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

技术特征：
1.一种大脑神经元锋电位与局部场电位结合的抑郁检测方法，其特征在于，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。2.根据权利要求1所述的方法，其特征在于，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。3.根据权利要求2所述的方法，其特征在于，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。4.根据权利要求1所述的方法，其特征在于，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。5.根据权利要求1所述的方法，其特征在于，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。6.根据权利要求5所述的方法，其特征在于，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。7.根据权利要求1所述的方法，其特征在于，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。8.一种大脑神经元锋电位与局部场电位结合的抑郁检测装置，其特征在于，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。9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。

技术总结
本发明公开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，该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；将同一脑电数据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，得到融合脑电数据；基于训练数据训练集成学习网络，确定最优网络参数，并基于最优网络参数优化所述集成学习网络；基于集成学习网络对目标对象的当前脑电数据进行分类预测，对各所述输出分类预测结果进行投票选择，基于最终分类结果确定所述目标对象的抑郁状态。本发明实现了利用集成学习结合不同分类器的优势，通过三种分类器结果投票选择来综合得出最终的预测结果。能够有效的提取信号中的特征，准确的判断抑郁的状态。抑郁的状态。抑郁的状态。


技术研发人员：胡海岚 祁玉 王跃明 刘实 陈敏
受保护的技术使用者：浙江浙大西投脑机智能科技有限公司
技术研发日：2022.02.08
技术公布日：2022/4/29