,如果參與者沒有把注意力集中在圖片上,或者眨眼太頻繁,眼球追蹤設備可能會失去捕獲,記錄的數據將有一個帶有空值的元組; 但是,處理帶有空值的元組有不同的策略方法。如果一個元組包含許多缺少值的屬性(超過50%) ,那么該元組將被舍棄。但是,如果一個元組只包含少數缺失值的屬性(少于50%) ,則空值由平均值或中值填充。在實際中,平均值可以用于對稱數據分布的情況,而中值可以用于偏態數據分布的情況。在我們的研究中,超過50% 的數據缺失的記錄會被舍棄,平均值完成數據的部分缺失值。此外,使用的測量單位會影響數據分析。一般來說,用較小的單位表示會導致該屬性的范圍較大,從而導致該屬性具有較高的“權重”或“效果”。為了避免依賴于測量單位的選擇,應對數據進行規范化。在這里,我們使用 z-score 標準化方法來進行分析。

          B. 特征提取

          對原始腦電數據進行分段后,用Hanning濾波器過濾出5個頻帶,即 delta (1-4hz)、 theta (4-8hz)、 alpha (8-14hz)、 beta (14-31Hz)和 gamma (31-40hz) ,用于進一步特征提取。特別是,我們計算了10個線性特征,如最大功率,方差和總功率。

          對于預處理后的眼動數據,首先采用信號處理方法處理瞳孔大小特征,我們使用 EDF2ASC 軟件將 EDF 文件(EyeLink 1000 Desktop Eye Tracker記錄的源文件)轉換為 ASC 文件,提取ASC文件中的瞳孔大小信號數據。用于瞳孔大小信號數據的預處理方法與用于EEG信號的預處理方法相同。過濾出五個頻帶,即delta(0-0.2 Hz),theta(0.2-0.4 Hz),alpha(0.4-0.6 Hz),beta(0.6-0.8 Hz)和gamma(0.8-1 Hz) ,并為每個頻帶提取了12個非線性特征(與EEG一致)和兩個線性特征(功率譜密度平均值和功率譜密度方差)。其次,導出了EyeLink Data Viewer軟件中可用的16種統計功能,包括blink_count,ave_blink_duration和平均注視時間等。值得關注的是EyeLink Data Viewer是一種可視化工具,允許用戶顯示,過濾和創建來自EyeLink 1000 EDF數據文件的輸出報告。因此,我們總共提取了86個眼動特征(5個頻段* 14個特征+16個傳統特征)。

          C.特征選擇

          當訓練樣本的數量少于特征向量的數量時,分類器往往會產生不合適的結果,因此,確定特征選擇可以來解決這個問題。在我們的研究中,我們有1760維腦電特征,有必要進行一定的特征選擇?;谙惹暗难芯?,我們使用了WEKA(版本3.8.1)中實現的五種常見搜索算法:BestFirst(BF),GeneticSearch(GS),RankSearch(RS),LinearForwordSelection(LFS)和GreedyStepwise(GSW),基于相關特征選擇(CFS)。

          D.多模式降噪自動編碼器

          1)自動編碼器

          自動編碼器(AE)是一種特殊的神經網絡。

          1654929444961724.png

          2)去噪自動編碼器

          3)多模式降噪自動編碼器

          為了通過融合EEG和EM數據來提高輕度抑郁癥的識別準確性,我們使用多模式降噪自動編碼器(MDAE)來學習EEG和EM數據的共享表示(高級功能)

          1654929529637535.png

          E.分類器

          我們選擇了不同的分類器對數據進行分類,即線性SVM ,徑向基函數SVM(RBF SVM),梯度提升決策樹(GBD樹),隨機森林(RF),自歸一化神經網絡(SNN)和批量歸一化多層感知器(BNMLP)

          實驗

          實驗被試:

          51名蘭州大學大學生(36名男生,15名女生),年齡在18歲至24歲之間。所有參與者都是右撇子,視力正?;虺C正到正常,沒有精神病理學史。 實驗之前,要求參與者完成貝克抑郁量表測驗II(BDI-II)。BDI-II是一種廣泛使用的工具,可提供有關抑郁癥狀的存在和嚴重程度的信息,并可用于診斷目的,臨床決策或評估治療效果。所有受試者在實驗前均簽署了知情同意書,并因參與實驗而獲得獎勵。本實驗獲得蘭州大學第二醫院倫理委員會的批準。

          實驗材料:

          實驗刺激材料來自中國標準情緒庫(CFAPS)。我們從CFAPS中選擇了45張中性臉和15張負片,包括3張憤怒的臉,3張悲傷的臉,3張驚訝的臉,3張惡心的臉和3張受驚的臉。

          實驗儀器:

          EyeLink 1000 設備(SR Research, Ontario, Canada, 250 Hz)

          EGI 128導腦電設備

          同步采集模式:

          1654929617639809.jpg

          實驗流程:

          整個實驗總共由Neu_block和Emo_block兩個塊組成,每個塊包含15個試次,總共30個試次。要求參與者自由觀看它們,并允許他們在完成每個連續的程序塊后閉上眼睛以減輕視覺疲勞。在Neu_block中,每個試次包含兩張中性的面部表情圖片,而在Emo_block中,每個試次包含一幅中性和一張負面面部表情圖片。每張圖片隨機出現在屏幕的左側或右側。每個試次中的兩個面部表情組合成一張圖像,并在屏幕上顯示6秒鐘(黑色背景),然后顯示黑色背景2秒鐘。所有30張圖片均使用Photoshop軟件處理,并且尺寸,1280 × 738 像素; 10.84 × 6.25 厘米)。 

          研究結果:

          基于單模態自動編碼器的抑郁識別

          1)基于腦電圖的單峰抑郁識別

          1654929640609678.png

          Neu_Block上的單峰EEG分類結果

          1654929679208364.png

          Emo_Block上的單峰EEG分類結果

          2)基于EM的單峰抑郁識別

          1654929750405570.png

          EM單峰



          雙峰融合抑郁癥識別

          1)功能融合

          2)隱藏層融合


          1654929767473353.png

          Neu_Block上的隱藏層融合的分類結果

          1654929784236405.png

          Emo_Block上的隱藏層融合的分類結果

          從上面兩張圖可以看出在兩個區塊中,將EEG(δ,θ,α,β,γ,all)隱藏層和EM隱藏層融合后,分類性能顯著提高。特別是在Neu_block中,與所有EM算法融合的alpha波段可以有效提高分類算法的性能,使用線性SVM可以達到83.42%的最高分類精度,標準偏差為2.09%。對于SNN分類算法,與EM融合的每個頻帶的性能均優于單峰EEG或EM。此外,在Emo_block的情況下,對于所有分類算法,β和gamma波段的分類性能都得到了顯著改善。在將β波段和EM融合后,線性SVM導致分類準確度達到79.49%;相反,在伽瑪譜帶和EM融合后,RBF SVM獲得了最高的分類精度,為80.85%。與特征融合方法相比,我們發現隱藏層融合方法在分類方面取得了更為顯著的改進。

          筆者感悟:

          技術的發展終將在改善人類疾病中會發揮者良好的作用,本研究中通過腦電-眼動多模態網絡,然后將數據算法化來識別抑郁癥,這一項研究對未來醫學上確診患者將帶來有利的技術支持,希望這類研究越來越多。 

          參考文獻:

          J. Zhu et al., "Multimodal Mild Depression Recognition Based on EEG-EM Synchronization Acquisition Network," in IEEE Access, vol. 7, pp. 28196-28210, 2019.

          <hr sty

          亚洲精品狼友在线播放,成年免费视频黄网站在线观看,国产同事露脸对白在线视频