羅 渠，馮靜雯，賴(lài)虹宇，李 濤，鄧 偉，劉 凱，張軍鵬

1.四川大學(xué) 電氣工程學(xué)院，成都610065

2.四川大學(xué) 華西醫(yī)院心理健康中心，成都610065

精神類(lèi)疾病給社會(huì)帶來(lái)了相當(dāng)大的經(jīng)濟(jì)負(fù)擔(dān)，根據(jù)2015年的多國(guó)統(tǒng)計(jì)數(shù)據(jù)，精神分裂癥病人每年的人均花費(fèi)從泰國(guó)的5 818 美元到挪威的94 587 美元波動(dòng)，其中在澳大利亞每個(gè)病人的終生花費(fèi)可高達(dá)988 264 美元。根據(jù)2010 年的數(shù)據(jù)，歐洲每年在抑郁癥治療上的花費(fèi)也高達(dá)919 億歐元[1-2]。對(duì)于這兩種耗費(fèi)大量社會(huì)資源的精神疾病，及時(shí)準(zhǔn)確的診斷將有助于它們的治療。

精神分裂癥是一組病因不明的重性精神疾病，臨床上往往表現(xiàn)為癥狀各異的綜合征，其涉及感知覺(jué)、思維、情感和行為等多方面的障礙以及精神活動(dòng)的不協(xié)調(diào)[3]。多起病于青少年和成年早期，伴隨有陽(yáng)性癥狀（如幻聽(tīng)、妄想、思維紊亂、顯著緊張和異常行為等）和陰性癥狀（如意志消沉、情感淡漠等）[4]。個(gè)體之間癥狀差異較大，其診斷往往采用精神量表和醫(yī)學(xué)診斷手冊(cè)或通過(guò)影像學(xué)檢查[5]。抑郁癥是一種在青少年中發(fā)病率很高的心理疾病，其特征是情緒消沉，缺乏自信，對(duì)于任何歡愉活動(dòng)缺乏興趣，自卑抑郁，甚至帶有厭世情緒[6]。具有高發(fā)病率、高復(fù)發(fā)率、高自殺率和高自殘率等特點(diǎn)，嚴(yán)重?fù)p壞患者的身心健康[7]。這兩種疾病的發(fā)病機(jī)制至今沒(méi)有明確的解釋?zhuān)覂烧叱?huì)有一些相似的臨床表現(xiàn)，例如意志消沉、缺乏自信[8]。精神分裂癥患者中抑郁癥的患病率高達(dá)42.5%[9]，在精神分裂癥的治療過(guò)程中，其預(yù)后效果不理想也與患者患抑郁癥有很大關(guān)系[10]。研究表明[11]，精神分裂癥患者和抑郁癥患者的EEG 信號(hào)在節(jié)律，波幅以及功率等方面均與正常人存在差異，因此本文試圖通過(guò)采集兩類(lèi)患者靜息態(tài)下的EEG 信號(hào)，通過(guò)深度學(xué)習(xí)的方法來(lái)對(duì)兩者進(jìn)行區(qū)分。

腦電圖（EEG）是一種使用電生理指標(biāo)記錄大腦活動(dòng)的方法，具有高時(shí)間分辨率，非侵入性，成本低的特點(diǎn)[12]。EEG數(shù)據(jù)的表示方法有很多，最主要的兩種特征表示方法是頻域特征和時(shí)域特征[13-14]。其分析方法也不盡相同，可以采用傳統(tǒng)的機(jī)器學(xué)習(xí)的方法進(jìn)行特征提取與分類(lèi)[15]，也可以利用深度學(xué)習(xí)進(jìn)行處理[16]。其中深度學(xué)習(xí)是一種特殊的機(jī)器學(xué)習(xí)算法，它能夠?qū)⑻卣魈崛『头诸?lèi)進(jìn)行結(jié)合，同時(shí)從數(shù)據(jù)中進(jìn)行學(xué)習(xí)[17]。

近年來(lái)，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等方面取得眾多前所未有的成果。從圖像分類(lèi)[18]到目標(biāo)檢測(cè)[19]，從語(yǔ)音識(shí)別[20]到語(yǔ)義分割[21]等均有較大突破。并且深度學(xué)習(xí)在醫(yī)療診斷中的應(yīng)用也日益廣泛[22-23]，本文根據(jù)數(shù)據(jù)的轉(zhuǎn)換形式采用了深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（CNN）來(lái)對(duì)兩種疾病進(jìn)行分類(lèi)。卷積神經(jīng)網(wǎng)絡(luò)是計(jì)算機(jī)視覺(jué)領(lǐng)域中廣泛使用的一種深度學(xué)習(xí)模型。它對(duì)于自然信號(hào)（如圖像和音頻）的處理具有顯著的優(yōu)勢(shì)。通過(guò)多個(gè)卷積層的卷積和非線性組合，模型可以將高級(jí)的特征表示成更加抽象復(fù)雜的低級(jí)特征的組合，這使得模型可以學(xué)習(xí)到模式的空間層次結(jié)構(gòu)。通過(guò)池化層，模型可以學(xué)習(xí)輸入信號(hào)的局部模式，將輸入信號(hào)用較為粗糙的形式進(jìn)行表示，這使得卷積神經(jīng)網(wǎng)絡(luò)學(xué)到的模式具有平移不變性。

考慮到精神分裂癥患者腦電的復(fù)雜性，以及進(jìn)行手動(dòng)提取特征時(shí)的多樣性，本文采用卷積神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)腦電數(shù)據(jù)進(jìn)行自動(dòng)的特征提取和分類(lèi)。為了對(duì)多個(gè)電極通道和頻段進(jìn)行分析，還提出了一種EEG 數(shù)據(jù)表示方法。通過(guò)采集精神分裂癥和抑郁癥患者的EEG 信號(hào)，經(jīng)過(guò)數(shù)據(jù)預(yù)處理去除眼電、頭動(dòng)、工頻干擾等偽跡。將轉(zhuǎn)換后的EEG 頻譜圖轉(zhuǎn)換為灰度圖的形式，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)。

1 材料

1.1 數(shù)據(jù)描述

本次研究的數(shù)據(jù)來(lái)源于四川大學(xué)華西醫(yī)院第二門(mén)診部心理衛(wèi)生中心數(shù)據(jù)庫(kù)，和該中心簽署了合作協(xié)議和保密協(xié)議，已得到數(shù)據(jù)使用授權(quán)許可，且所有參與數(shù)據(jù)采集的患者均已簽署知情同意書(shū)。實(shí)驗(yàn)收集了70例精神分裂癥患者（SCZ）和70例抑郁癥患者（DP）的腦電數(shù)據(jù)，患者年齡均在32歲到51歲之間且服從正態(tài)分布，患者年齡和性別差異均無(wú)統(tǒng)計(jì)學(xué)意義(P>0.05)。數(shù)據(jù)采集設(shè)備使用動(dòng)態(tài)腦電圖儀（NATION8128W，上海諾誠(chéng)電氣有限公司，中國(guó)），采樣頻率為128 Hz。采集涉及16 通道的腦電圖帽（如圖1），傳感器按照10-20 電極放置標(biāo)準(zhǔn)[24]。

圖1 采集EEG信號(hào)的電極分布圖

實(shí)驗(yàn)數(shù)據(jù)采集時(shí)，患者處于一個(gè)安靜封閉的室內(nèi)進(jìn)行?；颊咝璞３职察o、放松、清醒的狀態(tài)。實(shí)驗(yàn)開(kāi)始，患者閉眼并做深呼吸3 min，結(jié)束后睜眼給予被試10 s 緩沖時(shí)間。然后開(kāi)始閉眼狀態(tài)保持7 s，睜眼狀態(tài)保持7 s，以此為一個(gè)閉眼睜眼數(shù)據(jù)采集周期，進(jìn)行3個(gè)周期后結(jié)束數(shù)據(jù)采集。由于實(shí)際過(guò)程中存在操作誤差，所以真實(shí)記錄睜眼和閉眼狀態(tài)數(shù)據(jù)時(shí)長(zhǎng)為5～10 s。

1.2 數(shù)據(jù)預(yù)處理

用EEGLAB 對(duì)數(shù)據(jù)進(jìn)行必要的預(yù)處理。（https：//sccn.ucsd.edu/eeglab/index.php）首先根據(jù)睜眼閉眼的時(shí)間節(jié)點(diǎn)導(dǎo)入原始采樣數(shù)據(jù)，進(jìn)行電極定位，其次對(duì)數(shù)據(jù)進(jìn)行濾波操作。具體分兩次進(jìn)行，采用1 408 階FIR（Finite Impulse Response）濾波器進(jìn)行0.3 Hz 的高通濾波，采用38 階FIR 濾波器進(jìn)行45 Hz 的低通濾波，最后設(shè)置50 Hz 陷波以減小工頻干擾。顯示波形后若發(fā)現(xiàn)壞導(dǎo)則去掉壞導(dǎo)并用周?chē)耐ǖ榔骄颠M(jìn)行替代。

然后根據(jù)實(shí)際通道數(shù)利用ICA（Independent Component Analysis）計(jì)算出16 個(gè)獨(dú)立成分，進(jìn)行眼電、頭動(dòng)、工頻干擾等偽跡的去除。原始腦電數(shù)據(jù)一般是由各類(lèi)偽跡與有效的腦電信號(hào)經(jīng)過(guò)線性或近似線性混合得到。由于混合系統(tǒng)未知，因此偽跡和有效腦電信號(hào)均可視為未知隱藏變量，這些變量相互獨(dú)立并且往往服從非高斯分布。利用ICA 可以找到各個(gè)獨(dú)立成分。ICA 的一般線性模型如式（1）：

其中z為原始腦電信號(hào)，s為有效腦電信號(hào)，B為混合矩陣。ICA的目的就是在已知z的情況下，找到一個(gè)混合矩陣W使y的各個(gè)分量相互獨(dú)立(z=Wy)，從而使y逼近于s，得到有效腦電信號(hào)。然后通過(guò)偽跡成分的特征就可以進(jìn)行偽跡的剔除。

常見(jiàn)偽跡有眼動(dòng)引起的眨眼、眼漂偽跡，頭動(dòng)引起的偽跡以及工頻干擾產(chǎn)生偽跡。各個(gè)偽跡的特征可以根據(jù)地形圖、時(shí)域Trials 色譜圖、功率譜圖進(jìn)行辨別，具體如圖2所示。

圖2 各偽跡成分特征描述

最后平均所有電極以作為電極重參考。經(jīng)過(guò)數(shù)據(jù)預(yù)處理后，每位患者得到3 段睜眼和3 段閉眼狀態(tài)下的數(shù)據(jù)，每段數(shù)據(jù)時(shí)長(zhǎng)為4～10 s，如圖3（a）和（c）。

通過(guò)分析篩選出處理后偽跡仍然較多的數(shù)據(jù)，得到精神分裂癥閉眼狀態(tài)和睜眼狀態(tài)下的數(shù)據(jù)各200段，抑郁癥閉眼狀態(tài)和睜眼狀態(tài)下的數(shù)據(jù)各200段。

將上述EEGLAB 處理后的數(shù)據(jù)導(dǎo)入Brainstorm（https：//neuroimage.usc.edu/brainstorm/），通過(guò)快速傅里葉變換，將時(shí)域下的每段數(shù)據(jù)（如圖3（a）和（c）轉(zhuǎn)換到頻域（如圖3（b）和（d）。以往也有將時(shí)域EEG數(shù)據(jù)直接輸入深度學(xué)習(xí)模型中進(jìn)行分析的研究[25]，但要求對(duì)數(shù)據(jù)進(jìn)行等長(zhǎng)的截取，因此會(huì)損失部分?jǐn)?shù)據(jù)信息。為了盡可能利用所采集的數(shù)據(jù)，本文嘗試將4～10 s長(zhǎng)度不一的時(shí)域數(shù)據(jù)轉(zhuǎn)換到頻域，將這些時(shí)長(zhǎng)不同的EEG 數(shù)據(jù)轉(zhuǎn)換成功率譜密度的形式，試圖挖掘出數(shù)據(jù)中更多的潛在信息。通過(guò)人眼直觀的觀察，無(wú)論是在時(shí)域還是在頻域下均很難發(fā)現(xiàn)兩種疾病信號(hào)波形的明顯差異。由于信號(hào)在高頻部分衰減嚴(yán)重，因此在頻域下僅截取1～50 Hz的數(shù)據(jù)，并導(dǎo)出為50行16列的功率矩陣（其中行數(shù)表示頻率，列數(shù)表示導(dǎo)聯(lián)數(shù)），以此作為后續(xù)分析的樣本。

圖3 患者閉眼狀態(tài)下的數(shù)據(jù)形式

1.3 數(shù)據(jù)轉(zhuǎn)換

利用CNN 對(duì)EEG 數(shù)據(jù)進(jìn)行分析時(shí)，也有研究者對(duì)數(shù)據(jù)的形式進(jìn)行了處理。如Tabar等人[16]采集人在想象左手和右手活動(dòng)時(shí)，大腦C3、C4、CZ這3個(gè)通道的EEG信號(hào)。采用時(shí)頻分析，將EEG信號(hào)轉(zhuǎn)換成橫軸為時(shí)間，縱軸為頻率的圖片樣本，樣本僅利用了Alpha、Beta頻段的數(shù)據(jù)。這種方法所采用的電極和使用的數(shù)據(jù)頻段均較少，考慮到精神病患者腦電的復(fù)雜性，該種對(duì)于EEG樣本的表示方法可能不足以完全提取各個(gè)通道的特征。Emami等人[26]將整個(gè)時(shí)域下所有通道的EEG信號(hào)，用時(shí)間窗劃分為EEG 時(shí)域圖片，將整張圖片輸入到卷積神經(jīng)網(wǎng)絡(luò)中區(qū)分癲癇和非癲癇。但這種直接利用EEG的時(shí)域信息進(jìn)行分析的方法，可能會(huì)引入過(guò)多噪聲數(shù)據(jù)，并且可能由于圖片尺寸不統(tǒng)一的問(wèn)題而使模型學(xué)習(xí)到更多不屬于信號(hào)本身的特征。

為了避免了分析時(shí)域數(shù)據(jù)時(shí)利用時(shí)間窗截取信號(hào)造成的部分?jǐn)?shù)據(jù)丟失，同時(shí)避免直接輸入數(shù)據(jù)截圖引入其他不屬于數(shù)據(jù)本身的信息。本文提出將時(shí)域下的EEG 數(shù)據(jù)轉(zhuǎn)換成頻譜圖，得到每個(gè)電極通道下1～50 Hz的功率值，從而將每個(gè)樣本轉(zhuǎn)換為功率矩陣的形式。再將每個(gè)通道的功率進(jìn)行max-min 歸一化處理，如公式（2），然后轉(zhuǎn)換為灰度圖，如圖4所示。圖4中，10張灰度圖代表10個(gè)閉眼狀態(tài)下的樣本，每張灰度圖寬16，代表16個(gè)Channel，高為50，表示頻率為50 Hz。每張灰度圖下方的數(shù)字0和1為樣本標(biāo)簽。0表示精神分裂癥，1表示抑郁癥。

圖4 頻譜圖轉(zhuǎn)換成灰度圖的樣本形式

式子中pmax、pmin分別表示單個(gè)電極通道下的最大功率和最小功率，p為該通道下對(duì)應(yīng)頻率的功率，p′為歸一化后的值。為了將數(shù)組轉(zhuǎn)換為灰度圖像，需要在歸一化后乘以像素值255，式中i即為轉(zhuǎn)換后的像素值。通過(guò)頻域的轉(zhuǎn)換可以將長(zhǎng)度不一的時(shí)域數(shù)據(jù)所包含的信息全部轉(zhuǎn)移到固定頻段信號(hào)中，同時(shí)進(jìn)行腦電全通道和全頻段的分析?；叶葓D的形式也適合數(shù)據(jù)增強(qiáng)的方法，更有利于使用CNN進(jìn)行處理。

2 方法

2.1 模型構(gòu)建與訓(xùn)練

CNN 在許多領(lǐng)域發(fā)揮著強(qiáng)大的作用。如人臉識(shí)別[27]、x-ray醫(yī)學(xué)圖像分析[28]、視覺(jué)圖像重建[29]、磁共振圖像分析[30]、MEG 大腦狀態(tài)分析[31]等。CNN 能夠進(jìn)行特征的自動(dòng)提取和分類(lèi)，由于樣本實(shí)質(zhì)為50×16 的數(shù)組，構(gòu)建一個(gè)8 層的淺層卷積神經(jīng)網(wǎng)絡(luò)，具體結(jié)構(gòu)見(jiàn)表1。整個(gè)卷積網(wǎng)絡(luò)包含5 種不同類(lèi)型的層，分別是卷積層（convolution layer）、池化層（pooling layer）、展開(kāi)層（flatten layer），dropout層、全連接層（dense layer）。

表1 對(duì)模型進(jìn)行評(píng)估的各項(xiàng)統(tǒng)計(jì)學(xué)指標(biāo) %

Convolution layer：由許多的隱藏單元（neurons）組成。每個(gè)隱藏單元是一個(gè)矩陣，可以對(duì)輸入的數(shù)據(jù)進(jìn)行卷積，每次卷積的步長(zhǎng)（stride）為1。每個(gè)隱藏單元卷積后產(chǎn)生一張?zhí)卣鲌D（feature map）。

Pooling layer：用于數(shù)據(jù)的下采樣，以減少卷積層輸出后的數(shù)據(jù)維度，可以有效減小計(jì)算量，防止過(guò)擬合。最大池化層（max-pooling layer）是在2×2的窗口中選擇最大的值輸入到下一層。

Flatten layer：可以將最后卷積層的輸出數(shù)據(jù)展成一列。

Dropout layer：可以在訓(xùn)練時(shí)暫時(shí)隱藏部分神經(jīng)元，以達(dá)到減小過(guò)擬合的目的。經(jīng)過(guò)多次實(shí)驗(yàn)，本模型將dropout rate設(shè)置為0.5。

Dense layer：可以將之前提取的特征全部關(guān)聯(lián)起來(lái)，映射到輸出空間中。

模型使用了兩種激活函數(shù)（activation function），分別是Relu（Rectified linear unit）[32]和Sigmoid。Relu 可以增加模型的非線性，讓模型同時(shí)學(xué)習(xí)輸入數(shù)據(jù)的線性變換和非線性變換，使模型對(duì)于輸入數(shù)據(jù)的噪聲更加具有魯棒性。式（3）即為Relu函數(shù)。

式中x為輸入的數(shù)據(jù)，f(x)為對(duì)應(yīng)的輸出。最后一層的激活函數(shù)選擇Sigmoid函數(shù)（式（4）），用于計(jì)算最后模型輸出某一類(lèi)別的概率值。

其中yc表示模型最后一層對(duì)于類(lèi)別c的輸出，pc表示輸出該類(lèi)別c的概率。所以模型的最后一層用于預(yù)測(cè)輸入樣本的類(lèi)別。構(gòu)建好模型的結(jié)構(gòu)，開(kāi)始對(duì)模型進(jìn)行訓(xùn)練。本研究分別利用閉眼狀態(tài)和睜眼狀態(tài)下的數(shù)據(jù)進(jìn)行訓(xùn)練和分類(lèi)，最后對(duì)兩種狀態(tài)下的分類(lèi)效果進(jìn)行對(duì)比。首先將閉眼下的樣本80%用于訓(xùn)練，20%用于驗(yàn)證，經(jīng)過(guò)多次實(shí)驗(yàn)，模型訓(xùn)練時(shí)的參數(shù)設(shè)置如下：選擇優(yōu)化器為RMSProp[33]，學(xué)習(xí)率設(shè)置為10?4，每次輸入模型的樣本批量為32，損失函數(shù)選擇binary cross entropy[34]。模型的具體訓(xùn)練過(guò)程如圖5 所示。圖5 中，像輸入模型后首先會(huì)經(jīng)過(guò)卷積層，每一層會(huì)輸出由多張?zhí)卣鲌D堆積而成的長(zhǎng)方體。圖片上的紅色小方塊代表一個(gè)卷積核（隱藏單元），旁邊已標(biāo)出核的大小。箭頭上方的數(shù)字表示特征圖的數(shù)量，也即是卷積核的數(shù)量。經(jīng)過(guò)池化層，特征圖數(shù)量不變，但是特征圖的尺寸變??；經(jīng)過(guò)dropout層，特征圖尺寸不變，每一層的最下方已經(jīng)標(biāo)示出特征圖的尺寸。通過(guò)連續(xù)地卷積池化，原始圖像轉(zhuǎn)換為更高維的特征，再由全連接層將所有的特征關(guān)聯(lián)起來(lái)映射到輸出空間。

圖5 模型訓(xùn)練流程圖

2.2 評(píng)估

對(duì)于模型的分類(lèi)結(jié)果一般采用混淆矩陣（如圖6（c））來(lái)表示?；煜仃囀且粋€(gè)m×m的數(shù)表，其中m表示類(lèi)別數(shù)，列表的行表示真實(shí)的樣本類(lèi)別，列表示預(yù)測(cè)的樣本類(lèi)別。例如對(duì)于一個(gè)二分類(lèi)問(wèn)題來(lái)說(shuō)，其混淆矩陣則為2×2，通過(guò)這個(gè)矩陣可以得到其敏感度（sensitivity）、特異性（specificity）、查準(zhǔn)率（precision）、查全率（recall）等指標(biāo)，而不是僅僅計(jì)算模型的精度。因?yàn)閷?duì)于不均衡樣本來(lái)說(shuō)，僅僅計(jì)算模型的精度并不能完整地衡量一個(gè)模型性能的好壞。例如對(duì)于樣本比例為3∶7的測(cè)試集，全部預(yù)測(cè)為其中多數(shù)類(lèi)的樣本其精度便可以達(dá)到70%。因此常常利用sensitivity、specificity、F1_score、accuracy等指標(biāo)來(lái)綜合考量模型。具體的計(jì)算公式如下：

圖6 數(shù)據(jù)增強(qiáng)（樣本左右翻轉(zhuǎn)）后模型的訓(xùn)練結(jié)果

公式中TP表示真陽(yáng)性（預(yù)測(cè)和實(shí)際均為陽(yáng)性），F(xiàn)P表示假陽(yáng)性（預(yù)測(cè)為陽(yáng)性，實(shí)際為陰性），TN 表示真陰性（預(yù)測(cè)和實(shí)際均為陰性），F(xiàn)N 表示假陰性（預(yù)測(cè)為陰性，實(shí)際為陽(yáng)性）。具體可見(jiàn)圖6（c），其中1 視為陽(yáng)性，0 視為陰性。

2.3 交叉驗(yàn)證及數(shù)據(jù)增強(qiáng)

交叉驗(yàn)證是提高模型可信度的有效方法。本文采用五折交叉驗(yàn)證法無(wú)重復(fù)抽樣地劃分訓(xùn)練數(shù)據(jù)為訓(xùn)練集和驗(yàn)證集，將訓(xùn)練數(shù)據(jù)分成五部分，每次拿四部分進(jìn)行訓(xùn)練，剩下一部分用來(lái)驗(yàn)證模型的精度；通過(guò)這種方法可以對(duì)模型進(jìn)行五次獨(dú)立的訓(xùn)練，最后取五次測(cè)試模型的精度平均值作為模型最后的驗(yàn)證精度。

由于學(xué)習(xí)樣本較少，容易造成模型過(guò)擬合，導(dǎo)致訓(xùn)練出來(lái)的模型其泛化能力不足。如果訓(xùn)練的樣本有很多，則過(guò)擬合問(wèn)題就很容易解決。對(duì)于圖像的分類(lèi)嘗試用數(shù)據(jù)增強(qiáng)進(jìn)行處理，以此減小其過(guò)擬合。數(shù)據(jù)增強(qiáng)能夠從原有的訓(xùn)練樣本中生成更多的樣本，其方法則是通過(guò)旋轉(zhuǎn)、平移、翻轉(zhuǎn)、縮放等手段來(lái)生成更多可信圖像，以此讓模型學(xué)到更多訓(xùn)練樣本中的局部信息。對(duì)于每一種手段，實(shí)驗(yàn)過(guò)程中均按批次生成訓(xùn)練樣本。具體操作為：對(duì)于旋轉(zhuǎn)，計(jì)算機(jī)隨機(jī)生成順時(shí)針或逆時(shí)針旋轉(zhuǎn)不超過(guò)36度的圖像；平移分上下平移和左右平移，平移范圍不超過(guò)圖像移動(dòng)方向尺寸的0.2 倍；翻轉(zhuǎn)則分為水平翻轉(zhuǎn)和縱向翻轉(zhuǎn)，從而訓(xùn)練樣本量可擴(kuò)大一倍；而縮放為隨機(jī)將圖片放大或縮小，其變化范圍不超過(guò)原來(lái)大小的0.2倍。

最后為了與文中方法進(jìn)行比較，提取轉(zhuǎn)換后的灰度圖樣本中的HOG[35]（方向梯度直方圖）特征，采用SVM（支持向量機(jī)）進(jìn)行分類(lèi)，并記錄各項(xiàng)統(tǒng)計(jì)學(xué)指標(biāo)。

3 結(jié)果

3.1 閉眼數(shù)據(jù)轉(zhuǎn)換及分類(lèi)

利用快速傅里葉變換將時(shí)域信號(hào)轉(zhuǎn)換到頻域，導(dǎo)出功率矩陣后轉(zhuǎn)換為灰度圖（如圖4）。每張灰度圖即代表一個(gè)信號(hào)樣本。由于睜眼和閉眼下的數(shù)據(jù)分析方法相同，以下分類(lèi)結(jié)果主要以閉眼狀態(tài)下的數(shù)據(jù)為例進(jìn)行介紹。

將上述轉(zhuǎn)換后的樣本分為訓(xùn)練集和驗(yàn)證集，其比例為4∶1，輸入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和測(cè)試。模型最終訓(xùn)練了150個(gè)輪次（epochs），最后驗(yàn)證精度為85%，損失值為0.32。對(duì)模型進(jìn)一步評(píng)估，計(jì)算其各項(xiàng)統(tǒng)計(jì)學(xué)指標(biāo)（表1）（以下統(tǒng)計(jì)學(xué)指標(biāo)均以抑郁癥為陽(yáng)性，精神分裂癥為陰性進(jìn)行計(jì)算）。

為了進(jìn)一步評(píng)估模型的性能，觀察模型的泛化能力是否良好，采用交叉驗(yàn)證的方法對(duì)模型進(jìn)行訓(xùn)練。每一折訓(xùn)練后計(jì)算模型的敏感度、特異性、查準(zhǔn)率、精度、F1_score 以及最后各個(gè)指標(biāo)的平均值，并繪制折線圖（圖7（a））。同時(shí)模型的平均訓(xùn)練損失和驗(yàn)證損失的差值變得更大，最后該模型的平均敏感度、特異性和精度分別為78.66%、77.83%、78.50%。

考慮到模型的復(fù)雜度較低，原始樣本的區(qū)分度小，本文在進(jìn)行數(shù)據(jù)增強(qiáng)時(shí)通過(guò)單一的變換手段對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行變換，并計(jì)算不同方式下模型的各項(xiàng)統(tǒng)計(jì)學(xué)指標(biāo)（圖7（a））。經(jīng)過(guò)一系列的實(shí)驗(yàn)后發(fā)現(xiàn)僅對(duì)訓(xùn)練樣本進(jìn)行左右翻轉(zhuǎn)，最后訓(xùn)練得到的模型其精度更高。樣本左右翻轉(zhuǎn)后，模型訓(xùn)練過(guò)程中訓(xùn)練精度和驗(yàn)證精度隨著訓(xùn)練輪次增加的變化情況如圖6（a），訓(xùn)練損失和驗(yàn)證損失隨著訓(xùn)練輪次增加的變化情況如圖6（b），其中模型的訓(xùn)練損失和驗(yàn)證損失相差越小表示模型的泛化能力越好，并繪制其混淆矩陣（圖6（c）），0 表示精神分裂癥，1表示抑郁癥，最右邊圖例表示顏色越淺其預(yù)測(cè)的結(jié)果準(zhǔn)確性越高。其敏感度、特異性和精度分別為84.09%、91.67%、87.50%。

3.2 睜眼數(shù)據(jù)下的分類(lèi)結(jié)果及比較

采用同樣的方法對(duì)睜眼狀態(tài)下的數(shù)據(jù)進(jìn)行處理。在相同的模型下對(duì)睜眼狀態(tài)的樣本進(jìn)行訓(xùn)練和評(píng)估，通過(guò)五折交叉驗(yàn)證和不同數(shù)據(jù)增強(qiáng)方式訓(xùn)練后得到的結(jié)果如圖7（b）所示。

圖7 五折交叉驗(yàn)證和數(shù)據(jù)增強(qiáng)后的結(jié)果

為了驗(yàn)證算法的有效性，提取了灰度圖樣本中的HOG 特征，并采用SVM 進(jìn)行分類(lèi)；同時(shí)與過(guò)去工作中的方法[36]進(jìn)行比較，即提取EEG 頻譜圖中的功率譜熵（信息熵，樣本熵，近似熵）用SVM分類(lèi)的方法進(jìn)行了比較，不同方法下的精度見(jiàn)表2。

表2 不同方法下的分類(lèi)精度%

4 討論

本文采集了精神分裂癥和抑郁癥患者靜息態(tài)下的EEG信號(hào)，試圖通過(guò)這種非侵入性的診斷方式來(lái)對(duì)兩種疾病進(jìn)行區(qū)分，跳過(guò)傳統(tǒng)模式識(shí)別的方法，不對(duì)樣本進(jìn)行手動(dòng)的特征選擇[16]（如每個(gè)頻段的相對(duì)功率譜密度，每個(gè)通道下的峰值、均值、方差等）。不同于以往對(duì)于EEG 信號(hào)的表示，本文提出將時(shí)域下的EEG 信號(hào)通過(guò)一系列變換，轉(zhuǎn)換成灰度圖。這些灰度圖集成了每個(gè)信號(hào)樣本不同電極和不同頻率下的功率特征。從轉(zhuǎn)換后的灰度圖可看出多數(shù)樣本在10 Hz左右的亮度較高，即功率值較大，這也跟實(shí)際頻域下的波形圖相吻合。說(shuō)明兩類(lèi)患者的腦電Alpha 波的功率值均較高。從模型的初次分類(lèi)結(jié)果看出，兩種樣本是具有可分性的，也說(shuō)明這種數(shù)據(jù)表示方式是可行的。

模型訓(xùn)練過(guò)程中，影響訓(xùn)練效果的因素有很多。如在訓(xùn)練過(guò)程中將數(shù)據(jù)分為小批次的batch size 值，模型訓(xùn)練輪次的epochs 值，模型中每一層的隱藏單元數(shù)，優(yōu)化器的種類(lèi)，學(xué)習(xí)率等超參數(shù)。因此實(shí)驗(yàn)中需要對(duì)模型的結(jié)構(gòu)和超參數(shù)不斷進(jìn)行調(diào)試，以使模型的各參數(shù)達(dá)到更優(yōu)。由于本研究采用的數(shù)據(jù)樣本較少，對(duì)模型的評(píng)估可能還具有一定的偶然性。如果樣本在進(jìn)行劃分訓(xùn)練集和測(cè)試集時(shí)，將質(zhì)量較差，較難區(qū)分的樣本集中分到一起時(shí)，得到的結(jié)果曲線可能會(huì)出現(xiàn)較大的差異。為了得到更可靠的模型，需要對(duì)模型進(jìn)行進(jìn)一步的訓(xùn)練和評(píng)估。交叉驗(yàn)證是提高模型可信度的有效方法。經(jīng)過(guò)五折交叉驗(yàn)證后模型的平均驗(yàn)證精度為78.50%，低于初次訓(xùn)練時(shí)達(dá)到的85%，其敏感度和特異性也均有所降低。而且訓(xùn)練損失和驗(yàn)證損失的差值變大，說(shuō)明模型的泛化能力變差，還需采用其他手段進(jìn)行優(yōu)化。

當(dāng)模型過(guò)訓(xùn)練，除了學(xué)習(xí)到樣本中的數(shù)據(jù)特征，還學(xué)習(xí)了數(shù)據(jù)中所包含的噪聲，從而造成過(guò)擬合的現(xiàn)象。而過(guò)擬合往往會(huì)導(dǎo)致模型在訓(xùn)練數(shù)據(jù)中表現(xiàn)很好的性能，而對(duì)于新的樣本卻沒(méi)有預(yù)計(jì)的精度。特別是針對(duì)于模型結(jié)構(gòu)復(fù)雜而樣本量較少的情況，過(guò)擬合現(xiàn)象更加明顯。為了解決這個(gè)問(wèn)題，往往采用增加樣本的數(shù)量，減少模型的復(fù)雜度，添加正則項(xiàng)等方法。后兩種方法在模型的訓(xùn)練過(guò)程中已經(jīng)進(jìn)行了調(diào)整，因此如何增加樣本量是需要考慮的問(wèn)題?？紤]到模型結(jié)構(gòu)簡(jiǎn)單，過(guò)于復(fù)雜的變換反而導(dǎo)致模型的訓(xùn)練效果差強(qiáng)人意。因此文章采用單一的數(shù)據(jù)增強(qiáng)手段來(lái)訓(xùn)練模型，其結(jié)果說(shuō)明，使用水平翻轉(zhuǎn)的方式來(lái)增加樣本量，得到的模型效果最好。模型的精度、敏感度、特異性分別達(dá)到了87.50%、84.09%、91.67%。其訓(xùn)練損失和驗(yàn)證損失的差值變小，與未進(jìn)行數(shù)據(jù)增強(qiáng)前的模型相比性能有了顯著提高。由此說(shuō)明數(shù)據(jù)增強(qiáng)不僅可以應(yīng)用于現(xiàn)實(shí)中的實(shí)物圖像，也適用于生理信號(hào)的處理，這對(duì)于醫(yī)學(xué)圖像的處理是具有借鑒價(jià)值的。

對(duì)比睜眼狀態(tài)和閉眼狀態(tài)下的EEG 分類(lèi)結(jié)果，在相同的模型下進(jìn)行五折交叉驗(yàn)證，發(fā)現(xiàn)睜眼狀態(tài)下的精度為70.75%，使用數(shù)據(jù)增強(qiáng)后的精度為72.50%，閉眼數(shù)據(jù)訓(xùn)練得到的模型的各項(xiàng)指標(biāo)均優(yōu)于睜眼狀態(tài)。并且睜眼數(shù)據(jù)訓(xùn)練曲線損失差值也較大，說(shuō)明利用睜眼數(shù)據(jù)訓(xùn)練出的模型的泛化能力要低于閉眼狀態(tài)數(shù)據(jù)訓(xùn)練出的模型。這可能是由于睜眼狀態(tài)下，病人視覺(jué)上容易受到外界景物的干擾，從而采集的EEG 數(shù)據(jù)包含更多的噪聲，造成模型的分類(lèi)效果不好。

最后為了驗(yàn)證本文EEG 灰度圖表示的有效性，提取了閉眼數(shù)據(jù)灰度圖HOG 特征進(jìn)行分類(lèi)，精度達(dá)到了86.25%，略低于直接使用CNN 進(jìn)行分類(lèi)的精度。并且睜眼數(shù)據(jù)的分類(lèi)精度仍然較低。與直接使用頻域數(shù)據(jù)提取功率譜熵的方法進(jìn)行比較發(fā)現(xiàn)，用CNN 分類(lèi)閉眼數(shù)據(jù)的灰度圖精度更高。進(jìn)一步證明文中提出的表示方法的有效性。

5 結(jié)束語(yǔ)

本文通過(guò)采集精神分裂癥和抑郁癥患者靜息態(tài)下的腦電信號(hào)，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)兩種疾病進(jìn)行分類(lèi)。通過(guò)對(duì)EEG信號(hào)進(jìn)行分析，提出將時(shí)域下的EEG信號(hào)轉(zhuǎn)換成灰度圖。利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)兩種疾病進(jìn)行分類(lèi)并采用交叉驗(yàn)證的方法對(duì)模型進(jìn)行評(píng)估。文章通過(guò)對(duì)睜眼和閉眼下的數(shù)據(jù)分別進(jìn)行訓(xùn)練分類(lèi)，發(fā)現(xiàn)閉眼狀態(tài)的數(shù)據(jù)分類(lèi)效果更好。為了進(jìn)一步提高模型的性能，采用數(shù)據(jù)增強(qiáng)的方法使模型的分類(lèi)精度、敏感度、特異性分別達(dá)到87.50%、84.09%、91.67%，與未進(jìn)行數(shù)據(jù)增強(qiáng)前的模型相比有了顯著提高。

本文以靜息態(tài)腦電信號(hào)為基礎(chǔ)，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征的自動(dòng)提取和分類(lèi)，所提出的這種EEG 數(shù)據(jù)的轉(zhuǎn)換和分析方法是值的借鑒的。這些方法不僅適用于特定疾病的EEG 數(shù)據(jù)，同時(shí)也能應(yīng)用于臨床上其他電生理信號(hào)的分析。因?yàn)樗梢詫㈦s亂的EEG信號(hào)轉(zhuǎn)換成卷積神經(jīng)網(wǎng)絡(luò)可以識(shí)別的圖像形式，同時(shí)也可以通過(guò)數(shù)據(jù)增強(qiáng)的方法來(lái)進(jìn)一步改善模型的性能，證明該方法除了可以用于現(xiàn)實(shí)中的實(shí)物圖像分類(lèi)，還適用于電生理信號(hào)的處理。但本文也存在著一些不足：深度學(xué)習(xí)需要大量的數(shù)據(jù)作為支撐，而本文所使用的數(shù)據(jù)是匱乏的，因此為了減小過(guò)擬合，本文嘗試了多種方法。如果要投入到臨床使用中，還需要盡可能擴(kuò)大新的數(shù)據(jù)集，來(lái)訓(xùn)練更加可靠的模型。雖然EEG數(shù)據(jù)的圖像形式方便分析處理，但該形式可能會(huì)導(dǎo)致通道之間的聯(lián)系減弱，在分類(lèi)時(shí)沒(méi)有提取到有關(guān)于電極通道之間關(guān)聯(lián)性的特征。因此，接下來(lái)如何探討電極之間的關(guān)聯(lián)性，實(shí)現(xiàn)腦網(wǎng)絡(luò)的分析也將是今后研究的一個(gè)重點(diǎn)。