一种大脑神经元锋电位与局部场电位结合的抑郁检测方法与流程

1.本技术涉及脑电数据分析技术领域，具体而言，涉及一种大脑神经元锋电位与局部场电位结合的抑郁检测方法。


背景技术：

2.脑电数据信号是携带大脑状态的信息载体，是进行大脑状态判断的重要工具。由于脑电数据通常是高纬度的复杂信号，通常需要通过脑电信号特征提取技术获取脑电信号中的有效信息。基于脑电信号提取技术，能够对大脑的情感状态进行分析，对于抑郁症、癫痫等脑神经系统疾病的诊疗有着重要的研究和临床应用意义。
3.申请号为202111049290.5的发明公布了一种脑电信号的分析方法，采用多频带时空卷积网络对提取的特征进行分析，将脑电信号的特征通过该时空卷积网络有效的提取了与抑郁相关的特征，实现了对抑郁脑电分类。
4.申请号为200910196746.3的发明公开了一种脑电分析方法，应用时域、频域分析和主成分分析方法提取脑电信号特征，提取了与人体紧张、疲劳与放松等状态相关的时频域参数，并且将其映射到主成分空间中，进一步运用支持向量机在主成份空间中分析非线性关系，提高了判读的精确性和有效性。
5.上述方法尽管能够一定程度上实现脑电特征的提取，但对于脑电信号较为复杂的抑郁症，上述方法不能很好的利用脑电信号中的信息，导致存在丧失了部分脑电信号中的关键信息，或提取的特征在抑郁症的状态判断上失效的问题。


技术实现要素：

6.为了解决上述问题，本技术实施例提供了一种大脑神经元锋电位与局部场电位结合的抑郁检测方法。
7.第一方面，本技术实施例提供了一种大脑神经元锋电位与局部场电位结合的抑郁检测方法，所述方法包括：分别获取目标对象在抑郁状态下和非抑郁状态下的脑电数据，所述脑电数据包括大脑神经元锋电位数据、局部场电位数据；将同一所述脑电数据对应的所述大脑神经元锋电位数据与局部场电位数据进行特征融合，得到融合脑电数据，并将所述融合脑电数据作为训练数据；建立集成学习网络，基于所述训练数据训练所述集成学习网络，确定最优网络参数，并基于所述最优网络参数优化所述集成学习网络；基于所述集成学习网络对所述目标对象的当前脑电数据进行分类预测，得到至少一个输出分类预测结果，对各所述输出分类预测结果进行投票选择，得到最终分类结果，基于所述最终分类结果确定所述目标对象的抑郁状态。
8.优选的，所述将同一所述脑电数据对应的所述大脑神经元锋电位数据与局部场电位数据进行特征融合，得到融合脑电数据，包括：
提取所述大脑神经元锋电位数据的发放数信息，并提取所述局部场电位数据的功率谱信息后，分别归一化所述发放数信息与功率谱信息；通过数据拼接将同一所述脑电数据对应的所述发放数信息与功率谱信息进行特征融合，得到融合脑电数据。
9.优选的，所述提取所述大脑神经元锋电位数据的发放数信息，并提取所述局部场电位数据的功率谱信息，包括：通过滑动窗口在所述大脑神经元锋电位数据中获取预设时长内神经元的总发放数，所述总发放数即为发放数信息；通过所述滑动窗口在所述局部场电位数据中获取预设时长内的频谱密度，所述频谱密度即为功率谱信息。
10.优选的，所述将所述融合脑电数据作为训练数据，包括：将所述融合脑电数据随机划分为训练数据和测试数据；所述基于所述最优网络参数优化所述集成学习网络之后，还包括：基于所述测试数据验证所述集成学习网络。
11.优选的，所述建立集成学习网络，基于所述训练数据训练所述集成学习网络，确定最优网络参数，并基于所述最优网络参数优化所述集成学习网络，包括：建立集成学习网络，所述集成学习网络中的分类器包括支持向量机、k-近邻聚类、宽度学习神经网络；基于所述训练数据训练所述集成学习网络，分别确定所述支持向量机、k-近邻聚类、宽度学习神经网络对应的最优网络参数，并基于各所述最优网络参数优化所述集成学习网络。
12.优选的，所述基于所述集成学习网络对所述目标对象的当前脑电数据进行分类预测，得到至少一个输出分类预测结果，对各所述输出分类预测结果进行投票选择，得到最终分类结果，基于所述最终分类结果确定所述目标对象的抑郁状态，包括：基于所述集成学习网络的各所述分类器分别对所述目标对象的当前脑电数据进行分类预测计算，得到三个输出分类预测结果；对各所述输出分类预测结果进行投票选择，得到最终分类结果；基于所述最终分类结果确定所述目标对象的抑郁状态。
13.优选的，所述方法还包括：构建目标对象与集成学习网络的映射关系；当确定有新的所述目标对象时，基于所述映射关系查找所述目标对象对应的所述集成学习网络。
14.第二方面，本技术实施例提供了一种大脑神经元锋电位与局部场电位结合的抑郁检测装置，所述装置包括：获取模块，用于分别获取目标对象在抑郁状态下和非抑郁状态下的脑电数据，所述脑电数据包括大脑神经元锋电位数据、局部场电位数据；融合模块，用于将同一所述脑电数据对应的所述大脑神经元锋电位数据与局部场电位数据进行特征融合，得到融合脑电数据，并将所述融合脑电数据作为训练数据；建立模块，用于建立集成学习网络，基于所述训练数据训练所述集成学习网络，确
定最优网络参数，并基于所述最优网络参数优化所述集成学习网络；预测模块，用于基于所述集成学习网络对所述目标对象的当前脑电数据进行分类预测，得到至少一个输出分类预测结果，对各所述输出分类预测结果进行投票选择，得到最终分类结果，基于所述最终分类结果确定所述目标对象的抑郁状态。
15.第三方面，本技术实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
16.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法。
17.本发明的有益效果为：考虑脑神经信号峰电位信号和局部场电位的综合应用，融合两种信号，获取比皮层神经信号等脑神经信号更有效的信号特征，利用集成学习结合不同分类器的优势，设计三种分类器：支持向量机，k-近邻，宽度学习网络，结合线性分类器、聚类算法、学习网络三者的优势，再对三者的结果采取少数服从多数的投票原则，综合得出最终的预测结果。能够有效的提取信号中的特征，准确的判断抑郁症患者的当前状态，进而辅助治疗机器对患者的治疗。
附图说明
18.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。
19.图1为本技术实施例提供的一种大脑神经元锋电位与局部场电位结合的抑郁检测方法的流程示意图；图2为本技术实施例提供的一种大脑神经元锋电位与局部场电位结合的抑郁检测方法的原理示意图；图3为本技术实施例提供的一种大脑神经元锋电位与局部场电位结合的抑郁检测装置的结构示意图；图4为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
20.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
21.在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本技术的多个实施例，不同实施例之间可以替换或者合并组合，因此本技术也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征a、b、c，另一个实施例包含特征b、d，那么本技术也应视为包括含有a、b、c、d的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
22.下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行
限制。可以在不脱离本技术内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
23.参见图1，图1是本技术实施例提供的一种大脑神经元锋电位与局部场电位结合的抑郁检测方法的流程示意图。在本技术实施例中，所述方法包括：s101、分别获取目标对象在抑郁状态下和非抑郁状态下的脑电数据，所述脑电数据包括大脑神经元锋电位数据、局部场电位数据。
24.本技术的执行主体可以是电脑终端的服务器。
25.在本技术实施例中，脑电信号会随着个体自身状态和周围环境的变化而产生变化，抑郁症个体和正常个体的脑电信号存在某种差异，故本技术考虑到从大脑神经元的锋电位和局部场电位对脑电信号进行特征提取并对抑郁状态进行预测。示例性的，本技术采用的数据可以是获得抑郁状态标签的小鼠侵入式脑神经信号，其中抑郁状态的记录时长为600s，非抑郁状态的记录时长为3600s。大脑神经元的锋电位脑电信号和局部场电位脑电信号是采集过程中同时采集得到的。
26.s102、将同一所述脑电数据对应的所述大脑神经元锋电位数据与局部场电位数据进行特征融合，得到融合脑电数据，并将所述融合脑电数据作为训练数据。
27.在本技术实施例中，如图2所示，对于同一次采集到的脑电数据，会将其对应的大脑神经元锋电位数据与局部场电位数据进行特征融合处理，以此得到融合脑电数据，使得融合脑电数据能够作为后续的训练数据。
28.在一种可实施方式中，步骤s102包括：提取所述大脑神经元锋电位数据的发放数信息，并提取所述局部场电位数据的功率谱信息后，分别归一化所述发放数信息与功率谱信息；通过数据拼接将同一所述脑电数据对应的所述发放数信息与功率谱信息进行特征融合，得到融合脑电数据。
29.在本技术实施例中，将会从大脑神经元锋电位数据中提取发放数信息，并从局部场电位数据中提取出功率谱信息，接着服务器会将提取的特征信息进行基于最大最小值的归一化处理，并对归一化后的两个信息数据进行特征融合，以此得到融合脑电数据。
30.示例性的，对于峰电位数据 s，维度为 t *，其中t为总共的时间步数，为峰电位采集到的神经元个数。对于局部场电位数据 l，维度为 t * c * m，其中t为总共的时间步数，与峰电位中的t相同；c为局部场电位的通道数，m为提取频谱密度划分的频段数。将局部场电位数据的维度转化为 t * ，其中。连接合并峰电位数据s和局部场电位数据l，得到融合脑电数据f，维度为t * ，其中。
31.具体而言，抑郁状态的锋电位数据的维度为239 * 17，非抑郁状态的锋电位数据的维度为1439 * 17；抑郁状态的局部场电位数据的维度为239 * 16 * 7，维度转化后为239 * 112，非抑郁状态的局部场电位数据的维度为1439 * 16 * 7，维度转化后为1439 * 112。经过信号融合后，抑郁状态的融合信号数据的维度为239 * 129，非抑郁状态的融合信号数据的维度为1439 * 129。
32.在一种可实施方式中，所述提取所述大脑神经元锋电位数据的发放数信息，并提取所述局部场电位数据的功率谱信息，包括：通过滑动窗口在所述大脑神经元锋电位数据中获取预设时长内神经元的总发放数，所述总发放数即为发放数信息；通过所述滑动窗口在所述局部场电位数据中获取预设时长内的频谱密度，所述频谱密度即为功率谱信息。
33.在本技术实施例中，服务器会将大脑神经元锋电位数据通过滑动窗口的方法获取5s内神经元的总发放数，滑动窗口的重合百分比为50%，即步长为2.5s；对局部场电位数据按照5s一个时间窗提取频谱密度，滑动窗口的重合百分比为50%，即步长为2.5s，其中频谱包括0.5-4hz的德尔塔波段、4-8hz的西塔波段、8-13hz的阿尔法波段、13-30hz的贝塔波段、30-70hz的伽马波段、70-150hz的高伽马波段、150-250hz的极高伽马波段。
34.在一种可实施方式中，所述将所述融合脑电数据作为训练数据，包括：将所述融合脑电数据划分为训练数据和测试数据；所述基于所述最优网络参数优化所述集成学习网络之后，还包括：基于所述测试数据验证所述集成学习网络。
35.在本技术实施例中，融合脑电数据会被划分为训练数据和测试数据，在通过训练模型训练好网络后，为保证实际使用时网络的准确性，还将通过测试数据对集成学习网络进行验证。具体的，划分训练集和测试集时，根据抑郁状态和非抑郁状态进行分层采样，训练集与测试集的比例为7：3，即训练集融合信号数据的维度为1174 * 129，测试集融合信号的数据维度为504 * 129。
36.s103、建立集成学习网络，基于所述训练数据训练所述集成学习网络，确定最优网络参数，并基于所述最优网络参数优化所述集成学习网络。
37.在本技术实施例中，服务器将建立集成学习网络，以此通过训练数据对集成学习网络进行训练学习，并在学习过程中确定集成学习网络各个部分的最优网络参数，最终根据训练确定的最优网络参数反向优化集成学习网络。
38.在一种可实施方式中，步骤s103包括：建立集成学习网络，所述集成学习网络中的分类器包括支持向量机、k-近邻聚类、宽度学习神经网络；基于所述训练数据训练所述集成学习网络，分别确定所述支持向量机、k-近邻聚类、宽度学习神经网络对应的最优网络参数，并基于各所述最优网络参数优化所述集成学习网络。
39.在本技术实施例中，建立了集成学习网络后，利用训练数据训练集成网络得到网络各个部分的最佳参数。集成网络包括支持向量机、k-近邻聚类、宽度学习神经网络。各个部分的网络原理和参数如下：支持向量机。通过参数网格搜索的方式进行性能最优参数搜索，支持向量机通过训练调整的参数有{c，gamma，kernel }，其中c为分类错误的惩罚程度，gamma为核函数的系数，kernel为核函数的类型。在锋电位上的最优参数为{c：1000，gamma：0.1，kernel：’rbf’}，在局部场电位上的最优参数为{c：1000，gamma：0.1，kernel：’rbf’}，在融合信号上的最优参数为{c：100，gamma：0.1，kernel：’rbf’}。
40.k-近邻聚类。通过参数网格搜索的方式进行性能最优参数搜索，k-近邻聚类通过训练调整的参数有{ n_neighbors }，其中n_neighbors为k-近邻聚类算法的聚类数。在锋电位上的最优参数为{ n_neighbors ：5}，在局部场电位上的最优参数为{ n_neighbors ：5}，在融合信号上的最优参数为{ n_neighbors ：3}。
41.宽度学习网络。对于融合脑电数据f，其对应的抑郁状态为y，随机生成权重矩阵和偏移量，对脑电数据进行特征映射得到，满足以下关系：其中relu为线性整流函数。重复次，于是得到了组映射特征的数据，将这组映射特征的数据由时间对齐组成新的数据，随机生成权重矩阵和偏移量，对权重矩阵进行正交化得到新权重矩阵，将数据进行映射得到新的数据，满足以下关系：重复次，得到组映射后的数据，将这组映射特征的数据由时间对齐组成新的数据，将和沿时间对其得到新的脑电映射后数据，初始化一个权重，有预测结果，满足以下关系：为了得到最优的性能下的权重，即求得：其中为拉格朗日乘子。
42.接着，使用最小二乘法求解最优：使用训练集得到的最优的网络参数，结合手动指定的超参数，，，通过参数搜索找到在训练集上的最优超参数组，完成对网络的训练。
43.s104、基于所述集成学习网络对所述目标对象的当前脑电数据进行分类预测，得到至少一个输出分类预测结果，对各所述输出分类预测结果进行投票选择，得到最终分类结果，基于所述最终分类结果确定所述目标对象的抑郁状态。
44.在本技术实施例中，训练完集成学习网络用以能够对目标对象进行预测后，将会基于集成学习网络对目标对象实际的当前脑电数据进行分类预测，通过集成学习网络中各部分的分别计算来得到至少一个输出分类预测结果。最后通过对各个输出分类预测结果进行投票选择，以此确定出最终分类结果，进而以此确定目标对象当前的抑郁状态。
45.需要强调的是，本技术方法并非用于抑郁症的诊断或治疗，而是用于对已经诊断为患有抑郁症的患者的当前状态进行检测确定，进而辅助治疗机器能够在正确的时候对患者进行治疗。
46.在一种可实施方式中，步骤s104包括：基于所述集成学习网络的各所述分类器分别对所述目标对象的当前脑电数据进行分类预测计算，得到三个输出分类预测结果；对各所述输出分类预测结果进行投票选择，得到最终分类结果；基于所述最终分类结果确定所述目标对象的抑郁状态。
47.在本技术实施例中，利用训练数据训练好集成网络的各个部分后，将对集成网络三个部分的预测结果进行投票。具体而言，投票选择的计算过程如下：其中，为集成网络中支持向量机的预测结果，为集成网络中k-近邻的预测结果，为集成网络中宽度学习网络的预测结果，
“”ꢀ
表示整除，表示最终的预测结果，对于每个时间段，预测结果为1表示个体处于抑郁状态，预测结果为0表示个体处于非抑郁状态。
48.在一种可实施方式中，所述方法还包括：构建目标对象与集成学习网络的映射关系；当确定有新的所述目标对象时，基于所述映射关系查找所述目标对象对应的所述集成学习网络。
49.在本技术实施例中，训练好集成学习网络后，会构建目标对象与集成学习网络的映射关系，以便在出现新的需要进行抑郁预测的目标对象时，直接根据映射关系查找出对应的集成学习网络，提高数据处理的效率。
50.下面将结合附图3，对本技术实施例提供的大脑神经元锋电位与局部场电位结合的抑郁检测装置进行详细介绍。需要说明的是，附图3所示的大脑神经元锋电位与局部场电位结合的抑郁检测装置，用于执行本技术图1所示实施例的方法，为了便于说明，仅示出了与本技术实施例相关的部分，具体技术细节未揭示的，请参照本技术图1所示的实施例。
51.请参见图3，图3是本技术实施例提供的一种大脑神经元锋电位与局部场电位结合的抑郁检测装置的结构示意图。如图3所示，所述装置包括：获取模块301，用于分别获取目标对象在抑郁状态下和非抑郁状态下的脑电数据，所述脑电数据包括大脑神经元锋电位数据、局部场电位数据；融合模块302，用于将同一所述脑电数据对应的所述大脑神经元锋电位数据与局部场电位数据进行特征融合，得到融合脑电数据，并将所述融合脑电数据作为训练数据；建立模块303，用于建立集成学习网络，基于所述训练数据训练所述集成学习网络，确定最优网络参数，并基于所述最优网络参数优化所述集成学习网络；预测模块304，用于基于所述集成学习网络对所述目标对象的当前脑电数据进行分类预测，得到至少一个输出分类预测结果，对各所述输出分类预测结果进行投票选择，得到最终分类结果，基于所述最终分类结果确定所述目标对象的抑郁状态。
52.在一种可实施方式中，融合模块302包括：提取单元，用于提取所述大脑神经元锋电位数据的发放数信息，并提取所述局部场电位数据的功率谱信息后，分别归一化所述发放数信息与功率谱信息；融合单元，用于通过数据拼接将同一所述脑电数据对应的所述发放数信息与功率
谱信息进行特征融合，得到融合脑电数据。
53.在一种可实施方式中，提取单元包括：第一获取元件，用于通过滑动窗口在所述大脑神经元锋电位数据中获取预设时长内神经元的总发放数，所述总发放数即为发放数信息；第二获取元件，用于通过所述滑动窗口在所述局部场电位数据中获取预设时长内的频谱密度，所述频谱密度即为功率谱信息。
54.在一种可实施方式中，融合模块302还包括：划分单元，用于将所述融合脑电数据随机划分为训练数据和测试数据；所述装置还包括：验证模块，用于基于所述测试数据验证所述集成学习网络。
55.在一种可实施方式中，建立模块303包括：建立单元，用于建立集成学习网络，所述集成学习网络中的分类器包括支持向量机、k-近邻聚类、宽度学习神经网络；优化单元，用于基于所述训练数据训练所述集成学习网络，分别确定所述支持向量机、k-近邻聚类、宽度学习神经网络对应的最优网络参数，并基于各所述最优网络参数优化所述集成学习网络。
56.在一种可实施方式中，预测模块304包括：结果计算单元，用于基于所述集成学习网络的各所述分类器分别对所述目标对象的当前脑电数据进行分类预测计算，得到三个输出分类预测结果；投票单元，用于对各所述输出分类预测结果进行投票选择，得到最终分类结果；状态确定单元，用于基于所述最终分类结果确定所述目标对象的抑郁状态。
57.在一种可实施方式中，所述方法还包括：映射构建模块，用于构建目标对象与集成学习网络的映射关系；查找模块，用于当确定有新的所述目标对象时，基于所述映射关系查找所述目标对象对应的所述集成学习网络。
58.本领域的技术人员可以清楚地了解到本技术实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列（field－programmable gate array，fpga）、集成电路（integrated circuit，ic）等。
59.本技术实施例的各处理单元和/或模块，可通过实现本技术实施例所述的功能的模拟电路而实现，也可以通过执行本技术实施例所述的功能的软件而实现。
60.参见图4，其示出了本技术实施例所涉及的一种电子设备的结构示意图，该电子设备可以用于实施图1所示实施例中的方法。如图4所示，电子设备400可以包括：至少一个中央处理器401，至少一个网络接口404，用户接口403，存储器405，至少一个通信总线402。
61.其中，通信总线402用于实现这些组件之间的连接通信。
62.其中，用户接口403可以包括显示屏（display）、摄像头（camera），可选用户接口403还可以包括标准的有线接口、无线接口。
63.其中，网络接口404可选的可以包括标准的有线接口、无线接口（如wi-fi接口）。
64.其中，中央处理器401可以包括一个或者多个处理核心。中央处理器401利用各种
接口和线路连接整个电子设备400内的各个部分，通过运行或执行存储在存储器405内的指令、程序、代码集或指令集，以及调用存储在存储器405内的数据，执行终端400的各种功能和处理数据。可选的，中央处理器401可以采用数字信号处理（digital signal processing，dsp）、现场可编程门阵列（field-programmable gate array，fpga）、可编程逻辑阵列（programmable logic array，pla）中的至少一种硬件形式来实现。中央处理器401可集成中央中央处理器（central processing unit，cpu）、图像中央处理器（graphics processing unit，gpu）和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到中央处理器401中，单独通过一块芯片进行实现。
65.其中，存储器405可以包括随机存储器（random access memory，ram），也可以包括只读存储器（read-only memory）。可选的，该存储器405包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器405可选的还可以是至少一个位于远离前述中央处理器401的存储装置。如图4所示，作为一种计算机存储介质的存储器405中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
66.在图4所示的电子设备400中，用户接口403主要用于为用户提供输入的接口，获取用户输入的数据；而中央处理器401可以用于调用存储器405中存储的大脑神经元锋电位与局部场电位结合的抑郁检测应用程序，并具体执行以下操作：分别获取目标对象在抑郁状态下和非抑郁状态下的脑电数据，所述脑电数据包括大脑神经元锋电位数据、局部场电位数据；将同一所述脑电数据对应的所述大脑神经元锋电位数据与局部场电位数据进行特征融合，得到融合脑电数据，并将所述融合脑电数据作为训练数据；建立集成学习网络，基于所述训练数据训练所述集成学习网络，确定最优网络参数，并基于所述最优网络参数优化所述集成学习网络；基于所述集成学习网络对所述目标对象的当前脑电数据进行分类预测，得到至少一个输出分类预测结果，对各所述输出分类预测结果进行投票选择，得到最终分类结果，基于所述最终分类结果确定所述目标对象的抑郁状态。
67.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、dvd、cd-rom、微型驱动器以及磁光盘、rom、ram、eprom、eeprom、dram、vram、闪速存储器设备、磁卡或光卡、纳米系统（包括分子存储器ic），或适合于存储指令和/或数据的任何类型的媒介或设备。
68.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知
悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
69.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
70.在本技术所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
71.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单元来实现本实施例方案的目的。
72.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
73.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器（read-only memory， rom）、随机存取存储器（random access memory，ram）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
74.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（read-only memory， rom）、随机存取器（random access memory，ram）、磁盘或光盘等。
75.以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。