基于多维脑电特征的健康、抑郁、双相分类系统

本发明涉及生物医学工程，尤其涉及一种基于多维脑电特征的健康、抑郁、双相分类系统。

背景技术：

1、近年来，传统机器学习算法、深度学习技术不断发展，并应用于处理脑电信号，涌现出多项旨在辅助诊断抑郁及情感障碍的技术与研究方案，现有的分析分类技术主要分为基于传统机器学习与基于前馈深度学习两大流派。

2、其中，基于传统机器学习的方法，需要与纯手工特征工程的诊断框架集合，主要依赖信号处理专家人工提取时域或频域的统计特征，并结合浅层机器学习分类器（如支持向量机svm、随机森林或线性判别分析）进行建模判别，该方法的局限是特征工程极度单一且缺乏自动化扩展能力、极易受专家主观认知偏差限制，导致提取的特征维度稀疏，无法完整表征高度非平稳、非线性的头皮电生理映射全貌。此外，离线进行庞大矩阵的繁琐代数运算极大地增加了时间成本，彻底阻碍了其在移动端可穿戴设备上的实时诊断应用

3、基于前馈深度学习的方法，主要是基于深度学习的端到端特征映射，当前针对情感障碍脑电分类的深度学习技术路线主要可归纳基于循环神经网络（rnn/lstm）、基于卷积神经网络（cnn）、基于图神经网络（gnn）、基于transformer及其混合架构的四条技术路线，在上述四条基础技术路线的不断交叉与演进下，涌现出了多项旨在辅助诊断抑郁及情感障碍的具体技术方案。然而，深入剖析这些现有方案，可以发现这些现有技术在精神疾病单病种的二分类（如区分单相抑郁mdd与正常人hc）上取得了看似显著的成就，但若将其直接部署于同时面对复杂健康群体、单相抑郁群体与双相抑郁群体的真实精神科临床门诊（即高难度三分类任务），由于双相情感障碍（bd）患者在抑郁发作期的表现与mdd极度相似，三分类任务（hc vs mdd vs bd），面临特征空间高度重叠、分类边界模糊等技术难题，现有技术在三分类任务上表现出显著的精度塌陷、存在“单双相不分”的问题，会导致误诊率居高不下。

4、现有技术面临高难度三分类任务依然存在以下底层缺陷与技术瓶颈：

5、第一，现存技术方案对脑电病态特征呈现的“稀疏阵发性”毫无抵抗力。在长达二十分钟的静息态采集中，患者并不是每一秒都在释放病理性的脑电波，大量的脑电片段与正常人无异。传统的深度学习训练范式是将长序列直接暴力切分为固定的秒级时间片（例如四秒），并粗暴地给每一个时间片贴上患者的整体宏观疾病标签（如所有切片均硬性标注为“双相障碍”）进行监督学习。这种做法使得网络被强迫学习错误的正常背景波形，导致在反向传播中产生巨大且混乱的惩罚梯度，最终在面对长时段测试时，其整体确诊精度产生雪崩效应。

6、第二，现存技术方案的模型存在致命的跨被试领域偏移（domain shift）坍塌问题。脑电信号相较于自然图像拥有极其高昂的个体特异性噪声，每个人的颅骨解剖厚度、发质引起的皮肤接触阻抗、甚至是采集当天的微小疲劳度，都会深刻改变输入电位的微伏级分布。现有的大多数模型只是在“死记硬背”训练集中少数几个受试者的大脑物理表象特征，而非真正提炼出“抑郁”或“双相”共享的底层神经病理表型。一旦这些模型在真实医院中遇到前所未见的全新患者，或者将采集设备从昂贵的实验室级128导联湿电极帽更换为造价低廉的便携式微型干电极设备时，预测准确率便会发生灾难性的断崖式下跌。

7、第三，医学真实数据存在天然的极度长尾不平衡分布。在临床数据收集中，确诊并自愿配合采集到极高质量脑电信号的双相患者样本量往往显著低于庞大的健康对照组与单相抑郁症组。传统的交叉熵损失函数（cross-entropy loss）在迭代时会对各类样本施加无差别的同等梯度，导致占比较大的“容易分类”的健康样本产生的庞大累计梯度完全主导了神经网络内部权重的更新方向。模型为了快速降低总体loss，会表现为极度偏向多数类，而在双相障碍这种小样本关键类别上表现出极其糟糕的特异性与召回率。

8、最后，模型严重缺乏可被临床医学验证的直观解释力与生物学根基。现有的深度检测模型绝大多数仅能输出一个概率数值，无法反向指出到底是大脑的哪一个特定皮层区域的哪一种生理频段出现了何种程度的代谢异常。

9、因此，亟需一种基于多维脑电特征的健康、抑郁、双相分类系统，实现多维特征提取和深度融合，提升健康、单相抑郁和双相障碍三分类任务精度。

技术实现思路

1、鉴于上述的分析，本发明实施例旨在提供一种基于多维脑电特征的健康、抑郁、双相分类系统，用以解决现有技术在精神情感障碍脑电辅助诊断领域存在的特征挖掘维度单一、长程时空建模能力孱弱、抗噪泛化能力不足，以及区分健康、抑郁、双相的精准度不足的问题。本发明实施例提供的方法和系统均可以通过计算机或其他运算平台实现，确定的分类结果可以为临床医师或其他医护人员提供参考，并不作为正式的医学诊断结果。

2、一方面，本发明实施例提供了一种基于多维脑电特征的健康、抑郁、双相分类系统，包括：

3、信号处理模块，用于获取受试者的静息态脑电信号序列，对所述静息态脑电信号序列进行特征提取，获得对应的多个脑电信号特征组；其中，每个所述脑电信号特征组包括多个相位动力学特征、多个频域能量幅值特征、多个频域复数表征特征和多个空间图谱特征；所述相位动力学特征包括变异系数和滞后-超前比率；所述空间图谱特征包括导联相关系数；

4、分类预测模块，用于对每个所述脑电信号特征组包括的所有所述相位动力学特征、所有所述频域能量幅值特征和所有所述频域复数表征特征进行第一特征融合，生成对应的多模态动态表征；对每个所述脑电信号特征组包括的所有所述空间图谱特征进行特征压缩，生成对应的空间拓扑表征；对所述多模态动态表征和所述空间拓扑表征进行第二特征融合和分类计算，生成对应的片段级三分类结果；

5、分类决策模块，用于根据所有所述片段级三分类结果进行仲裁决策，确定所述受试者对应的分类结果。

6、进一步地，所述分类预测模块利用双流晚期融合模型，通过以下处理生成每个所述脑电信号特征组对应的所述片段级三分类结果：

7、利用所述双流晚期融合模型包括的频域/相位多模态模块，对所述脑电信号特征组包括的所有所述相位动力学特征、所有所述频域能量幅值特征和所有所述频域复数表征特征进行第一特征融合，生成对应的多模态动态表征；

8、利用所述双流晚期融合模型包括的空间拓扑模块，对所述脑电信号特征组包括的所有所述空间图谱特征进行特征压缩，生成对应的空间拓扑表征；

9、利用所述双流晚期融合模型包括的特征融合模块，对所述多模态动态表征和所述空间拓扑表征进行第二特征融合和分类计算，生成对应的所述片段级三分类结果。

10、进一步地，所述信号处理模块通过以下处理对所述静息态脑电信号序列进行特征提取，获得对应的多个所述脑电信号特征组：

11、将所述静息态脑电信号序列切分为多个脑电信号短时实例，从每个所述脑电信号短时实例中提取对应的多个核心导联序列；

12、对每个所述脑电信号短时实例对应的所有核心导联序列进行特征提取，获取对应的所述脑电信号特征组。

13、进一步地，所述频域能量幅值特征包括能量幅值，所述频域复数表征特征包括实部、虚部；

14、所述信号处理模块通过以下处理对每个所述脑电信号短时实例对应的所有核心导联序列进行特征提取，获取对应的所述脑电信号特征组：

15、对各所述核心导联序列进行希尔伯特变换，获得对应的瞬时相位序列，对各所述瞬时相位序列进行相位特征统计，获得对应的所述变异系数和所述滞后-超前比率；

16、对各所述核心导联序列进行傅里叶变换，获得对应的多个复数频谱，计算每个所述复数频谱对应的能量幅值；其中，所述复数频谱包括所述实部、所述虚部；

17、对各所述核心导联序列进行相关性分析，获得对应的多个所述导联相关系数。

18、进一步地，所述信号处理模块通过以下处理获得各所述瞬时相位序列对应的所述变异系数和所述滞后-超前比率：

19、对各所述瞬时相位序列进行相位展开，确定对应的相位周期持续时间；

20、根据所有所述相位周期持续时间的标准差和均值计算所述变异系数；

21、基于所有所述相位周期持续时间和标称周期，统计对应的滞后事件数、超前事件数，根据所述滞后事件数、所述超前事件数计算所述滞后-超前比率。

22、进一步地，所述频域/相位多模态模块包括相位特征处理分支、幅值特征处理分支、实部特征处理分支、虚部特征处理分支和跨模态融合层；

23、分类预测模块通过以下处理生成所述多模态动态表征：

24、利用所述相位特征处理分支，对所有所述相位动力学特征进行卷积和编码处理，生成对应的相位分支特征；

25、利用所述幅值特征处理分支，对所有所述频域能量幅值特征进行卷积和编码处理，生成对应的幅值分支特征；

26、利用所述实部特征处理分支、所述虚部特征处理分支，对所有所述频域复数表征特征进行卷积和编码处理，生成对应的实部分支特征、虚部分支特征；

27、利用所述跨模态融合层，对所述相位分支特征、所述幅值分支特征、所述实部分支特征、所述虚部分支特征进行跨模态特征融合，生成对应的所述多模态动态表征。

28、进一步地，所述相位特征处理分支包括依次连接的卷积层、通道注意力层、编码层；

29、利用所述相位特征处理分支，对所有所述相位动力学特征进行卷积和编码处理，生成对应的相位分支特征，包括：

30、对每个所述相位动力学特征，利用所述卷积层进行多尺度卷积，生成对应的多个相位卷积特征；

31、将每个所述相位动力学特征对应的所有所述相位卷积特征输入所述通道注意力层进行第一注意力计算，生成对应的相位局部特征；

32、为各所述相位动力学特征对应的所述相位局部特征添加对应的位置编码和模态类别编码，输入所述编码层进行第二注意力计算，生成对应的所述相位分支特征。

33、进一步地，所述分类预测模块通过以下处理生成所述空间拓扑表征：

34、将所有所述空间图谱特征进行向量化和向量拼接，生成对应的独立连接特征向量；

35、将所述独立连接特征向量输入所述空间拓扑模块进行线性映射和非线性激活，生成所述空间拓扑表征。

36、进一步地，所述分类决策模块通过以下处理确定所述受试者对应的所述分类结果，包括：

37、将所有所述片段级三分类结果输入多个基分类器进行分类预测，生成多个个体级三分类概率；

38、将所有所述个体级三分类概率输入元仲裁器进行仲裁分类，输出所述分类结果。

39、进一步地，所述分类预测模块利用的所述双流晚期融合模型是训练获得的；所述双流晚期融合模型通过以下步骤训练：

40、构建脑电信号特征训练样本集；其中，所述脑电信号特征训练数据集包括多个目标人员对应的多个脑电信号特征组和目标分类标签；

41、将每个所述目标人员对应的各所述脑电信号特征组输入所述双流晚期融合模型，生成对应的多个片段级预测结果；根据各所述目标人员对应的各所述片段级预测结果和所述目标分类标签对双流晚期融合模型进行训练；

42、和/或，将每个所述目标人员对应的各所述脑电信号特征组输入所述双流晚期融合模型，生成对应的多个所述片段级预测结果；对每个所述目标人员的所有所述片段级预测结果进行仲裁决策，确定各所述目标人员对应的预测分类概率；根据各所述目标人员对应的所述预测分类概率和所述目标分类标签对所述双流晚期融合模型进行训练。

43、与现有技术相比，本发明至少可实现如下有益效果之一：

44、1、基于受试者的静息态脑电信号序列，提取多组脑电信号特征组，每组脑电信号特征组包括多个相位动力学特征、多个频域能量幅值特征、多个频域复数表征特征和多个空间图谱特征，通过深层的相位动力学特征，精准刻画内源性神经振荡周期在维持执行控制节律时的灵活性缺失与失衡畸变，解决现有频域或同步性特征提取方法难以揭示抑郁与双相障碍核心病理差异的问题；通过空间图谱特征，精准表征全脑多频段密集连通图谱，从根本上恢复对异常脑皮层神经环路耦合状态的全面监测，解决单通道或少数特定通道分析导致空间功能连接信息彻底丢失的问题。

45、2、通过包括频域/相位多模态模块、空间拓扑模块和特征融合模块的双流晚期融合模型获取片段级三分类结果，并行且深度解析空间图谱特征与时间序列（相位动力学特征、多个频域能量幅值特征、多个频域复数表征特征）的隐式规律，解决现有单一网络架构无法同时兼顾空间全脑拓扑网络异常与全局长程时序演变的问题。

46、3、根据所有片段级三分类结果进行仲裁决策，最终确定受试者对应的分类结果，实现从多段特征聚类到个体全域投票的端到端决策链条，实现真正具有临床医疗价值的个体级（subject-level）三分类精确辅助诊断，解决现有分类模型多局限于“片段级”识别而缺失“个体级”临床辅助诊断闭环的问题。

47、4、通过多个基分类器与元仲裁器配合实现仲裁决策，摒弃单一脆弱的全连接分类层，利用基分类器与高级统帅算法（以元仲裁器执行）进行两阶段统计校验，显著提升对设备异质性和个体生理噪声的免疫力，解决长程异构临床脑电信号中稀疏病理异常易被海量正常底噪淹没，导致单分类器极易过拟合并丧失跨被试泛化能力的问题。

48、本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。