基于双分支融合模型的抑郁脑电分类方法

技术特征：
1.基于双分支融合模型的深度学习的抑郁脑电分类方法，其特征在于，所述方法包括以下步骤：(1)获取若干组健康人的大脑前额叶fp1、fpz和fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入；(2)获取若干组轻度抑郁患者的大脑前额叶fp1、fpz和fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入；(3)获取若干组中度抑郁患者的大脑前额叶fp1、fpz和fp2电极的脑电信号，并使用滑动窗口切分成窗口数据，接着使用小波变换转换成小波时频图，最后将三个通道的小波时频图和对应的原始窗口序列作为模型的输入；(4)以步骤(1)、(2)和(3)中的健康对照、轻度抑郁患者和中度抑郁患者的输入形式，对双分支融合模型进行训练学习，(5)将待分析窗口脑电信号转换成对应的小波时频图，输入步骤(4)中训练完成的双分支融合模型，完成该脑电信号的分析。2.根据权利要求1所述的基于深度学习的抑郁脑电分类方法，其特征在于，滑动窗口设置为长度为2秒，重叠率为0。3.根据权利要求1所述的基于深度学习的抑郁脑电分类方法，其特征在于，选取小波变换的算法为以复morlet小波(宽带参数为3，中心波长为3)为基小波的小波变换。4.根据权利要求1所述的基于深度学习的抑郁脑电分类方法，其特征在于，双分支融合模型是以卷积神经网络和通道注意力机制为基础搭建的深度学习分类模型。5.根据权利要求1所述的基于深度学习的抑郁脑电分类方法，其特征在于，步骤(4)具体如下：(4-1)双分支融合模型是由图片特征提取分支和时序特征提取分支组成，(4-2)双分支融合模型中的时序特征提取分支在fcn模型中嵌入基于离散傅里叶变换系数的注意力机制，fcn分支是由三个基本块(conv1d bn relu)组成，其中三个基本块的卷积输出通道分别128,256,128，基于离散傅里叶变换系数的注意力机制是se模型在dft频域上的扩展。

技术总结
本发明公开了一种基于双分支融合模型的深度学习的抑郁脑电分类方法，包括以下步骤：(1)获取若干组健康人的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，(2)获取若干组轻度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，(3)获取若干组中度抑郁患者的大脑前额叶Fp1、Fpz和Fp2电极的脑电信号，(4)以步骤(1)、(2)和(3)中的健康对照、轻度抑郁患者和中度抑郁患者的输入形式，对双分支融合模型进行训练学习，(5)将待分析窗口脑电信号转换成对应的小波时频图，输入步骤(4)中训练完成的双分支融合模型，完成该脑电信号的分析。该方法效果良好，能够区分出抑郁和健康以及抑郁程度。能够区分出抑郁和健康以及抑郁程度。能够区分出抑郁和健康以及抑郁程度。


技术研发人员：杨淳沨 苏天 孔佑勇 陈阳 舒华忠
受保护的技术使用者：东南大学
技术研发日：2022.06.02
技术公布日：2022/8/9