基于fNIRS信号的抑郁症分类与识别研究.pdf

华中科技大学硕士学位论文

摘要

抑郁症是一种严重的精神类疾病，世界卫生组织统计的关于精神疾病的排行榜

中，抑郁症排名靠前，这意味着抑郁症是对人类危害最大的精神疾病之一。但是目

前临床上对抑郁症的诊断与检测存在着亟待解决的问题，包括终身治愈率低、治疗

周期较长和早期患者就诊率低等，另外，目前诊断抑郁症主要依靠医生的临床经验，

过于主观，缺少一种基于生理信号的客观辅助诊断方法。

为此，本文提出了一种基于功能性近红外光谱成像技术(functionalNear-Infrared

Spectroscopy,fNIRS)的抑郁症诊断识别系统。将fNIRS信号中的血氧浓度信号作为

分析参与者精神状态的生理信号，分析抑郁症患者和健康对照参与者在语言流利度

任务前的静默期、语言流利度任务期间和语言流利度任务后的静默期这三个时间段

下血氧蛋白浓度数据的差异，并用机器学习算法和深度学习算法对抑郁症患者进行

诊断检测，为临床上抑郁症患者的检测提供了一种新的研究方法。具体而言，本文

的主要工作如下：

（1）构建基于fNIRS信号的血氧浓度数据收集与预处理系统。使用fNIRS信号

收集设备，收集所有参与者在语言流利度任务前静默期、语言流利度任务期间和语

言流利度任务后静默期的血氧蛋白浓度的变化情况，从而得到抑郁症患者和健康参

与者53个通道血氧蛋白浓度数据，再使用NIRS-KIT工具包对数据进行预处理。

（2）提取fNIRS信号中血氧蛋白浓度数据基于矢量的相位特征，和常见的时域

统计特征组合输入到机器学习算法中进行抑郁症患者和健康对照参与者的区分，实

验结果显示，加入基于矢量的相位特征后，分类结果得到了显著提升，在任务期达

到分类准确率86.21%，精确度80.14%，召回率86.21%，F1分数为83.06%，比单独

的时域统计特征的分类准确率提高了8.7%。

（3）引入通道之间的相关性来研究抑郁组和健康组存在的差异，并将计算得

到的通道功能连接矩阵作为空间特征，以拼接的特征融合方式将时域特征与空间特

征进行融合，使用神经网络VGG-16对融合后的特征进行分类检测，得到的最高分

I

华中科技大学硕士学位论文

类准确率为93.10%。

关键词：抑郁症识别，功能性近红外光谱研究，基于矢量的相位特征

II

华中科技大学硕士学位论文

Abstract

Depressionisaseriousmentalillness.Itrankshighonthelistofmentaldiseasescompiled

bytheWorldHealthOrganization,whichmeansthatdepressionisoneofthemostharmful

mentaldiseasestohumanbeings.However,therearesomeproblemstobesolvedinclinical

diagnosisanddetectionofdepression,includinglowlifetimecurerate,longtreatmentcycle

andlowearlypatientreferralrate.Inaddition,thecurrentdiagnosisofdepressionmainly

reliesontheclinicalexperienceofdoctors,whichistoosubjectiveandlacksanobjective

auxiliarydiagnosismethodbasedonphysiologicalsignals.

Totackletheaboveissues,thisthesisproposesadepression