王怡忻，朱湘茹，楊利軍，3

1.河南大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，河南 開封 475004

2.河南大學(xué) 認(rèn)知、腦與健康研究所，河南 開封 475004

3.河南省人工智能理論及算法工程研究中心，河南 開封 475004

抑郁癥是一種常見的精神疾病，表現(xiàn)為日常活動(dòng)中的快樂(lè)感降低、無(wú)助、持續(xù)的情感低落、悲觀和思維遲緩等[1]。研究顯示抑郁癥將成為人類的第二大疾病[2]。目前臨床對(duì)抑郁癥的早期診斷方法有許多明顯的缺點(diǎn)，包括患者否認(rèn)、敏感性差和主觀偏見，導(dǎo)致診斷結(jié)果不準(zhǔn)確，從而影響患者的及時(shí)治療，導(dǎo)致病情延誤。因此，有必要開發(fā)準(zhǔn)確、可操作的抑郁檢測(cè)方法。一般來(lái)說(shuō)，與語(yǔ)言和面部表情相比，生理信號(hào)可以相對(duì)客觀地反映中樞神經(jīng)系統(tǒng)的動(dòng)態(tài)變化，并已被應(yīng)用于各種研究領(lǐng)域[3]。腦電信號(hào)（electroencephalography，EEG）包含了大量的生理、病理信息，是腦神經(jīng)細(xì)胞生理活動(dòng)在大腦皮層或頭皮表面的總體反應(yīng)。相比于腦磁圖[4]、功能磁共振成像[5]和正電子發(fā)射斷層掃描[6]等研究工具，EEG由于成本相對(duì)較低，便于記錄，并且不能輕易偽造等優(yōu)點(diǎn)，仍然是監(jiān)測(cè)大腦活動(dòng)的重要工具[7]，并逐漸被應(yīng)用于多種疾病的輔助診斷[8-9]。

由于大腦活動(dòng)的復(fù)雜性，EEG信號(hào)不是腦認(rèn)知信號(hào)和干擾信號(hào)的簡(jiǎn)單疊加，而是非線性、時(shí)變信號(hào)，有必要獲得高效低維EEG特征。常見的特征主要有時(shí)域、頻域與空域特征。二分類任務(wù)下的空間濾波算法共空間模式（common spatial pattern，CSP）[10-11]一般被用于提取空域特征。Koles等人在1991年首次提出了用于EEG的CSP算法[10]，能夠從多通道的腦電數(shù)據(jù)中提取出每一類的空間分布成分。利用協(xié)方差矩陣的對(duì)角化找到一組最優(yōu)的空間濾波器進(jìn)行投影，使得在最大化第一類方差的同時(shí)最小化另一類方差，從而得到具有較高區(qū)分度的特征向量。另一方面，由于圖論分析技術(shù)被成功引入到腦功能網(wǎng)絡(luò)研究中，復(fù)雜網(wǎng)絡(luò)分析近年來(lái)日益成為腦電領(lǐng)域的研究熱點(diǎn)。研究表明引入復(fù)雜網(wǎng)絡(luò)模型能夠幫助人們更好地理解腦網(wǎng)絡(luò)結(jié)構(gòu)之間的關(guān)系[12-13]。在Gonuguntla等人[13]的一項(xiàng)工作中，他們使用相位鎖值（phase locking value，PLV）構(gòu)建腦功能網(wǎng)絡(luò)，并且進(jìn)一步討論了運(yùn)動(dòng)想象數(shù)據(jù)集上任務(wù)相關(guān)的網(wǎng)絡(luò)差異，由此確定了重要節(jié)點(diǎn)和通道。綜合以上兩點(diǎn)，在本文工作中，首先進(jìn)行了腦網(wǎng)絡(luò)分析，使用PLV構(gòu)建抑郁患者和正常對(duì)照的相位同步性功能網(wǎng)絡(luò)，探索兩種類別可能存在的不同連接模式，然后將CSP特征和網(wǎng)絡(luò)特征進(jìn)行融合用于抑郁識(shí)別。

多通道腦電信號(hào)往往含有大量的冗余信息，冗余特征會(huì)對(duì)算法的性能產(chǎn)生不利影響，導(dǎo)致計(jì)算復(fù)雜度高、過(guò)擬合、效率低等問(wèn)題，因此需要從特征矩陣中篩選出更有代表性的特征。在實(shí)際應(yīng)用中，存在多種特征選擇策略，如皮爾遜相關(guān)系數(shù)（Pearson correlation）[14]、Relief算法[15]以及Fisher score（F-score）[16]。F-score本質(zhì)上是通過(guò)計(jì)算單個(gè)特征的類間和類內(nèi)方差的比值來(lái)衡量特征的辨別能力。F-score的值越大，區(qū)分能力越好。本文結(jié)合F-score方法和分類器依賴結(jié)構(gòu)實(shí)現(xiàn)特征選擇，既保證了所選特征子集和模型的識(shí)別能力，又節(jié)省了計(jì)算量。

隨著深度學(xué)習(xí)的發(fā)展，通過(guò)計(jì)算機(jī)輔助抑郁癥分類診斷有助于降低臨床診斷的誤診率，幫助患者盡快獲得正確的治療。例如，Acharya等人[17]使用多層卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）對(duì)15名健康受試者和15名抑郁受試者針對(duì)大腦右半球進(jìn)行分類，分別獲得了96%和93.5%的準(zhǔn)確率。Li等人[18]利用EEG特征變換進(jìn)行抑郁癥識(shí)別。他們使用自回歸模型和Hjorth算法提取功率譜密度和活性作為原始特征，并采用集成學(xué)習(xí)和深度學(xué)習(xí)兩種不同的方法來(lái)處理這些特性，分別在五個(gè)頻帶和總頻帶上測(cè)試了支持向量機(jī)（support vector machine，SVM）和CNN分類器的性能。結(jié)果表明，腦電信號(hào)可以作為抑郁癥識(shí)別的可靠指標(biāo)，采用集成模型和功率譜密度特征時(shí)，最佳精度為89.02%，運(yùn)用深度學(xué)習(xí)方法和活動(dòng)特征的準(zhǔn)確率為84.75%。Zhang等人[19]將腦電數(shù)據(jù)與包括性別和年齡在內(nèi)的人口信息相結(jié)合輸入到一維CNN中，獲得了75.29%的分類精度。CNN[20]是一種被廣泛應(yīng)用于模式識(shí)別領(lǐng)域的高效模型。然而，由于CNN的狀態(tài)只依賴于當(dāng)前的輸入，并不適合處理時(shí)序問(wèn)題。而長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（long short-term memory，LSTM）[21]和門控制循環(huán)單元（gated recurrent unit，GRU）[22]由于結(jié)構(gòu)特點(diǎn)無(wú)法實(shí)現(xiàn)并行計(jì)算操作，導(dǎo)致計(jì)算效率不如CNN。因此，本文提出將時(shí)序卷積網(wǎng)絡(luò)（temporal convolution network，TCN）[23]用于腦電信號(hào)的抑郁識(shí)別，該模型不僅具有RNN（recurrent neural network）處理時(shí)間序列的特性，而且還保留了CNN可并行計(jì)算的特點(diǎn)。

受前人研究成果和神經(jīng)學(xué)發(fā)現(xiàn)的啟發(fā)，本文采用CSP算法提取特征，并根據(jù)PLV構(gòu)建了腦功能連通性矩陣，提取腦網(wǎng)絡(luò)特征，特征直觀可見，便于對(duì)特征選擇方法進(jìn)行驗(yàn)證。利用F-score與分類器結(jié)合的方法對(duì)提取的特征進(jìn)行優(yōu)選，得到區(qū)分度高的最優(yōu)特征集。具體的實(shí)驗(yàn)過(guò)程如圖1所示。在抑郁數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)評(píng)估，結(jié)果證明了本文方法的有效性。

1 共空間模式與時(shí)序卷積神經(jīng)網(wǎng)絡(luò)

1.1 共空間模式算法

共空間模式（CSP）算法[10-11]是一種高效的空間濾波算法，其目標(biāo)是創(chuàng)建最優(yōu)公共空間濾波器。如圖2所示，CSP通過(guò)同時(shí)對(duì)角化兩類任務(wù)協(xié)方差矩陣的方式得到最有區(qū)分力的特征向量。

具體過(guò)程如下：

（1）假設(shè)X1和X2分別為兩類數(shù)據(jù)樣本，計(jì)算兩類數(shù)據(jù)的協(xié)方差矩陣R1和R2：

其中，tr(·)表示矩陣對(duì)角線上元素的和，即矩陣的跡。

然后得到混合空間協(xié)方差矩陣：

（2）應(yīng)用主成分分析法，對(duì)正定矩陣Rc進(jìn)行正交白化變換并且同時(shí)進(jìn)行對(duì)角化處理。對(duì)R進(jìn)行特征值分解：

其中，Uc表示特征向量矩陣，Λc為特征值降序排列構(gòu)成的對(duì)角矩陣，轉(zhuǎn)換后可以得到白化值矩陣為：

（3）構(gòu)造空間濾波器。將P作用于R1和R2得到：

S1和S2有公共特征向量，且存在特征向量矩陣B和對(duì)角矩陣Λ1、Λ2滿足如下條件：

其中，I是單位矩陣。

（4）計(jì)算投影矩陣。由于兩類矩陣的特征值總和是1，那么一個(gè)類別有最大的特征值時(shí)，另一個(gè)類別有最小的特征值。白化EEG到與Λ1、Λ2中的最大特征值對(duì)應(yīng)的特征向量的變換對(duì)于分離兩個(gè)信號(hào)矩陣中的方差是最佳的。因此可以利用矩陣B實(shí)現(xiàn)兩類問(wèn)題的分類，得到空間濾波器即投影矩陣W為：

（5）將原始抑郁腦電數(shù)據(jù)集經(jīng)過(guò)構(gòu)造的相應(yīng)濾波器W濾波可得特征ZM×N：

可選擇ZM×N的前m行和后m行(2m＜M)作為原始輸入數(shù)據(jù)的特征。

1.2 PLV相位同步性腦功能網(wǎng)絡(luò)構(gòu)建

認(rèn)知過(guò)程不僅涉及到大腦各區(qū)域的活動(dòng)，還涉及到不同功能區(qū)之間的信息傳播和交互。從本質(zhì)上說(shuō)，連接模式能挖掘相關(guān)大腦區(qū)域之間的相互作用，且網(wǎng)絡(luò)屬性是反映信息的傳播和加工的網(wǎng)絡(luò)模式。網(wǎng)絡(luò)構(gòu)建的方法有很多，其中大腦同步活動(dòng)分析以同步測(cè)量矩陣的形式捕捉大腦中的同步活動(dòng)，近年來(lái)備受關(guān)注。研究表明，EEG信號(hào)在跨腦區(qū)的范圍內(nèi)存有相位同步關(guān)系，而并沒(méi)有幅度上的同步關(guān)系，因此基于相位信息的同步性測(cè)量比基于振幅信息的測(cè)量更具有辨識(shí)力[24]。本文采用相位鎖值（PLV）來(lái)測(cè)量?jī)蓚€(gè)腦區(qū)之間的相位同步信息。假設(shè)兩個(gè)信號(hào)x(t)和y(t)的瞬時(shí)相位是φx(t)、φy(t)，PLV定義為：

聚類系數(shù)是衡量大腦功能分離程度的指標(biāo)，指一個(gè)節(jié)點(diǎn)與其鄰居節(jié)點(diǎn)之間存在的連接數(shù)與最大可能連接數(shù)的比例。節(jié)點(diǎn)i的聚類系數(shù)定義為：

式中，cij是鄰接矩陣的兩節(jié)點(diǎn)i和j之間的連接權(quán)重。

特征路徑長(zhǎng)度L是指網(wǎng)絡(luò)中連通兩個(gè)節(jié)點(diǎn)的最少邊數(shù)。平均特征路徑長(zhǎng)度是所有網(wǎng)絡(luò)節(jié)點(diǎn)間最短路徑長(zhǎng)度的平均值。對(duì)于加權(quán)網(wǎng)絡(luò)，節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的一條邊的長(zhǎng)度由邊的權(quán)重的倒數(shù)表示。

其中，N為加權(quán)網(wǎng)絡(luò)中的節(jié)點(diǎn)，Lij為任意兩個(gè)節(jié)點(diǎn)i和j最短路徑的邊數(shù)。

全局效率Ge度量信息在整個(gè)網(wǎng)絡(luò)中的傳播程度，與網(wǎng)絡(luò)中任意兩個(gè)節(jié)點(diǎn)之間的最短路徑長(zhǎng)度距離成反比。

局部效率通過(guò)觀察各子網(wǎng)絡(luò)的連接情況來(lái)衡量區(qū)域?qū)I(yè)化網(wǎng)絡(luò)的能力，它提供了網(wǎng)絡(luò)容錯(cuò)性的估計(jì)。設(shè)Gi表示包含第i個(gè)節(jié)點(diǎn)的所有相鄰節(jié)點(diǎn)的子網(wǎng)絡(luò)，局部效率為子網(wǎng)Gi的平均效率為：

式中，NGi表示子圖Gi中的節(jié)點(diǎn)數(shù)。

中介中心性是一種常見的網(wǎng)絡(luò)局部屬性，用來(lái)衡量節(jié)點(diǎn)在圖中的中心性大小：

其中，σmn(i)代表從節(jié)點(diǎn)m到節(jié)點(diǎn)n之間經(jīng)過(guò)節(jié)點(diǎn)i的最短路徑數(shù)，σmn是節(jié)點(diǎn)m到節(jié)點(diǎn)n的最短路徑長(zhǎng)度。

1.3 時(shí)序卷積神經(jīng)網(wǎng)絡(luò)

Bai等人[23]提出了時(shí)序卷積網(wǎng)絡(luò)（TCN），該模型既具有RNN處理時(shí)間序列的特性，同時(shí)也保留了CNN的可并行計(jì)算特點(diǎn)。圖3～圖5為TCN模型的結(jié)構(gòu)刻畫。TCN模型中涉及因果卷積、膨脹卷積和殘差連接三種結(jié)構(gòu)，下面將具體介紹。

1.3.1 因果卷積

TCN模型中的時(shí)序特性主要由因果卷積實(shí)現(xiàn)。因果卷積（如圖3所示）是用于處理時(shí)序問(wèn)題提出的一種對(duì)于t時(shí)刻的預(yù)測(cè)值，不考慮任何未來(lái)的信息而只考慮之前t-1個(gè)輸入的卷積模型，如式（16）所示：

可以看出t時(shí)刻的狀態(tài)只與之前時(shí)刻的信息有關(guān)。但是因果卷積隨著隱藏層增多，會(huì)帶來(lái)梯度消失或梯度爆炸、訓(xùn)練復(fù)雜度提高等問(wèn)題。因此，Oord等人又提出了膨脹卷積[26]。

1.3.2 膨脹卷積

膨脹卷積不同于CNN使用池化層，它是在卷積里注入空洞來(lái)增加感受野。如圖4所示，對(duì)于相同的輸入，膨脹卷積相比于因果卷積有更大的感受野。膨脹卷積允許輸入存在間隔采樣，采樣率受膨脹系數(shù)d控制。d=1表示輸入時(shí)每個(gè)點(diǎn)都采樣，在網(wǎng)絡(luò)各層之間，d隨著深度的增加指數(shù)增長(zhǎng)d=2i-1。對(duì)于一個(gè)一維輸入序列x∈Rn和濾波器f:{0,1,…,k-1}，在序列成分s上膨脹卷積作用后定義為，其中k為濾波器大小，s-d*i代表過(guò)去的方向。

1.3.3 殘差連接

殘差連接通過(guò)前向神經(jīng)網(wǎng)絡(luò)和跳層連接實(shí)現(xiàn)，一般被用來(lái)解決網(wǎng)絡(luò)退化問(wèn)題。跳層連接就相當(dāng)于執(zhí)行了恒等映射，不會(huì)產(chǎn)生冗余的參數(shù)，也不會(huì)增加計(jì)算復(fù)雜度。TCN架構(gòu)中的殘差模塊顯示在圖5，一個(gè)殘差模塊內(nèi)包含兩層膨脹因果卷積和非線性激活函數(shù)（ReLU），并對(duì)卷積濾波器使用權(quán)重歸一化，利用spatial dropout進(jìn)行正則化，防止過(guò)擬合。特別的，TCN在殘差塊的恒等映射之間添加1×1卷積filters，保證輸入輸出之間張量尺度相同。

1.4 F-score特征選擇

通常，多個(gè)特征之間的相關(guān)性會(huì)導(dǎo)致特征共線性，從而進(jìn)一步誘發(fā)冗余信息。冗余特征會(huì)對(duì)識(shí)別算法的性能產(chǎn)生不利影響。本文提出將CSP特征和腦網(wǎng)絡(luò)特征結(jié)合起來(lái)的策略。簡(jiǎn)單地將所有特征集中在一起可能是一種次優(yōu)操作，因此通過(guò)合理的特征選擇策略從特征向量中篩除不相關(guān)的、冗余的特征，選擇一個(gè)最優(yōu)子集尤為重要。本文結(jié)合F-score特征判別準(zhǔn)則，并利用分類器依賴結(jié)構(gòu)來(lái)實(shí)現(xiàn)特征選擇，以減輕特征多重共線性的影響[16，27]。在保證所選特征子集和分類器的識(shí)別能力提高的同時(shí)又節(jié)省了計(jì)算量。F-score本質(zhì)上是通過(guò)計(jì)算單個(gè)特征的類間和類內(nèi)方差的比值來(lái)衡量特征的辨別能力。若一個(gè)特征是具有鑒別力的，那么該特征與同一類別樣本之間的方差應(yīng)該盡量小，而與不同類別樣本之間的方差應(yīng)該盡量大，這樣才利于分類和預(yù)測(cè)。本文給每個(gè)特征一個(gè)得分，第i個(gè)特征的F-score定義如下：

算法1 F-score特征選擇算法

輸入：訓(xùn)練樣本特征集X=[X1,X2,…,XN]。輸出：最優(yōu)特征子集Fopt。

步驟1計(jì)算特征集X的所有F-score值，并按照降序排序得到排序后的特征集F。

步驟2初始化特征子集Fset。定義最佳分類結(jié)果為Accopt并初始化為0。將最優(yōu)特征子集Fopt初始化為空。

步驟3從F中選擇F-score值最高的特征向量。將選定的向量添加到Fset中。設(shè)n為Fset中單個(gè)樣本的特征個(gè)數(shù)。

步驟4對(duì)Fset進(jìn)行10折交叉驗(yàn)證，得到分類精度μ。如果μ≥Accopt,則用μ取代Accopt并更新Fopt。

步驟5重復(fù)步驟2到步驟4直到n＞N。

2 實(shí)驗(yàn)結(jié)果

2.1 數(shù)據(jù)集與預(yù)處理

本文收集了招募的69名志愿者的EEG數(shù)據(jù)。這些志愿者都是某大學(xué)本科生且均為右利手，實(shí)驗(yàn)前已獲得知情同意。該實(shí)驗(yàn)根據(jù)《赫爾辛基宣言》進(jìn)行，并得到了該學(xué)校倫理委員會(huì)的批準(zhǔn)（HUSOM-2018-367）。所有志愿者有償參與實(shí)驗(yàn)。他們完成對(duì)兩個(gè)抑郁量表CES-D[28]和PROMIS[29]的評(píng)估，并填寫了問(wèn)卷。經(jīng)過(guò)嚴(yán)格的篩選和匹配，根據(jù)兩份問(wèn)卷的得分情況，計(jì)算每位參與者兩份問(wèn)卷的總得分。將得分最高的30名學(xué)生作為高風(fēng)險(xiǎn)抑郁組，得分最低的30名學(xué)生作為低風(fēng)險(xiǎn)對(duì)照組。表1描述了所收集的數(shù)據(jù)集。EEG采集設(shè)備使用64個(gè)電極的國(guó)際標(biāo)準(zhǔn)腦電圖帽，采樣頻率為500 Hz，最終篩選出有效的62個(gè)EEG通道進(jìn)行進(jìn)一步的實(shí)驗(yàn)研究，電極位置如圖7所示。在線記錄時(shí)使用FCz作為參考，離線時(shí)重新引用全球平均參考。通過(guò)在右眼上方放置電極獲得一個(gè)通道的眼電信號(hào)（electrooculography，EOG）。所有電極間阻抗保持在10 kΩ以下。采用0.05～100 Hz帶通濾波器對(duì)EEG和EOG信號(hào)進(jìn)行濾波。采用獨(dú)立成分分析方法對(duì)眼電偽影進(jìn)行校正。

表1數(shù)據(jù)集描述Table 1 Dataset description

本文從所采集的60位志愿者的數(shù)據(jù)中截取25 000個(gè)數(shù)據(jù)點(diǎn)，截取后的數(shù)據(jù)通過(guò)分段方式擴(kuò)充樣本數(shù)。最終得到的每個(gè)樣本的格式為63×500，其中63表示實(shí)驗(yàn)采用的通道數(shù)，500表示一個(gè)樣本有500個(gè)采樣點(diǎn)。另外，所有數(shù)據(jù)經(jīng)過(guò)小波去噪處理，所有數(shù)據(jù)輸入前經(jīng)過(guò)z-score標(biāo)準(zhǔn)化處理。

2.2 PLV相位同步性分析結(jié)果

大腦區(qū)域之間的靜息態(tài)功能連接可以提供有關(guān)抑郁病理生理學(xué)的更多信息[30]。本文使用圖論量化腦網(wǎng)絡(luò)。一個(gè)腦網(wǎng)絡(luò)可以表述為一個(gè)圖G=(V,E)，使用EEG電極作為網(wǎng)絡(luò)節(jié)點(diǎn)，每個(gè)導(dǎo)聯(lián)看作1個(gè)節(jié)點(diǎn)，通道之間的關(guān)系表示邊。為了更好地反映大腦之間連接的緊密程度，根據(jù)PLV矩陣構(gòu)建相位同步性功能網(wǎng)絡(luò)并進(jìn)一步可視化該網(wǎng)絡(luò)。因?yàn)镻LV的范圍從0到1，所以PLV值可以作為同步性度量在加權(quán)網(wǎng)絡(luò)分析中被用來(lái)表示連接強(qiáng)度。

研究表明，抑郁組和對(duì)照組的PLV值受頻率帶寬影響較大，因此需要將信號(hào)通過(guò)帶通濾波到感興趣的窄寬帶上再進(jìn)行分析[31]。此外，F(xiàn)ingelkurts等人[32]發(fā)現(xiàn)抑郁癥幾乎影響整個(gè)大腦皮層的活動(dòng)，表現(xiàn)為在較寬的頻率范圍（0.5～30 Hz）內(nèi)相對(duì)較大的腦震蕩成分。并且抑郁癥患者的腦電信號(hào)在δ、θ、α和β頻帶存在不同的振蕩[32-34]。因此本文使用帶通濾波器將信號(hào)過(guò)濾到這四個(gè)波段進(jìn)行分析。功能連通性矩陣以二維矩陣的形式描述網(wǎng)絡(luò)中所有通道對(duì)之間的連通性。抑郁組和對(duì)照組所有受試者的PLV矩陣在四個(gè)頻段的平均結(jié)果顯示在圖8，PLV的值越接近于1說(shuō)明信號(hào)之間的同步性越強(qiáng)?？梢钥吹?，高風(fēng)險(xiǎn)抑郁組和低風(fēng)險(xiǎn)對(duì)照組呈現(xiàn)出不同的連接模式，β波段的結(jié)果對(duì)比并不明顯且連接程度相對(duì)較低，而θ和α頻段顯示出較大的連接強(qiáng)度。先前對(duì)于不同的同步性測(cè)量方法的相關(guān)研究表明，抑郁患者和正常對(duì)照組的功能連接在θ和α頻帶中顯示出顯著差異[31-34]。為了能夠更直觀地展現(xiàn)網(wǎng)絡(luò)的特征，本文除了使用圖論將五種網(wǎng)絡(luò)特征作為評(píng)估網(wǎng)絡(luò)的指標(biāo)，還分別對(duì)PLV矩陣和五種網(wǎng)絡(luò)參數(shù)使用進(jìn)行t檢驗(yàn)分析，結(jié)果表明四個(gè)頻段下不同屬性均具有顯著性差異(p＜0.05)，具體數(shù)值如表2所示。相較其他兩個(gè)頻段，θ和α頻段組成的網(wǎng)絡(luò)連接統(tǒng)計(jì)學(xué)差異更明顯。

表2 不同頻段抑郁組和對(duì)照組不同屬性的p值Table 2 p values of different features for depression group and control group under different bands

針對(duì)θ和α頻段，圖9是二維PLV矩陣的三維可視化。由于腦功能網(wǎng)絡(luò)復(fù)雜且稀疏，有必要在網(wǎng)絡(luò)構(gòu)建過(guò)程中設(shè)定閾值。通過(guò)與所設(shè)閾值的比較，可去除相關(guān)性較小的邊，使腦功能網(wǎng)絡(luò)的連接關(guān)系更清晰。在本文中，閾值設(shè)置為0.75，保留PLV值大于0.75的連接強(qiáng)度來(lái)可視化腦網(wǎng)絡(luò)。在腦網(wǎng)絡(luò)拓?fù)鋱D中，線條的粗細(xì)和顏色的深淺表示節(jié)點(diǎn)間的連接強(qiáng)度，線條越粗代表連接緊密程度越大。圖9同時(shí)列出了兩種頻段下高風(fēng)險(xiǎn)抑郁組和低風(fēng)險(xiǎn)對(duì)照組連接強(qiáng)度大于0.75的電極通道對(duì)的個(gè)數(shù)、排名前三的電極通道對(duì)的名稱，以及相應(yīng)的PLV值?？傮w來(lái)看，α頻段的連接程度高于θ頻段。在θ頻段，低風(fēng)險(xiǎn)對(duì)照組大腦右半球的連接緊密程度高于左半球，而高風(fēng)險(xiǎn)抑郁組的連接緊密度較為均衡。在α頻段，抑郁組在左顳區(qū)的連接緊密度高于對(duì)照組。

2.3 基于不同方法的實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)通過(guò)Python3.7編程Keras框架Tensorflow后端實(shí)現(xiàn)。實(shí)驗(yàn)環(huán)境：Intel?CoreTMi5-1035G1處理器，16 GB內(nèi)存，64位Windows10系統(tǒng)。

對(duì)數(shù)據(jù)集采用5次10折交叉驗(yàn)證方案來(lái)評(píng)估相應(yīng)的分類性能。表3顯示了不同特征的具體數(shù)量。整個(gè)分類過(guò)程包括以下步驟：

（1）將整個(gè)數(shù)據(jù)集劃分為10個(gè)子集，選取9個(gè)子集作為訓(xùn)練集，其余作為測(cè)試集。

（2）根據(jù)Fopt選擇最優(yōu)特征組合。

（3）用訓(xùn)練集得到的最優(yōu)特征對(duì)分類器進(jìn)行再訓(xùn)練。

（4）用測(cè)試集的最優(yōu)特征估計(jì)分類結(jié)果。

（5）重復(fù)前面步驟5次，計(jì)算平均分類準(zhǔn)確率。

表3用于抑郁識(shí)別的各特征數(shù)量Table 3 Number of features used for depression recognition

對(duì)于TCN分類器，輸入序列經(jīng)過(guò)一維卷積核作用得到時(shí)序特征序列，最后引入全連接層，在當(dāng)前時(shí)刻屬于某一類別的概率由Softmax計(jì)算。所有激活函數(shù)均使用ReLU。卷積核大小設(shè)置為3，學(xué)習(xí)率設(shè)置為0.002。關(guān)于對(duì)比模型，本文采用非深度學(xué)習(xí)模型SVM，選用高斯核且懲罰因子C=2；對(duì)于深度學(xué)習(xí)模型，采用多層感知器（multilayer perceptron，MLP）和雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Bi-LSTM）進(jìn)行二分類對(duì)比實(shí)驗(yàn)，均使用Rmsprop優(yōu)化器來(lái)最小化交叉熵?fù)p失函數(shù)。為了防止神經(jīng)網(wǎng)絡(luò)過(guò)擬合，在最后一層全連接后使用0.3的Dropout，批量大小為100。

使用四種分類器分別結(jié)合F-score進(jìn)行特征選擇，選出最優(yōu)特征集Fopt再得到平均訓(xùn)練結(jié)果，結(jié)果如圖10所示。本文所提模型在全頻帶內(nèi)的準(zhǔn)確率達(dá)到89.67%。從整體來(lái)看，本文所提策略不論在單個(gè)頻段還是全頻段的識(shí)別精度相比其他模型均有明顯提升。α頻段的分類精度都高于θ頻段。在θ頻段下，使用MLP和LSTM進(jìn)行分類，比使用SVM得到的精度分別提升了約7個(gè)百分點(diǎn)和9個(gè)百分點(diǎn)。而使用TCN進(jìn)行分類，精度則提升了約12.5個(gè)百分點(diǎn)。在α頻段下，使用MLP分類的精度比SVM提升了約8個(gè)百分點(diǎn)，使用LSTM分類的結(jié)果精度提升了約9個(gè)百分點(diǎn)，而使用TCN的精度提升了約14個(gè)百分點(diǎn)。

需要注意的是，使用不同的特征選擇方法可能會(huì)導(dǎo)致選擇的最優(yōu)特征子集存在一些差異，從而導(dǎo)致識(shí)別精度不同。例如，F(xiàn)-score利用可判別性作為選擇最優(yōu)特征子集的準(zhǔn)則，而最大相關(guān)性-最小冗余（mRMR）[35]根據(jù)互信息的最大統(tǒng)計(jì)依賴準(zhǔn)則選擇好的特征，ReliefF[18]算法是一種典型的Filter式特征選擇算法。因此本文進(jìn)一步應(yīng)用文獻(xiàn)中的特征選擇方法進(jìn)行對(duì)比實(shí)驗(yàn)，分類器均采用TCN。結(jié)果如表4所示，雖然不同的特征選擇方法所選擇的最優(yōu)特征子集不同，但本文提出的F-score結(jié)合TCN模型策略的最優(yōu)特征集所得結(jié)果相比其他方法更好。

3 結(jié)束語(yǔ)

本文提出了一種基于EEG的腦網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和CSP特征融合的抑郁識(shí)別方法。通過(guò)計(jì)算多通道EEG信號(hào)的PLV鄰接矩陣構(gòu)建腦網(wǎng)絡(luò)，可以將非線性的EEG信號(hào)轉(zhuǎn)換為更加直觀的網(wǎng)絡(luò)參數(shù)，不僅有利于對(duì)信號(hào)的進(jìn)一步研究，對(duì)臨床診斷抑郁癥也具有輔助作用?？紤]到有一些冗余特征增加了噪聲和訓(xùn)練難度，本文通過(guò)F-score方法結(jié)合深度學(xué)習(xí)模型TCN對(duì)融合特征進(jìn)行簡(jiǎn)化，實(shí)驗(yàn)結(jié)果表明本文所提方法可以提高抑郁識(shí)別的性能。TCN既有RNN的時(shí)序性又有CNN的并行計(jì)算的特點(diǎn)，結(jié)合因果膨脹卷積以及殘差連接，能夠適應(yīng)腦電信號(hào)的時(shí)序特征，克服網(wǎng)絡(luò)的梯度問(wèn)題。另外，PLV相位同步性分析的結(jié)果表明，抑郁高風(fēng)險(xiǎn)組和低分對(duì)照組在不同頻段的不同腦區(qū)上呈現(xiàn)出不同的模式。