[发明专利]一种基于聚类-融合的脑电信号特征识别分析方法

说明书

本申请公开了一种基于聚类‑融合的脑电信号特征识别分析方法，所述方法为：获取若干个预设时间内的脑电信号；对脑电信号进行预处理；计算预处理后的脑电信号的功能连接矩阵；通过聚类算法，获取功能连接矩阵的异质性分布；通过融合算法，得到正常脑网络图谱和有抑郁特征的脑网络图谱；筛选出两种图谱差异最大的特征；将若干个所述差异最大的特征作为分类器的输入，得到差异特征子集，分析待测脑电信号，实现正常脑电信号和有抑郁特征的脑电信号的识别。通过该方法，解决了由于在研究中脑电信号数据样本少及数据之间差异特点大而导致无法有效地识别分类脑电信号的问题，提高了研究的效率和识别的准确率。

技术领域

本申请涉及医疗辅助研究领域，尤其涉及一种基于聚类-融合的脑电信号特征识别分析方法。

背景技术

抑郁症(Major Depressive Disorder，MDD)作为全球范围内高发性的精神障碍疾病，给个人、家庭乃至社会造成了严重危害。近年来，大量科研工作者通过结合神经影像技术与机器学习算法在探索开发诊断性的生物标志物方面已经做出了巨大努力。

目前的抑郁脑电信号识别研究中仍未获得可以作为抑郁特征的可靠生物标志物。所以，如何发现脑电信号的异质性抑郁特征，仍是当前抑郁相关研究的难点。目前，基于功能连接的脑电信号抑郁特征研究，通常采用一些传统的特征选择方法，如信息增益、ReliefF及递归特征消除-支持向量机特征选择方法等，来降低功能连接特征的高维性，以实现对脑电信号判断是否有抑郁特征。但是，这些方法通常受到高计算成本和跨不同数据集性能差异较大的限制，进而导致阻碍可再现生物标记的发现。层次聚类(HierarchicalClustering，HC)作为一种简单、有效的无监督机器学习方法，有助于探索数据集的内在结构，即大样本脑电数据分析，此方法已被广泛应用在生物科学研究当中。近些年，HC方法已被用于探究有抑郁倾向的脑电信号研究，结果证明了此方法的有效性与稳定性。

但目前在常规的HC方法仍然需要在大样本脑电数据的条件来分析出抑郁特征。在脑电信号数据样本在少数及差异特点大时，现有的HC方法无法稳定地分析正常脑电信号和有抑郁特征的脑电信号的差异，从而实现分类脑电信号，现有方法效率低下，识别的准确率不高。

发明内容

本发明提出一种基于聚类-融合的脑电信号特征识别分析方法，可以在脑电信号数据样本少及数据之间差异较大的情况下，高效地分析正常脑电信号和有抑郁特征的脑电信号的差异，从而实现对脑电信号的分类，提高了识别的准确率，减少了计算和时间的成本，极大地提高了效率。

本申请提供了一种基于聚类-融合的脑电信号特征识别分析方法，所述方法包括：

分别获取预设时间内的若干个正常脑电信号和若干个有抑郁特征的脑电信号；

对所有脑电信号进行预处理，获得预处理后的脑电信号；

计算所述预处理后的脑电信号的功能连接矩阵；

通过聚类算法，获取所述功能连接矩阵的异质性分布；

基于异质性分布，通过融合算法，分别得到正常脑网络图谱和有抑郁特征的脑网络图谱；

筛选出所述正常脑网络图谱与所述有抑郁特征的脑网络图之间的若干个差异最大的特征；

将若干个所述差异最大的特征作为分类器的输入，得到用于分析脑电信号抑郁特征的差异特征子集。

优选的，所述通过聚类算法，获取所述功能连接矩阵的异质性分布为：

将每个功能连接矩阵视为一个不同的簇，通过欧几里得距离算法计算簇与簇之间的距离；

将距离最近的一对簇合并，重新计算不同簇之间的欧几里得距离，直到所有功能连接矩阵都在一个簇中为止。

优选的，所述对所述脑电信号进行预处理，获得预处理后的脑电信号为：