基于拓扑数据分析的抑郁脑电信号分类

抑郁症是一种全球性的精神情感障碍疾病,它严重影响着患者的健康和生活质量,同Navitoclax作用时也给社会带来了巨大的经济负担.脑电信号(Electroencephalogram,EEG)包含着丰富的生理和病理信息,越来越多的研究人员将其应用于抑郁症的智能识别领域.拓扑数据分析(Topological Data Analysis,TDA)将拓扑学理论与统计分析方法相结合,是一种新型数据分析工具,已被用于提取脑电信号特征.然而,除了常用的持续同调熵特征外,其他可用的拓扑特征还相对较少.基于此,本文主要做了以下工作:第一,本文提出了一种基于持续条码图的新型拓扑持续特征.首先,通过脑功能连接矩阵实现拓扑数据分析的输入,之后不断构造Vietoris-Rips单纯复形,通过持续同调分析得到持续条码图,提取其中持续同调信息的出生、消亡时间数据.为了更充分地表达条码图中数据的持续信息,本文考虑结合统计学中统计量指标,在Carlsson拓扑特征的基础上进一步提出了Carlsson II拓扑特征.在MODMA和EDRA数据集上计算Carlsson II特征、Carlsson拓扑特征和常见的持续同调熵特征,输入支持向量机、随机森林以及K近邻分类器中,最后对比各项分类实验结果.结果表明,本文中所提出的Carlsson II特征相比Carlsson拓扑特征实现了有效改进,而且通过Carlsson II特征得到的分类结果优于通过持续同调熵特征得到的分类结果.第二,本文构建了一种用于抑郁脑电信号智能识别的CNN+PLLay模型.airway infection在卷积神经网络(Convolutional Neural Network,CNN)模型中引入基于持续性景观的拓扑层(Topological Layer based on PersisteBMN 673纯度nce Landscapes,PLLay),通过提供网络中数据结构的重要拓扑特征,以增强CNN模型的学习性.模型中的PLLay拓扑层是提取特征的关键,在该层中通过持续同调分析形成持续散点图.由于持续散点图存在度量计算效率低等问题,难以直接用于分类器的学习.因此,本文采用分段函数将其转化为更适合度量学习的持续景观图,并通过加权持续性景观来反映数据的拓扑结构特征.在MODMA和EDRA数据集上验证所构建CNN+PLLay模型的有效性,新模型分别取得了97.88%和97.65%的分类准确率,显著提高了利用拓扑数据信息进行抑郁脑电信号分类的精度.