基于数据增广和模型集成策略的图神经网络在抑郁症识别上的应用

doi:10.11896/jsjkx.210800070

日本››2022,第49卷››问题（7）: 57-63.数字对象标识：10.11896/jsjkx.210800070

• 数据库&大数据&数据科学^*• 上一篇下一篇

基于数据增广和模型集成策略的图神经网络在抑郁症识别上的应用

杨炳新, 郭艳蓉, 郝世杰, 洪日昌

合肥工业大学计算机与信息学院合肥230601

收稿日期:2021-08-08 修回日期:2022-03-02 出版日期:2022-07-15 发布日期:2022-07-12
通讯作者:郭艳蓉(yrguo@hfut.edu.cn)
作者简介:(杨炳欣0101@163.com)
基金资助:
国家重点研发计划（2019YFA0706200）；国家自然科学基金（62072152）；安徽省自然科学基金（1808085QF188）；中国企业项目（PA2020GDKC0023、PA2019GDZC0095）

基于数据增强和模型集成的图形神经网络在抑郁症识别中的应用

杨炳欣、郭彦荣、郝世杰、洪日昌

合肥工业大学计算机科学与信息工程学院，合肥230601，中国

收到：2021-08-08 修订过的：2022-03-02 在线：2022-07-15 出版：2022-07-12
关于作者：杨炳新，1995年生，研究生。他的主要研究兴趣包括机器学习和计算机视觉。
郭彦荣，1984年生，教授。她的主要研究兴趣包括生物医学图像分割和分析。
支持单位：
国家重点研发计划（2019YFA0706200）、国家自然科学基金项目（62072152）、安徽省自然科学基金（1808085QF188）、中央高校基本科研业务费（PA2020GDKC0023、PA2019GDZC0095）。

美国/摘要

摘要：目前对抑郁症的主流诊断方式是通过医生和患者之间的沟通交流来填写相关的问卷量表,这需要相应的临床知识并且诊断结果存在主观性,给抑郁症诊断带来了很多挑战。利用信息处理技术对生理信号进行分析,构建精准客观的辅助诊断模型具有重要价值,然而目前抑郁症辅助诊断的公共数据集普遍存在样本偏少的情况,使得辅助诊断的精度普遍偏低。基于此,文中提出了一种基于数据增广和模型集成策略的图神经网络的抑郁症识别方法,该方法利用53信息（脑电图，EEG），对采集到的脑电信号进行数据切分并将其用于数据增广后,利用皮尔逊相关系数计算不同通道之间的相关度,从而构造脑网络,并利用图神经网络学习脑网络的特征,然后将得到的预测结果利用模型集成策略进行多数投票,得到受试者最终的预测结果。经过实验证明,所提方法提高了网络的分类能力,解决了因样本小而带来的分类能力差的问题,在兰州大学普适感知与智能系统实验室提供的MODMA（24名抑郁症患者和29名正常对照组)上取得了77%缔约方

关键词: 分类, 模型集成, 脑电信号, 数据增广, 图神经网络, 抑郁症识别

摘要：目前，抑郁症的主流诊断是通过医患沟通，填写相关问卷，需要相应的临床知识，具有主观性。这给抑郁症的诊断带来了很多挑战。利用信息处理技术对生理信号进行分析，建立准确、客观的辅助诊断模型具有重要价值。然而，抑郁症辅助诊断公共数据集的样本量一般较小，这使得辅助诊断的准确性普遍较低。在此基础上，提出了一种基于数据增强和模型集成策略的图形神经网络抑郁症识别方法。该方法使用53名受试者的128路脑电信号，对采集的脑电数据进行分段。数据增强后，利用皮尔逊相关系数计算不同通道之间的相关性，构建大脑网络，利用图神经网络学习大脑网络的特征，并采用模型集成策略通过多数投票获得最终预测结果。实验结果表明，该方法提高了网络的分类能力，解决了样本量小导致分类性能差的问题。该方法在兰州大学普适传感与智能系统实验室提供的MODMA数据集（包括24名抑郁症患者和29名正常人）上实现了77%的分类准确率。与其他方法相比，该方法的分类精度显著提高。

关键词： 分类，数据扩充，抑郁症识别，脑电图，图形神经网络，模型集合

中图分类号:

TP391型

杨炳新, 郭艳蓉, 郝世杰, 洪日昌.基于数据增广和模型集成策略的图神经网络在抑郁症识别上的应用[J] ●●●●。计算机科学, 2022, 49(7): 57-63. https://doi.org/10.11896/jsjkx.210800070

杨炳欣、郭彦荣、郝世杰、洪日昌。基于数据增强和模型集成的图形神经网络在抑郁症识别中的应用[J] ●●●●。计算机科学，2022，49（7）：57-63。https://doi.org/10.11896/jsjkx.210800070

参考文献

[1] ZUNG W W.A抑郁自评量表[J]。普通精神病学档案，1965,12（1）：63-70。
[2] EHDE D M.汉密尔顿抑郁评定量表[M]//临床神经心理学百科全书。纽约：Springer，2011:1205-1207。
[3] BECK A T，STEER R A，CARBIN M G.贝克抑郁量表的心理测量学特性：25年的评估[J]。临床心理学评论，1988,8（1）：77-100。
[4] SEGAL D L.精神障碍诊断和统计手册（DSM-IV-TR）[M]//科尔西尼心理学百科全书。John Wiley&Sons有限公司，2010:1-3。
[5] CHANG C C，LIN C J.LIBSVM：支持向量机库[J]。ACM智能系统与技术交易（TIST），2011,2（3）：1-27。
[6] 彼得森·L·E.K-最近邻居[J]。学者传媒，2009,4（2）：1883-1895。
[7] 蔡H，QU Z，LI Z，等.基于多模态脑电数据的特征级融合方法在抑郁症识别中的应用[J]。信息融合，2020，59:127-138。
[8] 胡斌，RAO J，李霞，等。抑郁症患者情绪调节注意控制异常：一项事件相关电位研究[J]。科学报告，2017,7（1）：1-21。
[9] 姜海，胡B，刘Z，等。使用不同分类器检测抑郁症的不同言语类型和情绪的调查[J]。《言语交际》，2017,90:39-46。
[10] 李霞，童C，孙S，等。眼动数据分类研究：抑郁症检测的新方法[C]//2016 IEEE进化计算大会（CEC）。IEEE，2016:1227-1232。
[11] 吕S，徐杰，李明，等。抑郁症患者的注意偏向评分与年龄效应：一项令人瞠目结舌的对照研究[J]。国际医学研究杂志，2017,45（4）：1518-1527。
[12] BAILEY N W，KREPEL N，DIJK H V，等。静息脑电图θ连接性和α功率预测抑郁症患者的重复经颅磁刺激反应：来自ICON-DB联盟的非复制[J]。临床神经生理学，2021132（2）：650-659。
[13] 朱杰，王Z，龚T，等.基于脑电和眼动数据的抑郁症检测改进分类模型[J]。IEEE纳米生物科学汇刊，2020,19（3）：527-537。
[14] 陈峰，赵力，李斌，等。基于静息状态前额叶脑电信号的模糊测度熵抑郁评价[J/OL]。生理测量，2020,41（9）：095007。https://www.researchgate.net/publication/343799441_Depression_evaluation_based_on_the_prefrontal_EEG_signal_in_resting_state_using_the_fuzzy_measure_entropy。
[15] LI X W，HU B，SUN S T，等。使用特征选择方法和分类器的基于EEG的轻度抑郁检测。[J] ●●●●。生物医学中的计算机方法与程序，2016136（C）：151-161。
[16] 李鹏，宋霞，景伟，等。轻度抑郁症患者对中性反馈和负性反馈敏感性的降低：来自事件相关电位研究的证据[J]。大脑与认知，2015100（11月）：15-20。
[17] ACHARYA U R，SUDARSHAN V K，ADELI H，等.基于脑电信号非线性特征的新型抑郁症诊断指标[J]。欧洲神经病学，2016,74:79-83。
[18] KAUR C，SINGH P，BISHT A，等.变分模式分解与小波相结合的脑电信号去噪方法[J]。生物医学信号处理与控制，2020,65（4）：10237。
[19] 马哈托·S，戈亚尔·N，RAM D，等。六通道脑电图检测抑郁症及严重程度分级[J]。《医疗系统杂志》，2020,44（7）：118。
[20] BOCHAROV A V，KNYAZEV G G，Savostyanov A N，等.抑郁、焦虑和反刍分数与静息状态网络脑电连通性的关系[J]。人类生理学，2021,47（2）：123-127。
[21]蔡H，韩杰，陈毅，等.基于脑电图的抑郁症检测的普适方法[J/OL]。复杂性，2018（1）：13。https://www.hindawi.com/journals/complication/2018/5238028/。
[22]AKBARI H，SADIQ M T，REHMAN A U，等.基于脑电信号相空间重构和几何特征的抑郁症识别[J]。应用声学，2021179:1-16。
[23]张X，胡斌，周磊，等.基于脑电图的女性普适性抑郁症检测[C]//普适性计算与网络世界联合国际会议。柏林：施普林格出版社，2012:848-861。
[24]HOSSEINIFARD B，MORADI M H，ROSTAMI R.使用机器学习技术和脑电信号的非线性特征对抑郁症患者和正常人进行分类[J]。《生物医学计算机方法与程序》2013109（3）：339-345。
[25]LIAO S C，WU C T，HUANG H C，et al.使用核特征滤波器组公共空间模式从EEG信号中检测大萧条[J]。传感器，2017,17（6）：1385-1402。
[26]钟平，王德，苗C.EEG基于正则化图形神经网络的情绪识别[J/OL]。IEEE情感计算汇刊，2020。https://ieeexplore.ieee.org/document/9091308/。
[27]宋涛，刘斯，郑伟，等.脑电情绪识别的状态自适应图[C]//AAAI人工智能会议论文集.2020:2701-2708。
[28]孙涛，李晓伟，朱洁，等.用高密度静息状态脑电数据对抑郁症患者功能连接的图论分析[J]。IEEE神经系统和康复工程学报：医学和生物学会IEEE工程出版物，2019,27（3）：429-439。
[29]SCARSELLI F，GORI M，AC TSOI，等.图形神经网络模型[J]。IEEE神经网络汇刊，2009,20（1）：61-80。
[30]DOUGLAS B L.Weisfeiler-Lehman方法与图同构检验[J].arXiv:1101.52112011。
[31]XU K，HU W，LESKOVEC J等。图形神经网络的功能有多强大？[J] .arXiv:1810.008262018。
[32]WIENER G.搜索多数元素[J]。统计规划与推断杂志，2002100（2）：313-318。
[33]蔡H，高毅，孙S，等.MODMA数据集：精神障碍分析的多模型开放数据集[J].arXiv:2002.092832020。
[34]NGUYEN D Q，NGUYON T D，PHUNG D。用于图形分类的无监督通用自我注意网络[J].ar-Xiv:1909.118552019。
[35]张Z，BU J，ESTER M，等.基于结构学习的层次图池[J].arXiv:1911.059542019。
[36]YANG J，NIU J，ZENG S，等.基于静息状态脑电图的投票策略法抑郁症识别研究[C]//2018 IEEE生物信息学与生物医学国际会议（BIBM）。IEEE，2018:2666-2673。

相关文章15

[1]	陈志强, 韩萌, 李慕航, 武红鑫, 张喜龙. 数据流概念漂移处理方法研究综述数据流中概念漂移处理方法综述计算机科学, 2022, 49(9): 14-32.https://doi.org/10.11896/jsjkx.210700112
[2]	周芳泉, 成卫青. 基于全局增强图神经网络的序列推荐基于全局增强图神经网络的序列推荐计算机科学, 2022, 49(9): 55-63.https://doi.org/10.11896/jsjkx.210700085
[3]	周旭, 钱胜胜, 李章明, 方全, 徐常胜. 基于对偶变分多模态注意力网络的不完备社会事件分类方法不完全社会事件分类的双变量多模注意网络计算机科学, 2022, 49(9): 132-138.https://doi.org/10.11896/jsjkx.220600022
[4]	武红鑫, 韩萌, 陈志强, 张喜龙, 李慕航. 监督和半监督学习下的多标签分类综述基于监督和半监督学习的多标签分类研究综述计算机科学, 2022年，49（8）：12-25。https://doi.org/10.11896/jsjkx.210700111
[5]	郝志荣, 陈龙, 黄嘉成. 缔约方文本分类中的类鉴别通用对抗攻击计算机科学, 2022, 49(8): 323-329.https://doi.org/10.11896/jsjkx.220200077
[6]	檀莹莹, 王俊丽, 张超波. 基于图卷积神经网络的文本分类方法研究综述基于图卷积网络的文本分类方法综述计算机科学, 2022, 49(8): 205-216.https://doi.org/10.11896/jsjkx.210800064
[7]	闫佳丹, 贾彩燕. 基于双图神经网络信息融合的文本分类方法基于双图神经网络信息融合的文本分类方法计算机科学, 2022, 49(8): 230-236.https://doi.org/10.11896/jsjkx.210600042
[8]	齐秀秀, 王佳昊, 李文雄, 周帆. 预测基于概率元学习的矩阵完工预测融合算法计算机科学, 2022, 49(7): 18-24.https://doi.org/10.11896/jsjkx.210600126
[9]	高振卓, 王志海, 刘海洋. 嵌入典型时间序列特征的随机沙佩莱特嵌入标准时间序列特征的随机Shapelet森林算法计算机科学, 2022, 49(7): 40-49.https://doi.org/10.11896/jsjkx.210700226
[10]	张洪博, 董力嘉, 潘玉彪, 萧宗志, 张惠臻, 杜吉祥. 工作质量视频理解中动作质量评价方法综述计算机科学, 2022, 49(7): 79-88.https://doi.org/10.11896/jsjkx.210600028
[11]	黄璞, 沈阳阳, 杜旭然, 杨章静. 基于局部约束特征线表示的人脸识别基于局部约束特征线表示的人脸识别计算机科学, 2022年，49（6A）：429-433。https://doi.org/10.11896/jsjkx.210300169
[12]	杨涵, 万游, 蔡洁萱, 方铭宇, 吴卓超, 金扬, 钱伟行. 基于步态分类辅助的虚拟最小值的行人导航方法基于步态分类辅助虚拟惯性测量单元的行人导航方法计算机科学, 2022年，49（6A）：759-763。https://doi.org/10.11896/jsjkx.211200148
[13]	邵欣欣. TI-最新文本自动商品分类算法 TI-FastText自动商品分类算法计算机科学, 2022年，49（6A）：206-210。https://doi.org/10.11896/jsjkx.210500089
[14]	陈景年. 一种适于多分类问题的支持向量机加速方法支持向量机在多类分类中的加速计算机科学, 2022年，49（6A）：297-300。https://doi.org/10.11896/jsjkx.210400149
[15]	杨健楠, 张帆. 一种结合双注意力机制和层次网络结构的细碎农作物分类方法结合双重注意机制和层次网络结构的小作物分类方法计算机科学, 2022年，49（6A）：353-357。https://doi.org/10.11896/jsjkx.210200169

韵律学

已查看

全文

摘要

引用

共享

讨论

基于数据增广和模型集成策略的图神经网络在抑郁症识别上的应用

基于数据增强和模型集成的图形神经网络在抑郁症识别中的应用

PDF（PC）

美国/摘要

引用本文

文

参考文献

相关文章15

韵律学

本文评价

推荐阅读0