【摘要】：抑郁癥是一種常見的精神疾病,以心境低落和悲觀為主要特征,癥狀嚴重時可能會產(chǎn)生自殺行為。由于抑郁癥患者數(shù)量逐年增加,診斷結果受主觀因素影響,容易造成誤診和漏診,所以急需提高其診斷的準確性。通過對抑郁癥腦電信號的研究現(xiàn)狀、處理和分析方法的綜合分析,發(fā)現(xiàn)腦電信號去噪方法和診斷模型的選擇對提高診斷準確率至關重要。在去噪處理方面,本文提出了希爾伯特-黃變換(Hilbert-Huang Transform,HHT)結合小波包的去噪方法。采集到的腦電信號含有噪聲,通過小波包算法進一步處理HHT中得到的含噪固有模態(tài)函數(shù)(Intrinsic Mode Function,IMF)分量,可使去噪后的重構信號保留更多有效的信息。在診斷模型的建立方面,由于腦電信號中存在很大的不確定性,采用基于概率的表示方法對于分析腦電信號往往能取得很好的效果,故提出在變分貝葉斯理論基礎上建立腦電信號的隱馬爾可夫診斷模型。首先,利用變分貝葉斯(Variational Bayesian,VB)算法、最大似然(Maximum Likelihood,ML)算法和最大后驗(Maximum A Posteriori,MAP)算法對隱馬爾科夫模型(Hidden Markov Model,HMM)進行參數(shù)估計及分析。然后,在合成數(shù)據(jù)上比較VB和ML算法得到的隱馬爾科夫模型,實驗結果顯示VB算法可以避免ML算法中出現(xiàn)的過擬合現(xiàn)象。最后,把去噪處理后的腦電信號的波動指數(shù)作為診斷模型的輸入,比較三種算法下的隱馬爾科夫模型的識別率,實驗結果表明VB算法下的隱馬爾科夫模型對抑郁組和健康對照組的識別率最高,可達到91.2%。
【圖文】：

1 實驗過程1. 受試者的選擇本文的實驗涉及抑郁組和健康對照組。實驗對象由 15 名健康者和 15 名抑郁組成，為保證結果質量，要求受試者年齡在 20~55 歲之間（23.7±10.2 歲；平均準差），右利手，聽力健全，智力正常，受教育背景要求高于小學。其他要求)抑郁組：PHQ-9 得分在 10 分及以上的受試者和 DASS-21 評分 14 分及以上的受類為抑郁組；(2)健康對照組：問卷得分歸類為健康的受試者。下列受試者將被實驗之外：長期服用睡眠藥物，患有高血壓或心臟病，懷孕，哺乳或服用避孕慢性身體疾病，三代以內(nèi)的家庭成員患有心理障礙，在一年內(nèi)濫用酒精或心理藥2. 實驗設備用于采集腦電數(shù)據(jù)的設備主要包括 3IT_EHV1 腦電帽，8 通道的 OpenBCI_V3 以及配套的 GUI 數(shù)據(jù)分析軟件 OpenBCI_GUI。（1）腦電帽：3IT_EHV1 腦電帽是全新腦電帽，，全干電極（無需導電膏），enBCI Ultracortex_Mark3/4 系列腦電帽。如圖 4.1(a)所示。

8 個獨立的信號采集通道，主控為 Arduino UNO，腦電芯片為全球著名半導體商 TI（德州儀器）提供。如圖 4.1(b)所示。（3）數(shù)據(jù)分析軟件：數(shù)據(jù)分析軟件 OpenBCI_GUI 為設備的配套軟件，可以對采集參數(shù)進行設置以及分析數(shù)據(jù)。實驗中各電極的采樣頻率設置為 250Hz、精度為 8bi帶通濾波設置為 0.5Hz~100Hz 以及 50Hz 陷波濾波。如圖 4.2 所示。
【學位授予單位】：長春理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：R749.4;R318;TN911.7

【參考文獻】

相關期刊論文 前8條

1 樊存佳;汪友生;邊航;;一種改進的KNN文本分類算法[J];國外電子測量技術;2015年12期

2 徐定杰;沈忱;沈鋒;;混合高斯分布的變分貝葉斯學習參數(shù)估計[J];上海交通大學學報;2013年07期

3 董盟盟;仲軼;徐潔;戴體俊;劉功儉;;基于小波分析的腦電信號處理[J];電子設計工程;2012年24期

4 瞿祥;王藝明;;腦電非線性動力學分析在抑郁癥中的應用及抗抑郁藥的療效觀察[J];中國醫(yī)藥導報;2012年34期

5 楊幫華;陸文宇;何美燕;劉麗;;腦機接口中基于WPD和CSP的特征提取[J];儀器儀表學報;2012年11期

6 魏有東,謝鵬;神經(jīng)性障礙與抑郁癥患者腦電圖比較分析[J];山西醫(yī)科大學學報;2005年01期

7 童珊,黃華,陳槐卿;非線性動力學在腦電分析中的應用[J];生理科學進展;2005年01期

8 季忠,秦樹人,彭麗玲;腦電信號的現(xiàn)代分析方法[J];重慶大學學報(自然科學版);2002年09期

相關博士學位論文 前2條

1 王凱明;抑郁癥腦電信號的非線性研究與診斷模型構建[D];北京工業(yè)大學;2015年

2 王婷;EMD算法研究及其在信號去噪中的應用[D];哈爾濱工程大學;2010年

相關碩士學位論文 前8條

1 孫名厚;基于現(xiàn)代譜估計的抑郁癥腦電研究[D];蘭州大學;2016年

2 李洋;基于小波變換和卡爾曼濾波器的去眼電偽跡算法的研究[D];蘭州大學;2016年

3 許婷婷;基于腦電數(shù)據(jù)的抑郁識別及源定位的研究[D];蘭州大學;2015年

4 廖智舟;抑郁癥腦電信號特征及分類研究[D];北京工業(yè)大學;2014年

5 王小甜;不同情緒狀態(tài)下腦電信號特征的研究[D];長春理工大學;2014年

6 尹兵;腦電波信號的去偽跡研究[D];南京郵電大學;2014年

7 楊雅;基于貝葉斯理論的運動想象信號分析方法研究[D];華南理工大學;2013年

8 陳金燕;發(fā)作期癲癇腦電信號的自動檢測方法研究[D];華東理工大學;2013年

本文編號：2675407