【技术实现步骤摘要】
本专利技术属于电子信息，具体涉及基于睡眠生理信号的抑郁症筛查系统。
技术介绍
1、近年来，随着深度学习技术的快速发展，其在医疗领域的应用也逐渐广泛，尤其在基于脑电信号的睡眠分期和抑郁症诊断方面，深度学习技术展现出了巨大的潜力；在基于脑电信号的抑郁症分类的研究现状方面，研究者们通过精心设计深度学习模型，在抑郁症识别领域取得了显著的进展；acharya等人采用cnn模型对抑郁症患者与正常人的脑电数据进行了分类研究，成功验证了深度学习在抑郁症诊断中的有效性，然而，该研究受限于较小的样本量，其模型的泛化能力仍然存疑；li等人则在此基础上更进一步，他们结合了cnn与迁移学习技术，深入探索了脑电信号中不同层面信息在抑郁症识别中的重要作用，为脑电信号识别抑郁症提供了更坚实的理论基础，但模型分类性能并不是很好；kwon等人提出了一种创新的深度学习模型，该模型基于前额叶脑电的不对称图像来实现对抑郁症患者的初步筛选，但由于数据量太小，该研究在评估模型泛化能力方面存在不足，仅能提供初步参考；卢官明等人(2021)开发的具有脑电信号情感识别功能的组合模型，在特征提取和处理动态时序信息方面展现出优势，准确率达到86.08％，但其研究指出需要较大的样本量来支持模型训练；李梅等人(2021)通过将基于算法的卷积神经网络(cnn)与无线传感器结合的方法，实现了98.00％的高准确率，但缺点是其成本过于昂贵；joao carreira等人(2018)采用在抑郁性障碍(mdd)中使用有效连接的3d卷积网络，虽提出采用pdc和dmn连接等新功能，但其实现的准确性还缺
2、为进一步精确的诊断抑郁症，许多学者分析了众多脑电信号与抑郁症的关联，其中，睡眠信号作为一种稳定的脑电信号，备受关注；研究者们通过深入探究睡眠脑电信号与抑郁症之间的关系，发现其存在紧密关联；steigera等人的研究表明，长期服用抗抑郁药物会对抑郁症患者的睡眠脑电信号特征产生显著影响，这一发现为基于睡眠脑电信号的抑郁症诊断方法提供了坚实的理论基础；armitage r等人则专注于年轻女性抑郁症患者，发现她们的delta波睡眠脑电信号与正常人群存在显著差异，这一发现为探讨抑郁症的睡眠脑电特异性提供了有价值的线索；leistedt s等人通过计算不同睡眠阶段的scaling参数，揭示了抑郁症患者在特定睡眠阶段的参数值异常，这有力的证实了睡眠与抑郁症息息相关，并可实现数值化分析；pillai v等人(2011)通过分析抑郁症患者的睡眠脑电信息探究抑郁症的遗传学特征，实验结果表明，重度抑郁患者表现出更密集的快速眼动期(rem期)睡眠和更短暂的慢波睡眠(sws)，该组合特征也被认为是重度抑郁症的遗传学特征。
3、综上所述，基于脑电信号的抑郁症诊断方法已经取得了一定的研究进展；然而，这一领域仍存在着诸多问题，如准确率不高、方法的可解释性不强等。
技术实现思路
1、本专利技术的目的在于提供基于睡眠生理信号的抑郁症筛查系统，提高诊断的准确性和客观性。
2、为实现上述目的，本专利技术提供如下技术方案：基于睡眠生理信号的抑郁症筛查系统，包括
3、数据采集模块，所述数据采集模块用于通过脑机接口设备实时采集用户的睡眠脑电数据；
4、数据处理模块，所述数据处理模块对采集到的脑电数据进行预处理，包括应用零相位滤波器限制频率范围，采用独立成分分析分离混合信号中的独立成分，以减少噪音和伪迹；
5、睡眠分期模块，所述睡眠分期模块包括一个基于cnn-bilstm的模型，该模型首先通过短时傅里叶变换将预处理后的脑电数据转换为时频信号，并构建特征矩阵；随后，利用cnn在时频域进行特征提取，再通过bilstm从时域维度探究脑电信号前后的依赖和关联，实现对睡眠阶段的自动分期；
6、抑郁症筛查模块，所述抑郁症筛查模块基于depnet2d模型，处理快速眼动期睡眠脑电数据，通过二维卷积神经网络进行频谱特征提取，随后通过全连接层进行高层次特征学习，并使用softmax激活函数进行二分类判断，以筛查用户是否患有抑郁症；
7、用户交互模块，所述用户交互模块用于接收用户指令，显示睡眠报告。
8、作为本专利技术的一种优选的技术方案，接收用户指令，显示睡眠报告，包括睡眠分期结果和抑郁症筛查报告，抑郁症筛查报告包含基于贝克拉范森躁狂自评量表的抑郁症症状程度雷达图及抑郁症状发生倾向的饼状图。
9、作为本专利技术的一种优选的技术方案，cnn-bilstm模型中，cnn部分通过卷积运算、批量归一化、激活函数、最大池化及dropout层进行特征提取，bilstm部分通过两个方向的lstm网络处理时间序列数据，以捕捉长期时间依赖和关联性。
10、作为本专利技术的一种优选的技术方案，depnet2d模型包括三个卷积层，每个卷积层后接relu激活函数和最大池化层，用于提取和保留显著特征，并通过全连接层进行高层次特征学习和分类判断。
11、作为本专利技术的一种优选的技术方案，进行数据预处理时，采取如下步骤：
12、划分数据样本：以帧为判读的基本单位，把连续30s的睡眠脑电数据划分为一个睡眠数据样本；
13、设置睡眠分期标签：根据aasm睡眠分期标准，把睡眠周期分为：清醒期、n1期、n2期、n3期和rem期，设置对应睡眠分期标签为“0,1,1,1,2”，对应着清醒期、深睡期和rem期三个阶段；
14、对睡眠脑电数据滤波处理：使用截止频率是0.1赫兹和50赫兹的巴特沃斯带通滤波器对2个通道的脑电信号滤波，并对每5段滤波后的数据样本和判别标签构成一个组别，构造成特征矩阵。
15、作为本专利技术的一种优选的技术方案，还包括cnn-bilstm网络结构，该网络结构由四层组成：卷积层，池化层，基于lstm的bilstm隐藏层和多任务softmax层，这种体系结构有四个主要特征：卷积层同时容纳3个不同大小的卷积核；池化层的池化策略更适合于捕获时间信号的移位不变性；lstm单元被证明可以提取许多序列处理应用中使用的长期时间依赖性，在bilstm模块，可以通过lstm单元提高睡眠分期的准确率，从前两层获得的eeg帧模式的提取广义顺序表示与双向lstm网络一起处理；使用的多任务softmax层适配于联合分类和预测，使睡眠脑电数据的特征提取与模型的训练能有更可靠的结果，通过softmax层分类器，最终输出各类睡眠分期结果的概率。
16、作为本文档来自技高网...
【技术保护点】
1.基于睡眠生理信号的抑郁症筛查系统，其特征在于：包括
2.根据权利要求1所述的基于睡眠生理信号的抑郁症筛查系统，其特征在于：接收用户指令，显示睡眠报告，包括睡眠分期结果和抑郁症筛查报告，抑郁症筛查报告包含基于贝克拉范森躁狂自评量表的抑郁症症状程度雷达图及抑郁症状发生倾向的饼状图。
3.根据权利要求1所述的基于睡眠生理信号的抑郁症筛查系统，其特征在于：CNN-BiLSTM模型中，CNN部分通过卷积运算、批量归一化、激活函数、最大池化及dropout层进行特征提取，BiLSTM部分通过两个方向的LSTM网络处理时间序列数据，以捕捉长期时间依赖和关联性。
4.根据权利要求1所述的基于睡眠生理信号的抑郁症筛查系统，其特征在于：DepNet2D模型包括三个卷积层，每个卷积层后接ReLU激活函数和最大池化层，用于提取和保留显著特征，并通过全连接层进行高层次特征学习和分类判断。
5.根据权利要求1所述的基于睡眠生理信号的抑郁症筛查系统，其特征在于：进行数据预处理时，采取如下步骤：
6.根据权利要求1所述的基于睡眠生理信号的抑郁症筛查
7.根据权利要求1所述的基于睡眠生理信号的抑郁症筛查系统，其特征在于：DepNet2D模型通过充分利用REM期睡眠脑电数据的频谱信息，构建频谱信息的二维网络模型，分析不同频段之间的关联性和互相影响。
8.根据权利要求7所述的基于睡眠生理信号的抑郁症筛查系统，其特征在于：还包括构建DepNet2D特征提取模型，对应方法如下：
9.根据权利要求8所述的基于睡眠生理信号的抑郁症筛查系统，其特征在于：使用堆叠多个卷积层进行特征提取，对应内容如下：使用三个二维卷积，第一个卷积层的卷积核个数为16，第二个卷积层的卷积核个数为36，第三个卷积层的卷积核个数为48，三个卷积层的卷积核大小都为(3,3)。
...【技术特征摘要】
1.基于睡眠生理信号的抑郁症筛查系统，其特征在于：包括
2.根据权利要求1所述的基于睡眠生理信号的抑郁症筛查系统，其特征在于：接收用户指令，显示睡眠报告，包括睡眠分期结果和抑郁症筛查报告，抑郁症筛查报告包含基于贝克拉范森躁狂自评量表的抑郁症症状程度雷达图及抑郁症状发生倾向的饼状图。
3.根据权利要求1所述的基于睡眠生理信号的抑郁症筛查系统，其特征在于：cnn-bilstm模型中，cnn部分通过卷积运算、批量归一化、激活函数、最大池化及dropout层进行特征提取，bilstm部分通过两个方向的lstm网络处理时间序列数据，以捕捉长期时间依赖和关联性。
4.根据权利要求1所述的基于睡眠生理信号的抑郁症筛查系统，其特征在于：depnet2d模型包括三个卷积层，每个卷积层后接relu激活函数和最大池化层，用于提取和保留显著特征，并通过全连接层进行高层次特征学习和分类判断。
5.根据权利要求1所述的基于睡眠生理信号的抑郁症筛查系统，其特征在于：进行数据预处理时，采取如下步骤：
6.根据权利要求1所述的基于睡眠生理信号的抑郁症筛查系统，其特征在于：还包括cnn-bilstm网络结构，该网络结构由四层组成：卷积层，池化层，基于lstm的bilstm隐藏层和多任务s...
【专利技术属性】
技术研发人员：潘家辉，杨家豪，尧韶聪，张嘉慧，邱谦，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。