[發(fā)明專(zhuān)利]基于多源腦電數(shù)據(jù)融合的抑郁癥輔助識(shí)別模型構(gòu)建方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011132515.9
• 申請(qǐng)日: 2020-12-04
• 公開(kāi)（公告）號(hào): CN112190269A
• 公開(kāi)（公告）日: 2021-01-08
• 發(fā)明（設(shè)計(jì)）人: 胡斌;蔡涵書(shū);張健;曲志雕
• 申請(qǐng)（專(zhuān)利權(quán)）人: 蘭州大學(xué)
• 主分類(lèi)號(hào): A61B5/369
• 分類(lèi)號(hào): A61B5/369;A61B5/372;A61B5/16
• 代理公司: 北京匯彩知識(shí)產(chǎn)權(quán)代理有限公司 11563
• 代理人: 王鍵

1.一種基于多數(shù)據(jù)源腦電數(shù)據(jù)融合的抑郁癥輔助識(shí)別模型構(gòu)建方法，該方法包括：

步驟1)：構(gòu)建多數(shù)據(jù)源抑郁癥腦電數(shù)據(jù)的特征矩陣；

步驟2)：使用基于個(gè)體分類(lèi)器賦權(quán)的多分類(lèi)器組合策略對(duì)步驟1)中構(gòu)建的所述特征矩陣根據(jù)其分類(lèi)準(zhǔn)確率進(jìn)行選擇，選取分類(lèi)準(zhǔn)確率較高的特征矩陣

步驟3)：對(duì)所述特征矩陣進(jìn)行多元組合，即將基于個(gè)體分類(lèi)器賦權(quán)的多分類(lèi)器組合策略所篩選出的特征矩陣進(jìn)行二元組合、三元組合、四元組合、五元組合直至n元組合，其中n為選取的所述特征矩陣數(shù)；

步驟4)：采用基于權(quán)重優(yōu)化的并行特征層融合策略對(duì)步驟3)中得到的所述各特征矩陣組合進(jìn)行融合，并得出每個(gè)特征矩陣組合融合后的融合特征矩陣的分類(lèi)準(zhǔn)確率從而根據(jù)融合特征矩陣的分類(lèi)準(zhǔn)確率選出最佳特征矩陣組合；以及

步驟5)：對(duì)步驟4)中所述的最佳特征矩陣組合進(jìn)行融合以構(gòu)建抑郁癥輔助識(shí)別模型。

2.根據(jù)權(quán)利要求1的方法，所述的分類(lèi)準(zhǔn)確率可以是前10％。

3.根據(jù)權(quán)利要求1的方法，在所述步驟2)中：

基于個(gè)體分類(lèi)器賦權(quán)的多分類(lèi)器組合策略如下：

(1)假定個(gè)體分類(lèi)器的集合E＝(e₁，e₂，…，e_n)，個(gè)體分類(lèi)器的初始權(quán)重集合W₀＝(w₀₁，w₀₂，…，w_0n)，其中n為個(gè)體分類(lèi)器的個(gè)數(shù)；對(duì)于特征矩陣x，分類(lèi)器集合E判定的類(lèi)別集合L＝(l₁，l₂，…，l_n)，l_r＝0或1，1≤r≤n

則此時(shí)的組合策略為：

F₀＝w₀₁l₁+w₀₂l₂+…+w_0nl_n

其中w₀₁+w₀₂+…+w_0n＝1，當(dāng)F₀＞0.5時(shí)，則判定樣本x的類(lèi)別為1，否則類(lèi)別為0，

當(dāng)使用n個(gè)個(gè)體分類(lèi)器時(shí)需要優(yōu)化n個(gè)權(quán)重，因此使用n位二進(jìn)制進(jìn)行編碼；在目標(biāo)函數(shù)設(shè)定方面，采用特征矩陣x的分類(lèi)準(zhǔn)確率f(x)作為目標(biāo)函數(shù)，目標(biāo)函數(shù)為最大值問(wèn)題；初始分類(lèi)準(zhǔn)確率為f₀(x)；

(2)更新個(gè)體分類(lèi)器的權(quán)重集合W_i＝(w_i1，w_i2，…，w_in)，i∈N⁺，迭代步長(zhǎng)為α，若且j≠i，j∈N⁺使得f_j(x)＞f_i(x)，則令權(quán)重集合W_i＝W_j，否則繼續(xù)迭代，直至達(dá)到終止邊界；

(3)迭代結(jié)束后，若且k≠i，k∈N⁺，使得f_k(x)＞f_i(x)，算法收斂，則多分類(lèi)器組合策略為

F_i＝w_i1l₁+w_i2l₂+…+w_inl_n

其中w_i1+w_i2+…+w_in＝1，特征矩陣x的分類(lèi)準(zhǔn)確率為f_i(x)。