基于脑电信号的抑郁症检测方法、系统和电子设备与流程

1.本发明涉及情感脑机接口技术领域，尤其涉及一种基于脑电信号的抑郁症检测方法、系统和电子设备。


背景技术：

2.mdd(major depressive disorder，重度抑郁症)是一种常见的精神障碍，会导致人们有持续的悲伤感，对人们的身体健康以及个人、社会和职业功能产生持续负面影响，甚至会反复出现的严重的不良企图。目前，mdd的常规检测依赖于访谈和基于问卷调查，然而，对于问卷，人们可以刻意的对访谈调查做出错误的表达，使得常规的方法的检测可能不够准确和客观。
3.近年来，随着生物模型的发展，将抑郁概念化为一种神经网络障碍，包含广泛分布的大脑区域的变化，并且已经做出了许多基于神经影像学的努力来寻找潜在的抑郁症生物标记物。现有技术通常使用湿电极的脑电采集设备收集脑电图数据。依靠电解凝胶的湿传感器为高质量的信号收集提供了一条干净的导电路径，进而准确的从高质量脑电信号中进行抑郁症的检测。
4.在实现本发明过程中，发明人发现相关技术中至少存在如下问题：
5.湿电极的脑电采集设备在采集脑电时，它们通常是使用带有导电凝胶或糊状物的ag/agcl电极，这可能会让用户感到不舒服和不方便，并且对于日常使用来说过于耗时费力，这极大限制了在现实世界中检测使用的规模。虽然干电极的脑电采集设备使用相对较容易，但由于电极阻抗等因素的影响，导致脑电信号质量相对较低，难以准确的从脑电信号中进行抑郁症检测。


技术实现要素：

6.为了至少解决现有技术中干电极的脑电采集设备采集的脑电信号质量相对较低，难以准确的从脑电信号中进行抑郁症检测的问题。
7.第一方面，本发明实施例提供一种基于脑电信号的抑郁症检测方法，包括：
8.从脑电信号中提取脑电微分熵特征；
9.将所述脑电微分熵特征输入至transformer编码模块，其中，所述transformer编码模块包括：多头自注意力层、前馈神经网络层；
10.在所述transformer编码模块中，所述多头自注意力层通过权重矩阵从所述脑电微分熵特征中确定所述脑电信号中各通道之间的空间关系，通过所述空间关系捕捉各空间维度的脑电特征，所述前馈神经网络层基于所述各空间维度的脑电特征输出特征增强的脑电高阶特征；
11.将所述脑电高阶特征输入至多层感知机分类器模块，输出健康-抑郁分类预测结果。
12.第二方面，本发明实施例提供一种基于脑电信号的抑郁症检测系统，包括：
13.脑电特征提取程序模块，用于从脑电信号中提取脑电微分熵特征；
14.特征输入程序模块，用于将所述脑电微分熵特征输入至transformer编码模块，其中，所述transformer编码模块包括：多头自注意力层、前馈神经网络层；
15.脑电高阶特征确定程序模块，用于在所述transformer编码模块中，所述多头自注意力层通过权重矩阵从所述脑电微分熵特征中确定所述脑电信号中各通道之间的空间关系，通过所述空间关系捕捉各空间维度的脑电特征，所述前馈神经网络层基于所述各空间维度的脑电特征输出特征增强的脑电高阶特征；
16.检测程序模块，用于将所述脑电高阶特征输入至多层感知机分类器模块，输出健康-抑郁分类预测结果。
17.第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于脑电信号的抑郁症检测方法的步骤。
18.第四方面，本发明实施例提供一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现本发明任一实施例的基于脑电信号的抑郁症检测方法的步骤。
19.本发明实施例的有益效果在于：本方法利用干电极脑电设备的脑电信号中提取特征增强的脑电高阶特征，能够对抑郁症检测任务中比常规支持向量机方法能取得更高的准确率，并且，使用干电极脑电设备更适合临床实践或家庭使用，提升了在现实世界中检测使用的规模。
附图说明
20.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1是本发明一实施例提供的一种基于脑电信号的抑郁症检测方法的流程图；
22.图2是本发明一实施例提供的一种基于脑电信号的抑郁症检测方法的模型结构图；
23.图3是本发明一实施例提供的一种基于脑电信号的抑郁症检测方法的实验过程示意图；
24.图4是本发明一实施例提供的一种基于脑电信号的抑郁症检测方法的hc和dp在不同阶段的神经模式差异示意图；
25.图5是本发明一实施例提供的一种基于脑电信号的抑郁症检测方法的基于静息状态和任务状态脑电信号的健康-抑郁分类准确率示意图；
26.图6是本发明一实施例提供的一种基于脑电信号的抑郁症检测方法的transformer模型基于静息状态和任务状态脑电信号的健康-抑郁分类准确率示意图；
27.图7是本发明一实施例提供的一种基于脑电信号的抑郁症检测系统的结构示意图；
28.图8为本发明一实施例提供的一种基于脑电信号的抑郁症检测的电子设备的实施例的结构示意图。
具体实施方式
29.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
30.如图1所示为本发明一实施例提供的一种基于脑电信号的抑郁症检测方法的流程图，包括如下步骤：
31.s11：从脑电信号中提取脑电微分熵特征；
32.s12：将所述脑电微分熵特征输入至transformer编码模块，其中，所述transformer编码模块包括：多头自注意力层、前馈神经网络层；
33.s13：在所述transformer编码模块中，所述多头自注意力层通过权重矩阵从所述脑电微分熵特征中确定所述脑电信号中各通道之间的空间关系，通过所述空间关系捕捉各空间维度的脑电特征，所述前馈神经网络层基于所述各空间维度的脑电特征输出特征增强的脑电高阶特征；
34.s14：将所述脑电高阶特征输入至多层感知机分类器模块，输出健康-抑郁分类预测结果。
35.在本实施方式中，eeg(electroencephalography,脑电图)是从头皮获取的大脑活动的电记录，被发现可用于探索抑郁症的特异性脑电模式，通过脑电信号辅助临床抑郁症客观诊断。
36.对于步骤s11，通过给被试者进行不同的任务，在这过程中利用脑电设备采集被试者的脑电信号。具体的，考虑到现有技术中湿电极的脑电采集设备，用户使用起来较为麻烦、舒适度较差，使用场景有一定的限制。本方法使用的所述脑电采集设备包括：干电极脑电设备。在本实施方式中，可穿戴干电极脑电设备可以收集长期以及多阶段的脑电信号，具有低成本、舒适和稳定的优点。然而，干电极脑电设备由于电极阻抗等因素的影响，导致脑电信号质量相对较低，难以准确的从脑电信号中进行抑郁症检测。本方法需要从干电极脑电设备的脑电信号中提取复杂脑电模式，得到特征增强的脑电高阶特征，进而辅助多层感知机分类器做出更准确的判断，并且，使用干电极脑电设备更适合临床实践或家庭使用，提升了在现实世界中检测使用的规模。
37.为了实现上述效果，本方法包括脑电信号采集模块、预处理模块、特征提取模块、transformer编码模块和多层感知机分类器模块。
38.作为一种实施方式，所述从脑电信号中提取脑电微分熵特征包括：
39.通过脑电信号采集模块采集被试者的脑电信号；
40.利用特征提取模块对所述脑电信号进行傅立叶变换，得到脑电频谱，基于所述脑电频谱确定所述脑电信号的脑电微分熵特征。
41.在所述通过脑电信号采集模块采集被试者的脑电信号之后，所述方法还包括通过预处理模块对所述脑电信号进行预处理，以去除所述脑电信号中的无效信号、眼电和肌电
噪声。
42.在本实施方式中，通过脑电信号采集模块获取干电极脑电设备采集被试者的脑电信号，具体的，脑电信号由dsi-24干电极脑电帽采集，利用该脑电采集设备采集被试者在静息状态和认知任务期间的脑电信号。
43.例如，对被试者依次进行静息态1(rest-i)、cpt-ip(continuous performance test-identical pairs version，连续性能测试-相同对版本)、scwt(stroop color word test，斯特鲁普色词测试)和静息态2(rest-ii)等4个子实验环节。在上述测试的过程中，被试者被要求静坐在房间中，室内温度湿度保持适宜，通过电脑显示器展示实验环节，要求被试观看并通过键盘与计算机进行交互。将采集到的被试者的原始脑电信号上传至dsi-streamer进行放大与存储。
44.为了去除原始脑电信号的一些干扰，通过预处理模块对所述脑电信号进行预处理，包括利用1-45hz带通滤波器去除脑电信号的低频与高频无效信号，标记并修复坏导联，基于ica(independent component analysis，独立成分分析)算法去除眼电、肌电噪音。
45.在预处理后，用定长的汉宁窗口在原始脑电信号上执行快速傅立叶变换，计算得到时间、频率域上的频谱，基于频谱计算出脑电微分熵特征，在对脑电微分熵特征进行线性动力系统平滑处理，得到最终用于输入至transformer编码模块的脑电微分熵特征。
46.对于步骤s12，将步骤s11得到的脑电微分熵特征输入至本方法训练的transformer编码模块。现有技术鲜有将transformer用于脑电数据处理和抑郁症检测方面。抑郁症检测属于分类问题(而非文本生成问题)，不需要序列作为输出。因此，本方法采用transformer编码模块对静息状态和任务状态的脑电数据提取深度特征，获得一个表征了脑电信号整体信息的深度特征向量，其结构如图2所示，然后将其输入到一个完全连接的前馈网络，作为用于判断健康/抑郁的分类器而不是解码器。分类器输出的预测概率可以辅助客观检测抑郁症。
47.本方法的transformer编码模块多个相同的编码器层堆叠而成，每个编码器层包含一个多头自注意力层、一个前馈神经网络层和两个残差连接层。其中，多头自注意力层从脑电信号中提取不同的特征子空间，前馈神经网络层对特征进行非线性变换，残差连接层增加模型稳定性。
48.对于步骤s13，在transformer编码模块中，利用编码器将脑电微分熵特征转化为特征矩阵其中，n的位置表示通道数，d的位置表示特征维度，在每个通道对应的特征向量上加上该通道的位置编码，以弥补位置信息的缺失。每个样本都有一个标签y∈{0,1,
…
,c-1}，c表示类别数。本方法中，c＝2，0表示健康，1表示抑郁。
49.利用注意力机制计算每个通道与其他通道的空间相关性，从而形成一个注意力矩阵，表示脑电信号的空间依赖关系。自注意力计算规则如下：
[0050][0051]
将输入样本序列的每个特征向量分别乘以多个不同的权重矩阵，具体包括：
[0052]
所述多头自注意力层将所述脑电微分熵特征分别与多个不同的权重矩阵相乘，得到查询矩阵、键矩阵、值矩阵；
[0053]
基于所述查询矩阵与所述键矩阵的点积，确定注意力得分，通过所述注意力得分
以及所述值矩阵确定所述脑电信号中各通道之间的空间关系。
[0054]
在本实施方式中，将输入样本序列的每个特征向量分别乘以三个不同的权重矩阵，得到查询(query)、键(key)和值(value)的三个矩阵：其中，d
x
和dv为向量维度；计算q与k的点积，得到注意力得分，然后除以一个缩放因子(通常是k维度的平方根)，避免值过大或过小；对注意力得分应用softmax函数，将得分归一化为概率值，得到注意力权重；将注意力权重乘以对应的v，得到带权重的值向量矩阵
[0055]
在此基础上，使用多头注意力，将信号分成多个子空间，分别计算自注意力，然后拼接起来，以增强模型的表达能力：
[0056]
multihead(q,k,v)＝concat(head1,...,headh)wo[0057][0058]
其中，h表示多头注意力的头数，其中，h表示多头注意力的头数，表示可学习的投影矩阵，用于将输入序列映射到不同子空间，为可学习的权重矩阵，线性变换后编码器层输出特征增强的脑电高阶特征总的来说，transformer编码模块接收脑电微分熵特征序列，利用自注意力机制来捕捉脑电通道间的空间关系，学习该序列的高阶深层特征，输出表征了该序列整体信息的脑电高阶特征向量。
[0059]
对于步骤s14，将得到的特征增强的脑电高阶特征输入至多层感知机分类器模块。在多层感知机分类器中模块中，由全连接层和softmax激活函数构成的分类器，最终得到健康-抑郁二分类概率分布。
[0060]
要说明的是，本方法的transformer编码器及多层感知机分类器模块也是训练获得，作为一种实施方式，所述多层感知机分类器模块由脑电微分熵训练特征以及健康-抑郁分类基准结果构成的训练集训练获得，包括：
[0061]
将所述脑电微分熵训练特征输入至transformer编码模块，得到预测的脑电高阶特征；
[0062]
将所述预测的脑电高阶特征输入至多层感知机分类器模块，输出健康-抑郁分类预测结果；
[0063]
基于所述健康-抑郁分类基准结果以及所述健康-抑郁分类预测结果的交叉熵损失函数对所述transformer编码器及多层感知机分类器模块进行训练，直至所述交叉熵损失函数达到预设目标为止。
[0064]
在本实施方式中，将批量的脑电微分熵训练特征输入至transformer编码模块，得到预测的脑电高阶特征，通过多层感知机分类器模块得到健康-抑郁二分类概率分布训练集中还包括了各脑电微分熵训练特征对应的健康-抑郁分类基准概率分布y。模型训练需要最小化真实类别y和模型输出分布的交叉熵。
[0065]
通过该实施方式可以看出，本方法利用干电极脑电设备的脑电信号中提取特征增强的脑电高阶特征，能够对抑郁症检测任务中比常规支持向量机方法能取得更高的准确
率，并且，使用干电极脑电设备更适合临床实践或家庭使用，提升了在现实世界中检测使用的规模。
[0066]
对本方法的实验进行具体说明：
[0067]
关于被试者，本方法招募了73名被试者(33名抑郁症患者，40名健康被试者)。要求被试者依次完成rest-i、cpt-ip、scwt和rest-ii等4个子实验环节，采用dsi-24干电极脑电帽以300hz频率采集被试在观看视频期间的脑电信号。
[0068]
关于实验程序，如图3所示，实验程序包括四个阶段：rest-i、cpt-ip、scwt和rest-ii。在每个阶段之前都给出了有关进展和预期选项的提示。
[0069]
rest-i和rest-ii是两个独立的睁眼静息态阶段，分别在认知任务阶段之前和之后进行，要求被试者睁开眼睛，放松并注视显示器中心的绿点。实验时长可自行定义，如，rest-i时长180秒，rest-ii时长90秒。
[0070]
cpt-ip和scwt是两个认知任务。cpt-ip任务考察注意力，需要被试者在连续呈现的一系列刺激中识别相同的刺激对。总共120个试验试次，每个试次中刺激(如四位数字)以每秒1次的恒定速率在显示器上闪烁，刺激“开启”时间为50毫秒。试验序列中的30％是目标试次(即连续出现两个相同刺激)并预期被试将做出响应(即按一次键盘上的“enter”键)。其余试次是随机分布而不相同的数字。程序会对被试者的每个响应标记为“正确”(对于匹配的响应)或“不正确”(对于不匹配或错过的响应)。scwt任务考察注意力和认知干扰抑制能力。认知干扰是指当处理一个特定的刺激属性时，会妨碍同时处理另一个刺激属性。总共50个试次，被试者需要在限定的时间内尽快阅读表示颜色的词语。这些词语以一致或不一致的墨水颜色出现在显示器上，被试者在5秒内使用键盘上的箭头选出词语的墨水颜色，而不是其表意颜色。程序会对被试的每个响应标记为“正确”、“不正确”或“超时”。
[0071]
关于脑电和特征提取，使用干电极脑电设备以300hz的采样率记录eeg信号。根据国际10-20系统定位传感器。在方法中，以pz电极为参考，选择18个通道信号进行预处理，将原始脑电信号通过1-45hz带通滤波过滤噪声和伪影。对预处理后的脑电信号在5个频段(即δ：1-4hz，θ：4-8hz，α：8-14hz，β：14-31hz和γ：31-45hz)以1s为窗口提取微分熵特征，再经过线性动力系统平滑操作进一步过滤噪声。
[0072]
关于分类模型，三种分类器被应用于抑郁症检测：支持向量机(svm)、注意力简单图卷积网络(asgc)和本方法的transformer编码模块。对每一个子实验的脑电特征，采用被试独立(同一被试的全部数据要么作为训练集，要么作为测试集)与三折交叉验证(将每类被试分为三组，每两组合并为训练集，剩余一组作为测试集)，划分训练集与测试集。
[0073]
在四个实验阶段，健康对照组(hc)和抑郁组(dp)之间的平均神经模式差异如图4所示。在这四个阶段观察到了一致的趋势。与hc相比：
[0074]
1、在δ和θ中，dp在额叶部位具有较高的激活，而在颞叶部位具有较低的激活；
[0075]
2、在α中，除额叶外，dp在整个大脑中的激活率较低；
[0076]
3、在β和γ带中，dp在颞叶部位具有较高的激活，而在左额和左顶叶部位具有较低的激活。
[0077]
此外，不同阶段之间存在模式差异：
[0078]
1、在δ和θ中，静息状态下额叶和顶叶区域的神经激活显著不同，而认知任务引发的差异更多地与时间位置有关；
[0079]
2、在α中，在rest-ii期间(任务之后)，hc和dp之间的能量差异大于resti期间(任务之前)；
[0080]
3、在scwt期间，dp显示出较大的大脑区域，β带低激活，γ带高激活。
[0081]
可以从差异中推断：
[0082]
1、由于α波通常反映出一种有意识但放松的状态，而广泛分布的额叶θ更经常反映出嗜睡，因此健康对照组更放松，而抑郁患者在整个实验过程中可能会有点不安或疲劳，而不考虑休息或任务阶段；
[0083]
2、resti和rest-ii之间θ波和α波的差异可能是由于患者在挑战性任务后的疲劳加剧所致；
[0084]
3、在cpt-ip和scwt期间，特别是在额叶和颞叶部位的差异可能表明抑郁症患者的持续注意力和反应抑制不足。
[0085]
关于实验结果，对于每一个子实验，将训练集的脑电特征输入transformer编码器模块和分类器，迭代训练得到最终模型；将测试集的脑电特征输入模型，输出健康-抑郁类别预测概率分布，与真实类别对比，得到准确率。
[0086]
以线性核支持向量机(svm)作为本发明所述技术的对比标准，如图5给出了4个子实验的三折交叉平均预测准确率，如图6详细列出了transformer的准确率、f1分数、auc、灵敏度和特异度等指标。从结果可以看出，本方法的transformer在基于rest-i、cpt-ip、scwt和rest-ii状态脑电数据的抑郁检测任务中，auc分别达到了0.89、0.94、0.94和0.90，均优于基准方法。使用本发明所述的特征提取技术能够有效实现抑郁症客观检测。
[0087]
如图7所示为本发明一实施例提供的一种基于脑电信号的抑郁症检测系统的结构示意图，该系统可执行上述任意实施例所述的基于脑电信号的抑郁症检测方法，并配置在终端中。
[0088]
本实施例提供的一种基于脑电信号的抑郁症检测系统10包括：脑电特征提取程序模块11，特征输入程序模块12，脑电高阶特征确定程序模块13和检测程序模块14。
[0089]
其中，脑电特征提取程序模块11用于从脑电信号中提取脑电微分熵特征；特征输入程序模块12用于将所述脑电微分熵特征输入至transformer编码模块，其中，所述transformer编码模块包括：多头自注意力层、前馈神经网络层；脑电高阶特征确定程序模块13用于在所述transformer编码模块中，所述多头自注意力层通过权重矩阵从所述脑电微分熵特征中确定所述脑电信号中各通道之间的空间关系，通过所述空间关系捕捉各空间维度的脑电特征，所述前馈神经网络层基于所述各空间维度的脑电特征输出特征增强的脑电高阶特征；检测程序模块14用于将所述脑电高阶特征输入至多层感知机分类器模块，输出健康-抑郁分类预测结果。
[0090]
本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于脑电信号的抑郁症检测方法；
[0091]
作为一种实施方式，本发明的非易失性计算机存储介质存储有计算机可执行指令，计算机可执行指令设置为：
[0092]
从脑电信号中提取脑电微分熵特征；
[0093]
将所述脑电微分熵特征输入至transformer编码模块，其中，所述transformer编
码模块包括：多头自注意力层、前馈神经网络层；
[0094]
在所述transformer编码模块中，所述多头自注意力层通过权重矩阵从所述脑电微分熵特征中确定所述脑电信号中各通道之间的空间关系，通过所述空间关系捕捉各空间维度的脑电特征，所述前馈神经网络层基于所述各空间维度的脑电特征输出特征增强的脑电高阶特征；
[0095]
将所述脑电高阶特征输入至多层感知机分类器模块，输出健康-抑郁分类预测结果。
[0096]
作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的方法对应的程序指令/模块。一个或者多个程序指令存储在非易失性计算机可读存储介质中，当被处理器执行时，执行上述任意方法实施例中的基于脑电信号的抑郁症检测方法。
[0097]
图8是本技术另一实施例提供的基于脑电信号的抑郁症检测方法的电子设备的硬件结构示意图，如图8所示，该设备包括：
[0098]
一个或多个处理器810以及存储器820，图8中以一个处理器810为例。基于脑电信号的抑郁症检测方法的设备还可以包括：输入装置830和输出装置840。
[0099]
处理器810、存储器820、输入装置830和输出装置840可以通过总线或者其他方式连接，图8中以通过总线连接为例。
[0100]
存储器820作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本技术实施例中的基于脑电信号的抑郁症检测方法对应的程序指令/模块。处理器810通过运行存储在存储器820中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于脑电信号的抑郁症检测方法。
[0101]
存储器820可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器820可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器820可选包括相对于处理器810远程设置的存储器，这些远程存储器可以通过网络连接至移动装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0102]
输入装置830可接收输入的数字或字符信息。输出装置840可包括显示屏等显示设备。
[0103]
所述一个或者多个模块存储在所述存储器820中，当被所述一个或者多个处理器810执行时，执行上述任意方法实施例中的基于脑电信号的抑郁症检测方法。
[0104]
上述产品可执行本技术实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本技术实施例所提供的方法。
[0105]
非易失性计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据装置的使用所创建的数据等。此外，非易失性计算机可读存储介质可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，非易失性计算机可读存储介质可选包括相对于处理器远程设置
的存储器，这些远程存储器可以通过网络连接至装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0106]
本发明实施例还提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于脑电信号的抑郁症检测方法的步骤。
[0107]
本技术实施例的电子设备以多种形式存在，包括但不限于：
[0108]
(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机、多媒体手机、功能性手机，以及低端手机等。
[0109]
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:pda、mid和umpc设备等，例如平板电脑。
[0110]
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
[0111]
(4)其他具有数据处理功能的电子装置。
[0112]
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0113]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0114]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0115]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种基于脑电信号的抑郁症检测方法，包括：从脑电信号中提取脑电微分熵特征；将所述脑电微分熵特征输入至transformer编码模块，其中，所述transformer编码模块包括：多头自注意力层、前馈神经网络层；在所述transformer编码模块中，所述多头自注意力层通过权重矩阵从所述脑电微分熵特征中确定所述脑电信号中各通道之间的空间关系，通过所述空间关系捕捉各空间维度的脑电特征，所述前馈神经网络层基于所述各空间维度的脑电特征输出特征增强的脑电高阶特征；将所述脑电高阶特征输入至多层感知机分类器模块，输出健康-抑郁分类预测结果。2.根据权利要求1所述的方法，其中，所述多头自注意力层通过权重矩阵从所述脑电微分熵特征中确定所述脑电信号中各通道之间的空间关系包括：所述多头自注意力层将所述脑电微分熵特征分别与多个不同的权重矩阵相乘，得到查询矩阵、键矩阵、值矩阵；基于所述查询矩阵与所述键矩阵的点积，确定注意力得分，通过所述注意力得分以及所述值矩阵确定所述脑电信号中各通道之间的空间关系。3.根据权利要求1所述的方法，其中，所述transformer编码模块及多层感知机分类器模块由脑电微分熵训练特征以及健康-抑郁分类基准结果构成的训练集训练获得，包括：将所述脑电微分熵训练特征输入至transformer编码模块，得到预测的脑电高阶特征；将所述预测的脑电高阶特征输入至多层感知机分类器模块，输出健康-抑郁分类预测结果；基于所述健康-抑郁分类基准结果以及所述健康-抑郁分类预测结果的交叉熵损失函数对所述transformer编码模块及多层感知机分类器模块进行训练，直至所述交叉熵损失函数达到预设目标为止。4.根据权利要求1所述的方法，其中，所述从脑电信号中提取脑电微分熵特征包括：通过脑电信号采集模块采集被试者的脑电信号；利用特征提取模块对所述脑电信号进行傅立叶变换，得到脑电频谱，基于所述脑电频谱确定所述脑电信号的脑电微分熵特征。5.根据权利要求4所述的方法，其中，在所述通过脑电信号采集模块采集被试者的脑电信号之后，所述方法还包括通过预处理模块对所述脑电信号进行预处理，以去除所述脑电信号中的无效信号、眼电和肌电噪声。6.根据权利要求1所述的方法，其中，所述通过脑电信号采集模块采集被试者的脑电信号包括：利用脑电采集设备采集被试者在静息状态和认知任务期间的脑电信号。7.根据权利要求6所述的方法，其中，所述脑电采集设备包括：干电极脑电设备。8.一种基于脑电信号的抑郁症检测系统，包括：脑电特征提取程序模块，用于从脑电信号中提取脑电微分熵特征；特征输入程序模块，用于将所述脑电微分熵特征输入至transformer编码模块，其中，所述transformer编码模块包括：多头自注意力层、前馈神经网络层；脑电高阶特征确定程序模块，用于在所述transformer编码模块中，所述多头自注意力
层通过权重矩阵从所述脑电微分熵特征中确定所述脑电信号中各通道之间的空间关系，通过所述空间关系捕捉各空间维度的脑电特征，所述前馈神经网络层基于所述各空间维度的脑电特征输出特征增强的脑电高阶特征；检测程序模块，用于将所述脑电高阶特征输入至多层感知机分类器模块，输出健康-抑郁分类预测结果。9.一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述方法的步骤。10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。

技术总结
本发明实施例提供一种基于脑电信号的抑郁症检测方法、系统和电子设备。该方法包括：从脑电信号中提取脑电微分熵特征；将脑电微分熵特征输入至Transformer编码模块；在Transformer编码模块中，多头自注意力层通过权重矩阵从脑电微分熵特征中确定脑电信号中各通道之间的空间关系，通过空间关系捕捉各空间维度的脑电特征，前馈神经网络层基于各空间维度的脑电特征输出特征增强的脑电高阶特征；将脑电高阶特征输入至多层感知机分类器模块，输出健康-抑郁分类预测结果。本发明实施例利用干电极脑电设备的脑电信号中提取特征增强的脑电高阶特征，取得更高的准确率，并且，使用干电极脑电设备更适合临床实践或家庭使用，提升了在现实世界中检测使用的规模。升了在现实世界中检测使用的规模。升了在现实世界中检测使用的规模。


技术研发人员：吕宝粮 赵黎明
受保护的技术使用者：上海零唯一思科技有限公司
技术研发日：2023.06.09
技术公布日：2023/8/28