本发明涉及脑电信号处理，尤其涉及一种基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法。
背景技术：
1、抑郁症是一种常见的情感障碍疾病，根据国际疾病分类(icd-10)关于抑郁症的诊断标准，15-20％的成年人一生中都有某段时间符合抑郁症患病特征。抑郁症患者可能还会因此脑功能受损，表现为认知功能下降、顽固性睡眠障碍等。根据《柳叶刀》2016全球疾病负担研究报告，抑郁症已成为全球致残最高的10大病因之一。
2、目前，抑郁症的评估与诊断主要依赖精神科医生结合临床访谈、自评/他评量表以及患者的临床症状和既往病史等进行综合判断。整个过程中主要依靠医生的临床经验，存在比较大的主观性，缺乏定量客观的评估诊断指标。随着脑电图(eeg)、脑磁图、脑影像等信号采集技术的发展，研究者们尝试从不同的角度寻找抑郁症客观评估的生物诱发物。在多种信号中，脑电图以其高时间分辨率以及设备便携性，深受研究者青睐。
3、mumtaz等提出了一种机器学习框架，该框架将eeg衍生的同步可能性(synchronizationl ikelihood，sl)特征作为输入数据，用于自动诊断mdd。据推测，基于脑电图的sl特征可以区分mdd患者和健康对照者，其准确性要优于诸如半球间连贯性和相互信息之类的指标。在这项工作中，采用了支持向量机(supportv ectormachine，svm)，逻辑回归(logisticregression，lr)和朴素贝叶斯(nb)等分类模型来建立eeg特征与研究对象之间的关系模型，最终实现区分mdd患者和健康对照者。cai等建立了一个包含213名受试者(其中92名抑郁症患者和121名正常对照者)的心理生理学数据库。通过静息状态和声音刺激下收集eeg信号，结合卡尔曼导数公式、离散小波变换和自适应预测滤波器，使用有限脉冲响应滤波器去噪，提取了270个线性和非线性特征。然后，利用最小冗余-最大相关特征选择技术降低特征空间的维数。结果显示，对抑郁症的区分准确率达79.27％，提示eeg用于抑郁症辅助诊断的可行性。
4、然而，在实际情况中，对每名被试构建单独的检测模型是比较困难的。这是由于脑电信号存在非稳态性以及个体差异性，不同被试的脑电信号往往具有不同的数据分布，直接利用所有被试的脑电数据构建模型会有较差的泛化性能(传统机器学习模型要求训练和测试数据是独立同分布的)，这种情况被称为域偏移。把因为脑电差异导致的分布差异称为个体差异。此外，在不同的地方，比如不同的医院，采集到的脑电数据在数据分布上也会存在很大的差异，这种差异称为环境差异。
5、目前的抑郁症检测模型中，存在两个问题：1)大部分工作建立的模型未考虑脑电信号的个体差异性，构建的模型泛化性能较差；2)大部分工作未考虑因采集场景如不同医院或者病房采集不同造成的数据差异性，即未考虑环境差异。
技术实现思路
1、本发明的目的是提供一种基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法，将利用域适应算法解决抑郁症模型构建中存在的域偏移问题，消除不同场景以及个体间的脑电数据差异，能够有效建立抑郁症预测算法，提高模型的准确性。
2、本发明提供了一种基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法，包括：
3、获取不同被试的脑电信号生成数据集；
4、从所述数据集中提取并计算得到脑电信号的微分熵特征；
5、将所述微分熵特征划分为源域数据和目标域数据，确定所述源域数据和所述目标域数据在域偏移情况下产生的数据差异；
6、分别提取源域数据和目标域数据的微分熵特征，得到源域数据的微分熵特征和目标域数据的微分熵特征；
7、将源域数据的微分熵特征和目标域数据的微分熵特征输入cs2da网络模型进行训练，基于域适应算法将源域和目标域的特征映射到共享的特征空间，提取分布的共有特征进行对齐，得到训练好的cs2da网络模型来消除个体差异以及场景差异导致的数据差异性；
8、基于训练好的cs2da网络模型对不同场景和/或不同个体的脑电数据进行预测，判断所述脑电数据对应的被试是否有抑郁症，得到对应数据类别的预测结果。
9、作为优选地，所述cs2da网络模型包括集合数据处理模块，
10、作为优选地，所述集合数据处理模块，包括：
11、全共有特征提取器ca，用于接收经过所述源域数据处理模块和所述目标域数据处理模块处理后的数据，并分别提取源域数据和目标域数据中的第一共有特征和第二共有特征，所述第一共有特征为源域映射数据，所述第二共有特征为目标域映射数据；
12、条件最大均值差异cmmd，用于接收并输入映射的第一共有特征和第二共有特征，结合源域和目标域的标签信息，计算在源域和目标域的分布之间的最大均值差异，将所述最大均值差异进行整合，得到总的度量以优化网络；
13、mmd，用于分别将从所述源域特征提取器cs提取并经过映射的所述第一共有特征及从所述目标域特征提取器ct提取并经过映射的所述第二共有特征作为输入，在经过对抗训练后，约束源域和目标域之间的域间距离来减少源域数据和目标域数据域之间的差异性，从而进一步优化网络；
14、分类集合器clsa，用于分别将从所述源域特征提取器cs提取并经过映射的所述第一共有特征及从所述目标域特征提取器ct提取并经过映射的所述第二共有特征作为输入，根据对齐后的源域数据和目标域数据构建分类模型；
15、其中，所述源域数据处理模块，包括：
16、源域特征提取器cs，用于提取源域数据集中的第一共有特征；
17、源鉴别器ds，用于将所述源域特征提取器cs提取并经过映射的所述第一共有特征作为输入，通过第一梯度反转层grl对所述第一共有特征进行对齐，以减轻个体脑电差异性造成的源域的数据差异；
18、源分类器clss，用于将所述源域特征提取器cs提取并经过映射的所述第一共有特征作为输入，对源域数据进行分类，得到分类后的结果数据；
19、所述目标域数据处理模块，包括：
20、目标域特征提取器ct，用于提取目标域数据集中的第二共有特征；
21、目标鉴别器dt，用于将所述目标域特征提取器ct提取并经过映射的所述第二共有特征作为输入，通过第二梯度反转层grl对所述第二共有特征进行对齐，以减轻个体脑电差异性造成的目标域的数据差异；
22、目标分类器clsst，用于将所述目标域特征提取器ct提取并经过映射的所述第二共有特征作为输入，对目标域数据进行分类，得到分类后的结果数据。
23、作为优选地，所述将源域数据的微分熵特征和目标域数据的微分熵特征输入cs2da网络模型进行训练包括：
24、对m个源域数据按照预设批大小进行随机采集，并将采集到的源域数据(xs1,ys1),(xs2,ys2)…(xsm,ym)输入源域特征提取器cs中进行映射，得到映射后的源域数据(xms1,ys1),(xms2,ys2)…(xmsm,ysm)；
25、将映射后的源域数据(xms1,ys1),(xms2,ys2)…(xmsm,ysm)分别输入至cs2da网络模型中三个网络分别进行分类模型建立、源域数据对齐以及源域和目标域的对齐；
26、将映射后的源域数据(xms1,ys1),(xms2,ys2)…(xmsm,ysm)输入至clss网络，构建以源域数据为基础的分类预测模型，得到第一标签预测值yps1,yps2,…ypsm，并将真实标签数据ys1,ys2,…ysm和所述第一标签预测值yps1,yps2,…ypsm的mse作为损失函数；
27、其中，(xsm,ysm)代表第m个源域，(xmsm,ysm)代表经过映射后的第m个源域。
28、作为优选地，所述将真实标签数据和所述第一标签预测值的mse作为损失函数包括：
29、将映射后的源域数据输入源鉴别器ds，得到预测的域标签ypds1,ypds2,…ypdsm；
30、将源域不同的域的真实标签定义为yds1,yds2,…ydsm，采用交叉熵作为损失函数以优化源鉴别器ds；
31、其中交叉熵计算公式如下：
32、
33、式中，ydsi表示从第i个源域中随机抽样的一个样本的真实标签值，ypdsi表示从第i个源域中随机抽样的一个样本的预测标签值，ydsi表示第i个源域中的数据分布，ypdsi表示第i个源域样本的预测标签值的数据分布，ypdsic表示根据源分类器预测的当前数据属于第c类的概率值。
34、作为优选地，所述将源域数据的微分熵特征和目标域数据的微分熵特征输入cs2da网络模型进行训练还包括：
35、将测试集中的目标域数据(xt1,yt1),(xt2,yt2)…(xtn,ytn),(xtest)输入目标域特征提取器ct中进行映射，得到映射后的目标域数据(xmt1,yt1),(xmt2,yt2)…(xmtn,yn),(xmtest)；
36、将映射后的目标域数据分别输入至cs2da网络模型中三个网络分别进行分类模型建立、源域数据对齐以及源域和目标域的对齐；
37、将映射后的目标域数据输入至clsst网络，构建基于目标域数据的预测模型，得到第二标签预测值，并将真实标签数据和所述第二标签预测值的mse作为损失函数构建回归模型；
38、将经过对齐后的第一源域映射数据(xms1,ys1),(xms2,ys2)…(xmsm,ysm)和第一目标域映射数据(xmt1,yt1),(xmt2,yt2)…(xmtn,yn),(xmtest)输入全共有特征提取器ca，得到第二源域映射数据(xas1,ys1),(xas2,s2)…(xasm,ysm)}和第二目标域映射数据(xat1,yt1),(xat2,yt2)…(xatn,yn),(xatest)；
39、基于grl和mk-mmd提取能够消除域内个体差异的共有特征，采用对抗性网络来判别数据来自源域还是目标域，训练全共有特征提取器ca使得判别器无法准确区分，从而实现数据对齐；
40、经过对齐后的映射数据输入分类集合器clsa中以获得最终优化后的预测标签ypas1,ypas2,...,ypasm,ypat1,ypat2,...,ypatn，计算最终优化后的预测标签和真实标签的交叉熵，以优化分类集合器clsa；
41、其中，(xtn,ytn)代表第m个源域，(xmtn,ytn)代表经过映射后的第m个目标域，xtest和xmtest分别代表测试数据以及映射后的测试数据。
42、作为优选地，所述将真实标签数据和所述第二标签预测值的mse作为损失函数构建回归模型包括：
43、将映射后的目标域数据输入目标鉴别器dt，得到预测的域标签ypdt1,ypdt2,…ypdtm,ypdtt；
44、将源域不同的域的真实标签定义为ydt1,ydt2,…ydtm,ydtt，采用交叉熵作为损失函数以优化目标鉴别器dt；
45、其中交叉熵计算公式如下：
46、
47、式中，ydti表示从第i个目标域中随机抽样的一个样本的真实标签值，ypdt i表示从第i个目标域中随机抽样的一个样本的预测标签值，ydti表示第i个目标域中的数据分布，ypdti表示第i个目标域样本的预测标签值的数据分布，ypdsic表示根据目标分类器预测的当前数据属于第c类的概率值。
48、作为优选地，所述cmmd中计算在源域和目标域的分布之间的最大均值差异包括：
49、
50、其中，condi和condj分别表示来自不同场景下同一个类别的数据的分布即两个不同的医院采集的数据中正常人群的数据或者抑郁症人群的数据；i和j分别表示在对应场景下对应数据的类别序号，lcmmd表示cmmd的损失、lmkd表示mmd的损失。
51、作为优选地，所述mmd中约束源域和目标域之间的域间距离来减少源域数据和目标域数据域之间的差异性包括：
52、
53、
54、其中，βi为对应的权重，ki为第i个核函数。
55、本发明还提供了一种基于头皮脑电信号跨个体跨场景差异的抑郁症检测装置，包括：
56、获取模块，用于获取不同被试的脑电信号生成数据集；
57、特征提取模块，用于从所述数据集中提取并计算得到脑电信号的微分熵特征；将所述微分熵特征划分为源域数据和目标域数据，确定所述源域数据和所述目标域数据在域偏移情况下产生的数据差异；分别提取源域数据和目标域数据的微分熵特征，得到源域数据的微分熵特征和目标域数据的微分熵特征；
58、训练模块，用于将源域数据的微分熵特征和目标域数据的微分熵特征输入cs2da网络模型进行训练，基于域适应算法将源域和目标域的特征映射到共享的特征空间，提取分布的共有特征进行对齐，得到训练好的cs2da网络模型来消除个体差异以及场景差异导致的数据差异性；
59、预测模块，用于基于训练好的cs2da网络模型对不同场景和/或不同个体的脑电数据进行预测，判断所述脑电数据对应的被试是否有抑郁症，得到对应数据类别的预测结果。
60、本发明还提供了一种电子设备，包括：
61、存储器，所述存储器用于存储处理程序；
62、处理器，所述处理器执行所述处理程序时实现如本发明实施例所述的基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法。
63、针对现有技术，本发明具有如下的有益效果：
64、本发明提出了一种基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法，通过利用机器学习框架和eeg特征作为输入数据，能自动诊断抑郁症，进行脑电信号的个体差异性分析，提出了一种跨个体跨场景的抑郁症检测算法，解决了抑郁症检测模型中存在的个体差异性和环境差异性问题；采用了grl和mmd两种技术来消除同一域内不同个体的差异以及不同域之间的差异，提高了模型的泛化性能；提出了cs2da网络，通过结合源域和目标域的数据特征信息以及标签信息，能够减小个体脑电差异性和实验环境等因素导致的数据分布差异性，提高了模型的准确性；能够在不同的医院，不同的病房中采集到的脑电数据上进行有效应用，具有较强的实用性和广泛的应用前景。
65、本发明应用领域主要在医疗健康领域，特别是在抑郁症等精神疾病的诊断和治疗上。具体来说，可以用于：1)抑郁症的早期诊断和预测：通过对个体的脑电图数据进行分析，可以早期发现抑郁症的迹象，对病情进行预测，从而提供早期干预和治疗。2)抑郁症的治疗效果监测：在抑郁症的治疗过程中，可以通过持续监测个体的脑电图数据，来评估治疗的效果，以便调整治疗方案。3)个性化医疗方案的制定：由于该专利能够考虑到个体的差异性，因此可以根据每个人的脑电图数据来制定个性化的治疗方案。4)研究脑电图数据与抑郁症之间的关系：该专利提供了一种新的方法来分析脑电图数据，可以为研究脑电图数据与抑郁症之间的关系提供新的视角和工具。
1.一种基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法，其特征在于，包括：
2.根据权利要求1所述的基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法，其特征在于，所述cs2da网络模型包括集合数据处理模块，
3.根据权利要求1所述的基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法，其特征在于，所述将源域数据的微分熵特征和目标域数据的微分熵特征输入cs2da网络模型进行训练包括：
4.根据权利要求3所述的基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法，其特征在于，所述将真实标签数据和所述第一标签预测值的mse作为损失函数包括：
5.根据权利要求3所述的基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法，其特征在于，所述将源域数据的微分熵特征和目标域数据的微分熵特征输入cs2da网络模型进行训练还包括：
6.根据权利要求5所述的基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法，其特征在于，所述将真实标签数据和所述第二标签预测值的mse作为损失函数构建回归模型包括：
7.根据权利要求1所述的基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法，其特征在于，所述cmmd中计算在源域和目标域的分布之间的最大均值差异包括：
8.根据权利要求1所述的基于头皮脑电信号跨个体跨场景差异的抑郁症检测方法，其特征在于，所述mmd中约束源域和目标域之间的域间距离来减少源域数据和目标域数据域之间的差异性包括：
9.一种基于头皮脑电信号跨个体跨场景差异的抑郁症检测装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括：
