基于睡眠脑电信号和深度学习的抑郁症识别研究

• Published in: 四川大学学报（医学版） 2023-03, Vol.54 (2), p.287-292
• Main Authors: 陶然, 丁胜男, 陈洁, 朱学敏, 倪照军, 胡令明, 张杨, 许燕, 孙洪强
• Format: Article
• Language: Chinese
• ISSN: 1672-173X
• DOI: 10.12182/20230360212

目的 基于睡眠脑电信号,探索深度学习Vision Transformer(ViT)结合Transformer网络对抑郁症患者识别的有效性.方法 首先对28例抑郁症患者和37例正常对照的睡眠脑电信号进行预处理,并将信号转为图像格式,保留其频域及空间域特征信息,之后将图像输送到ViT-Transformer编码网络,分别学习抑郁症患者和正常对照的快速眼动(rapid eye movement,REM)睡眠期和非快速眼动(non-rapid eye movement,NREM)睡眠期的脑电信号特征,并对抑郁症进行识别.结果 基于ViT-Transformer网络,从不同脑电频率角度,发现delta、theta和beta波的组合对抑郁症识别具有比较好的结果.其中,REM期delta-theta-beta波组合的脑电信号特征对抑郁症识别的准确率达92.8％,精准率为93.8％,抑郁症患者的召回率为84.7％,F0.5值为0.917±0.074;NREM期delta-theta-beta波组合的脑电信号特征对抑郁症的识别准确率为91.7％,精准率为90.8％,召回率为85.2％,F0.5值为0.914±0.062.此外,通过对整夜睡眠脑电的睡眠分期进行可视化,发现分类错误通常发生在睡眠期转期时.结论 应用深度学习ViT-Transformer网络,本研究发现基于delta-theta-beta波组合的REM期睡眠脑电信号特征对抑郁症识别更有效.