摘要
重度抑郁症(MajorDepressiveDisorder，MDD)是一种发病年龄逐渐降低的精神类疾病，对个人的生活、家庭和社会的都产生了不良影响，严重影响患者的日常生活。现今，精神类疾病的研究主要从脑电图(Electroencephalogram，EEG)入手。现有研究表明，脑区之间的功能连接在探索抑郁症发病机理过程中能够发挥关键作用。构建脑功能网络对抑郁症脑网络进行分类工作，有助于前期干预，提高治疗效果。现有基于图论的抑郁症脑网络分析大多基于脑电信号单一子频带且孤立分析每对脑功能节点间的相关性来构建脑网络，缺乏全局信息，影响分类效果。同时，针对抑郁症脑电信号的研究大多基于特定频带的脑电信号特征进行分析，忽略了不同频带脑电信号间的相互作用，即交叉频率耦合。抑郁症脑电信号的交叉频率耦合蕴含了大脑尺度的信息交互模式，能为抑郁症的研究提供丰富的信息。针对上述问题，本研究进行了如下改进工作: 第一，针对抑郁症识别中脑电信号的不同频带信息利用不充分，且忽略了不同脑区之间在功能上存在全局关系的问题，本文提出了基于多频带融合和图注意力网络抑郁症识别方法。首先，构造五种子频带下的脑功能网络并对其进行初步融合。其次，通过阈值函数去除无效连接，利用图注意力网络来对脑功能网络进行全局信息提取。然后，对更新后的脑功能连接特征进行稀疏化处理并通过自编码器进行特征降维。接着，为增强脑功能节点特征的分类性能，本文将脑功能节点特征和脑功能连接特征进行进一步融合，并进行标签预测。实验结果表明，本文方法在MODMA公开数据集上优于现有的抑郁症识别方法。具有较高的分类性能的同时，还能准确区分不同频带下脑功能网络的差别。 第二，参考现有的交叉频率耦合分析方法，提出了基于交叉频率耦合和频带注意力机制的抑郁症识别方法，研究了更细致的theta-gamma频带相位-振幅耦合网络来识别抑郁症。首先，对低频和高频信号进一步细分，构建多个子频率耦合网络。其次，通过自适应频带注意力机制来对耦合网络进行更细致的融合。接着，本文利用多尺度关键特征提取模块，提取不同尺度感受野下的关键特征，删除非关键特征，并通过降维策略对脑功能连接特征进行压缩。最后将多个编码后的关键特征融合并进行分类。在MODMA公开数据集上进行了实验，实验结果表明本文方法能够有效的提取交叉频率耦合特征，提升分类准确率。
NETL