融合共空間模式與腦網(wǎng)絡(luò)特征的EEG抑郁識別

王怡忻，朱湘茹，楊利軍，3

1.河南大學(xué) 數(shù)學(xué)與統(tǒng)計學(xué)院，河南 開封 475004

2.河南大學(xué) 認知、腦與健康研究所，河南 開封 475004

3.河南省人工智能理論及算法工程研究中心，河南 開封 475004

抑郁癥是一種常見的精神疾病，表現(xiàn)為日常活動中的快樂感降低、無助、持續(xù)的情感低落、悲觀和思維遲緩等[1]。研究顯示抑郁癥將成為人類的第二大疾病[2]。目前臨床對抑郁癥的早期診斷方法有許多明顯的缺點，包括患者否認、敏感性差和主觀偏見，導(dǎo)致診斷結(jié)果不準(zhǔn)確，從而影響患者的及時治療，導(dǎo)致病情延誤。因此，有必要開發(fā)準(zhǔn)確、可操作的抑郁檢測方法。一般來說，與語言和面部表情相比，生理信號可以相對客觀地反映中樞神經(jīng)系統(tǒng)的動態(tài)變化，并已被應(yīng)用于各種研究領(lǐng)域[3]。腦電信號（electroencephalography，EEG）包含了大量的生理、病理信息，是腦神經(jīng)細胞生理活動在大腦皮層或頭皮表面的總體反應(yīng)。相比于腦磁圖[4]、功能磁共振成像[5]和正電子發(fā)射斷層掃描[6]等研究工具，EEG由于成本相對較低，便于記錄，并且不能輕易偽造等優(yōu)點，仍然是監(jiān)測大腦活動的重要工具[7]，并逐漸被應(yīng)用于多種疾病的輔助診斷[8-9]。

由于大腦活動的復(fù)雜性，EEG信號不是腦認知信號和干擾信號的簡單疊加，而是非線性、時變信號，有必要獲得高效低維EEG特征。常見的特征主要有時域、頻域與空域特征。二分類任務(wù)下的空間濾波算法共空間模式（common spatial pattern，CSP）[10-11]一般被用于提取空域特征。Koles等人在1991年首次提出了用于EEG的CSP算法[10]，能夠從多通道的腦電數(shù)據(jù)中提取出每一類的空間分布成分。利用協(xié)方差矩陣的對角化找到一組最優(yōu)的空間濾波器進行投影，使得在最大化第一類方差的同時最小化另一類方差，從而得到具有較高區(qū)分度的特征向量。另一方面，由于圖論分析技術(shù)被成功引入到腦功能網(wǎng)絡(luò)研究中，復(fù)雜網(wǎng)絡(luò)分析近年來日益成為腦電領(lǐng)域的研究熱點。研究表明引入復(fù)雜網(wǎng)絡(luò)模型能夠幫助人們更好地理解腦網(wǎng)絡(luò)結(jié)構(gòu)之間的關(guān)系[12-13]。在Gonuguntla等人[13]的一項工作中，他們使用相位鎖值（phase locking value，PLV）構(gòu)建腦功能網(wǎng)絡(luò)，并且進一步討論了運動想象數(shù)據(jù)集上任務(wù)相關(guān)的網(wǎng)絡(luò)差異，由此確定了重要節(jié)點和通道。綜合以上兩點，在本文工作中，首先進行了腦網(wǎng)絡(luò)分析，使用PLV構(gòu)建抑郁患者和正常對照的相位同步性功能網(wǎng)絡(luò)，探索兩種類別可能存在的不同連接模式，然后將CSP特征和網(wǎng)絡(luò)特征進行融合用于抑郁識別。

多通道腦電信號往往含有大量的冗余信息，冗余特征會對算法的性能產(chǎn)生不利影響，導(dǎo)致計算復(fù)雜度高、過擬合、效率低等問題，因此需要從特征矩陣中篩選出更有代表性的特征。在實際應(yīng)用中，存在多種特征選擇策略，如皮爾遜相關(guān)系數(shù)（Pearson correlation）[14]、Relief算法[15]以及Fisher score（F-score）[16]。F-score本質(zhì)上是通過計算單個特征的類間和類內(nèi)方差的比值來衡量特征的辨別能力。F-score的值越大，區(qū)分能力越好。本文結(jié)合F-score方法和分類器依賴結(jié)構(gòu)實現(xiàn)特征選擇，既保證了所選特征子集和模型的識別能力，又節(jié)省了計算量。

隨著深度學(xué)習(xí)的發(fā)展，通過計算機輔助抑郁癥分類診斷有助于降低臨床診斷的誤診率，幫助患者盡快獲得正確的治療。例如，Acharya等人[17]使用多層卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）對15名健康受試者和15名抑郁受試者針對大腦右半球進行分類，分別獲得了96%和93.5%的準(zhǔn)確率。Li等人[18]利用EEG特征變換進行抑郁癥識別。他們使用自回歸模型和Hjorth算法提取功率譜密度和活性作為原始特征，并采用集成學(xué)習(xí)和深度學(xué)習(xí)兩種不同的方法來處理這些特性，分別在五個頻帶和總頻帶上測試了支持向量機（support vector machine，SVM）和CNN分類器的性能。結(jié)果表明，腦電信號可以作為抑郁癥識別的可靠指標(biāo)，采用集成模型和功率譜密度特征時，最佳精度為89.02%，運用深度學(xué)習(xí)方法和活動特征的準(zhǔn)確率為84.75%。Zhang等人[19]將腦電數(shù)據(jù)與包括性別和年齡在內(nèi)的人口信息相結(jié)合輸入到一維CNN中，獲得了75.29%的分類精度。CNN[20]是一種被廣泛應(yīng)用于模式識別領(lǐng)域的高效模型。然而，由于CNN的狀態(tài)只依賴于當(dāng)前的輸入，并不適合處理時序問題。而長短時記憶網(wǎng)絡(luò)（long short-term memory，LSTM）[21]和門控制循環(huán)單元（gated recurrent unit，GRU）[22]由于結(jié)構(gòu)特點無法實現(xiàn)并行計算操作，導(dǎo)致計算效率不如CNN。因此，本文提出將時序卷積網(wǎng)絡(luò)（temporal convolution network，TCN）[23]用于腦電信號的抑郁識別，該模型不僅具有RNN（recurrent neural network）處理時間序列的特性，而且還保留了CNN可并行計算的特點。

受前人研究成果和神經(jīng)學(xué)發(fā)現(xiàn)的啟發(fā)，本文采用CSP算法提取特征，并根據(jù)PLV構(gòu)建了腦功能連通性矩陣，提取腦網(wǎng)絡(luò)特征，特征直觀可見，便于對特征選擇方法進行驗證。利用F-score與分類器結(jié)合的方法對提取的特征進行優(yōu)選，得到區(qū)分度高的最優(yōu)特征集。具體的實驗過程如圖1所示。在抑郁數(shù)據(jù)集上進行實驗評估，結(jié)果證明了本文方法的有效性。

1 共空間模式與時序卷積神經(jīng)網(wǎng)絡(luò)

1.1 共空間模式算法

共空間模式（CSP）算法[10-11]是一種高效的空間濾波算法，其目標(biāo)是創(chuàng)建最優(yōu)公共空間濾波器。如圖2所示，CSP通過同時對角化兩類任務(wù)協(xié)方差矩陣的方式得到最有區(qū)分力的特征向量。

具體過程如下：

（1）假設(shè)X1和X2分別為兩類數(shù)據(jù)樣本，計算兩類數(shù)據(jù)的協(xié)方差矩陣R1和R2：

其中，tr(·)表示矩陣對角線上元素的和，即矩陣的跡。

然后得到混合空間協(xié)方差矩陣：

（2）應(yīng)用主成分分析法，對正定矩陣Rc進行正交白化變換并且同時進行對角化處理。對R進行特征值分解：

其中，Uc表示特征向量矩陣，Λc為特征值降序排列構(gòu)成的對角矩陣，轉(zhuǎn)換后可以得到白化值矩陣為：

（3）構(gòu)造空間濾波器。將P作用于R1和R2得到：

S1和S2有公共特征向量，且存在特征向量矩陣B和對角矩陣Λ1、Λ2滿足如下條件：

其中，I是單位矩陣。

（4）計算投影矩陣。由于兩類矩陣的特征值總和是1，那么一個類別有最大的特征值時，另一個類別有最小的特征值。白化EEG到與Λ1、Λ2中的最大特征值對應(yīng)的特征向量的變換對于分離兩個信號矩陣中的方差是最佳的。因此可以利用矩陣B實現(xiàn)兩類問題的分類，得到空間濾波器即投影矩陣W為：

（5）將原始抑郁腦電數(shù)據(jù)集經(jīng)過構(gòu)造的相應(yīng)濾波器W濾波可得特征ZM×N：

可選擇ZM×N的前m行和后m行(2m＜M)作為原始輸入數(shù)據(jù)的特征。

1.2 PLV相位同步性腦功能網(wǎng)絡(luò)構(gòu)建

認知過程不僅涉及到大腦各區(qū)域的活動，還涉及到不同功能區(qū)之間的信息傳播和交互。從本質(zhì)上說，連接模式能挖掘相關(guān)大腦區(qū)域之間的相互作用，且網(wǎng)絡(luò)屬性是反映信息的傳播和加工的網(wǎng)絡(luò)模式。網(wǎng)絡(luò)構(gòu)建的方法有很多，其中大腦同步活動分析以同步測量矩陣的形式捕捉大腦中的同步活動，近年來備受關(guān)注。研究表明，EEG信號在跨腦區(qū)的范圍內(nèi)存有相位同步關(guān)系，而并沒有幅度上的同步關(guān)系，因此基于相位信息的同步性測量比基于振幅信息的測量更具有辨識力[24]。本文采用相位鎖值（PLV）來測量兩個腦區(qū)之間的相位同步信息。假設(shè)兩個信號x(t)和y(t)的瞬時相位是φx(t)、φy(t)，PLV定義為：

聚類系數(shù)是衡量大腦功能分離程度的指標(biāo)，指一個節(jié)點與其鄰居節(jié)點之間存在的連接數(shù)與最大可能連接數(shù)的比例。節(jié)點i的聚類系數(shù)定義為：

式中，cij是鄰接矩陣的兩節(jié)點i和j之間的連接權(quán)重。

特征路徑長度L是指網(wǎng)絡(luò)中連通兩個節(jié)點的最少邊數(shù)。平均特征路徑長度是所有網(wǎng)絡(luò)節(jié)點間最短路徑長度的平均值。對于加權(quán)網(wǎng)絡(luò)，節(jié)點i和節(jié)點j之間的一條邊的長度由邊的權(quán)重的倒數(shù)表示。

其中，N為加權(quán)網(wǎng)絡(luò)中的節(jié)點，Lij為任意兩個節(jié)點i和j最短路徑的邊數(shù)。

全局效率Ge度量信息在整個網(wǎng)絡(luò)中的傳播程度，與網(wǎng)絡(luò)中任意兩個節(jié)點之間的最短路徑長度距離成反比。

局部效率通過觀察各子網(wǎng)絡(luò)的連接情況來衡量區(qū)域?qū)I(yè)化網(wǎng)絡(luò)的能力，它提供了網(wǎng)絡(luò)容錯性的估計。設(shè)Gi表示包含第i個節(jié)點的所有相鄰節(jié)點的子網(wǎng)絡(luò)，局部效率為子網(wǎng)Gi的平均效率為：

式中，NGi表示子圖Gi中的節(jié)點數(shù)。

中介中心性是一種常見的網(wǎng)絡(luò)局部屬性，用來衡量節(jié)點在圖中的中心性大小：

其中，σmn(i)代表從節(jié)點m到節(jié)點n之間經(jīng)過節(jié)點i的最短路徑數(shù)，σmn是節(jié)點m到節(jié)點n的最短路徑長度。

1.3 時序卷積神經(jīng)網(wǎng)絡(luò)

Bai等人[23]提出了時序卷積網(wǎng)絡(luò)（TCN），該模型既具有RNN處理時間序列的特性，同時也保留了CNN的可并行計算特點。圖3～圖5為TCN模型的結(jié)構(gòu)刻畫。TCN模型中涉及因果卷積、膨脹卷積和殘差連接三種結(jié)構(gòu)，下面將具體介紹。

1.3.1 因果卷積

TCN模型中的時序特性主要由因果卷積實現(xiàn)。因果卷積（如圖3所示）是用于處理時序問題提出的一種對于t時刻的預(yù)測值，不考慮任何未來的信息而只考慮之前t-1個輸入的卷積模型，如式（16）所示：

可以看出t時刻的狀態(tài)只與之前時刻的信息有關(guān)。但是因果卷積隨著隱藏層增多，會帶來梯度消失或梯度爆炸、訓(xùn)練復(fù)雜度提高等問題。因此，Oord等人又提出了膨脹卷積[26]。

1.3.2 膨脹卷積

膨脹卷積不同于CNN使用池化層，它是在卷積里注入空洞來增加感受野。如圖4所示，對于相同的輸入，膨脹卷積相比于因果卷積有更大的感受野。膨脹卷積允許輸入存在間隔采樣，采樣率受膨脹系數(shù)d控制。d=1表示輸入時每個點都采樣，在網(wǎng)絡(luò)各層之間，d隨著深度的增加指數(shù)增長d=2i-1。對于一個一維輸入序列x∈Rn和濾波器f:{0,1,…,k-1}，在序列成分s上膨脹卷積作用后定義為，其中k為濾波器大小，s-d*i代表過去的方向。

1.3.3 殘差連接

殘差連接通過前向神經(jīng)網(wǎng)絡(luò)和跳層連接實現(xiàn)，一般被用來解決網(wǎng)絡(luò)退化問題。跳層連接就相當(dāng)于執(zhí)行了恒等映射，不會產(chǎn)生冗余的參數(shù)，也不會增加計算復(fù)雜度。TCN架構(gòu)中的殘差模塊顯示在圖5，一個殘差模塊內(nèi)包含兩層膨脹因果卷積和非線性激活函數(shù)（ReLU），并對卷積濾波器使用權(quán)重歸一化，利用spatial dropout進行正則化，防止過擬合。特別的，TCN在殘差塊的恒等映射之間添加1×1卷積filters，保證輸入輸出之間張量尺度相同。

1.4 F-score特征選擇

通常，多個特征之間的相關(guān)性會導(dǎo)致特征共線性，從而進一步誘發(fā)冗余信息。冗余特征會對識別算法的性能產(chǎn)生不利影響。本文提出將CSP特征和腦網(wǎng)絡(luò)特征結(jié)合起來的策略。簡單地將所有特征集中在一起可能是一種次優(yōu)操作，因此通過合理的特征選擇策略從特征向量中篩除不相關(guān)的、冗余的特征，選擇一個最優(yōu)子集尤為重要。本文結(jié)合F-score特征判別準(zhǔn)則，并利用分類器依賴結(jié)構(gòu)來實現(xiàn)特征選擇，以減輕特征多重共線性的影響[16，27]。在保證所選特征子集和分類器的識別能力提高的同時又節(jié)省了計算量。F-score本質(zhì)上是通過計算單個特征的類間和類內(nèi)方差的比值來衡量特征的辨別能力。若一個特征是具有鑒別力的，那么該特征與同一類別樣本之間的方差應(yīng)該盡量小，而與不同類別樣本之間的方差應(yīng)該盡量大，這樣才利于分類和預(yù)測。本文給每個特征一個得分，第i個特征的F-score定義如下：

算法1 F-score特征選擇算法

輸入：訓(xùn)練樣本特征集X=[X1,X2,…,XN]。輸出：最優(yōu)特征子集Fopt。

步驟1計算特征集X的所有F-score值，并按照降序排序得到排序后的特征集F。

步驟2初始化特征子集Fset。定義最佳分類結(jié)果為Accopt并初始化為0。將最優(yōu)特征子集Fopt初始化為空。

步驟3從F中選擇F-score值最高的特征向量。將選定的向量添加到Fset中。設(shè)n為Fset中單個樣本的特征個數(shù)。

步驟4對Fset進行10折交叉驗證，得到分類精度μ。如果μ≥Accopt,則用μ取代Accopt并更新Fopt。

步驟5重復(fù)步驟2到步驟4直到n＞N。

2 實驗結(jié)果

2.1 數(shù)據(jù)集與預(yù)處理

本文收集了招募的69名志愿者的EEG數(shù)據(jù)。這些志愿者都是某大學(xué)本科生且均為右利手，實驗前已獲得知情同意。該實驗根據(jù)《赫爾辛基宣言》進行，并得到了該學(xué)校倫理委員會的批準(zhǔn)（HUSOM-2018-367）。所有志愿者有償參與實驗。他們完成對兩個抑郁量表CES-D[28]和PROMIS[29]的評估，并填寫了問卷。經(jīng)過嚴格的篩選和匹配，根據(jù)兩份問卷的得分情況，計算每位參與者兩份問卷的總得分。將得分最高的30名學(xué)生作為高風(fēng)險抑郁組，得分最低的30名學(xué)生作為低風(fēng)險對照組。表1描述了所收集的數(shù)據(jù)集。EEG采集設(shè)備使用64個電極的國際標(biāo)準(zhǔn)腦電圖帽，采樣頻率為500 Hz，最終篩選出有效的62個EEG通道進行進一步的實驗研究，電極位置如圖7所示。在線記錄時使用FCz作為參考，離線時重新引用全球平均參考。通過在右眼上方放置電極獲得一個通道的眼電信號（electrooculography，EOG）。所有電極間阻抗保持在10 kΩ以下。采用0.05～100 Hz帶通濾波器對EEG和EOG信號進行濾波。采用獨立成分分析方法對眼電偽影進行校正。

表1數(shù)據(jù)集描述Table 1 Dataset description

本文從所采集的60位志愿者的數(shù)據(jù)中截取25 000個數(shù)據(jù)點，截取后的數(shù)據(jù)通過分段方式擴充樣本數(shù)。最終得到的每個樣本的格式為63×500，其中63表示實驗采用的通道數(shù)，500表示一個樣本有500個采樣點。另外，所有數(shù)據(jù)經(jīng)過小波去噪處理，所有數(shù)據(jù)輸入前經(jīng)過z-score標(biāo)準(zhǔn)化處理。

2.2 PLV相位同步性分析結(jié)果

大腦區(qū)域之間的靜息態(tài)功能連接可以提供有關(guān)抑郁病理生理學(xué)的更多信息[30]。本文使用圖論量化腦網(wǎng)絡(luò)。一個腦網(wǎng)絡(luò)可以表述為一個圖G=(V,E)，使用EEG電極作為網(wǎng)絡(luò)節(jié)點，每個導(dǎo)聯(lián)看作1個節(jié)點，通道之間的關(guān)系表示邊。為了更好地反映大腦之間連接的緊密程度，根據(jù)PLV矩陣構(gòu)建相位同步性功能網(wǎng)絡(luò)并進一步可視化該網(wǎng)絡(luò)。因為PLV的范圍從0到1，所以PLV值可以作為同步性度量在加權(quán)網(wǎng)絡(luò)分析中被用來表示連接強度。

研究表明，抑郁組和對照組的PLV值受頻率帶寬影響較大，因此需要將信號通過帶通濾波到感興趣的窄寬帶上再進行分析[31]。此外，F(xiàn)ingelkurts等人[32]發(fā)現(xiàn)抑郁癥幾乎影響整個大腦皮層的活動，表現(xiàn)為在較寬的頻率范圍（0.5～30 Hz）內(nèi)相對較大的腦震蕩成分。并且抑郁癥患者的腦電信號在δ、θ、α和β頻帶存在不同的振蕩[32-34]。因此本文使用帶通濾波器將信號過濾到這四個波段進行分析。功能連通性矩陣以二維矩陣的形式描述網(wǎng)絡(luò)中所有通道對之間的連通性。抑郁組和對照組所有受試者的PLV矩陣在四個頻段的平均結(jié)果顯示在圖8，PLV的值越接近于1說明信號之間的同步性越強。可以看到，高風(fēng)險抑郁組和低風(fēng)險對照組呈現(xiàn)出不同的連接模式，β波段的結(jié)果對比并不明顯且連接程度相對較低，而θ和α頻段顯示出較大的連接強度。先前對于不同的同步性測量方法的相關(guān)研究表明，抑郁患者和正常對照組的功能連接在θ和α頻帶中顯示出顯著差異[31-34]。為了能夠更直觀地展現(xiàn)網(wǎng)絡(luò)的特征，本文除了使用圖論將五種網(wǎng)絡(luò)特征作為評估網(wǎng)絡(luò)的指標(biāo)，還分別對PLV矩陣和五種網(wǎng)絡(luò)參數(shù)使用進行t檢驗分析，結(jié)果表明四個頻段下不同屬性均具有顯著性差異(p＜0.05)，具體數(shù)值如表2所示。相較其他兩個頻段，θ和α頻段組成的網(wǎng)絡(luò)連接統(tǒng)計學(xué)差異更明顯。

表2 不同頻段抑郁組和對照組不同屬性的p值Table 2 p values of different features for depression group and control group under different bands

針對θ和α頻段，圖9是二維PLV矩陣的三維可視化。由于腦功能網(wǎng)絡(luò)復(fù)雜且稀疏，有必要在網(wǎng)絡(luò)構(gòu)建過程中設(shè)定閾值。通過與所設(shè)閾值的比較，可去除相關(guān)性較小的邊，使腦功能網(wǎng)絡(luò)的連接關(guān)系更清晰。在本文中，閾值設(shè)置為0.75，保留PLV值大于0.75的連接強度來可視化腦網(wǎng)絡(luò)。在腦網(wǎng)絡(luò)拓撲圖中，線條的粗細和顏色的深淺表示節(jié)點間的連接強度，線條越粗代表連接緊密程度越大。圖9同時列出了兩種頻段下高風(fēng)險抑郁組和低風(fēng)險對照組連接強度大于0.75的電極通道對的個數(shù)、排名前三的電極通道對的名稱，以及相應(yīng)的PLV值。總體來看，α頻段的連接程度高于θ頻段。在θ頻段，低風(fēng)險對照組大腦右半球的連接緊密程度高于左半球，而高風(fēng)險抑郁組的連接緊密度較為均衡。在α頻段，抑郁組在左顳區(qū)的連接緊密度高于對照組。

2.3 基于不同方法的實驗結(jié)果

實驗通過Python3.7編程Keras框架Tensorflow后端實現(xiàn)。實驗環(huán)境：Intel?CoreTMi5-1035G1處理器，16 GB內(nèi)存，64位Windows10系統(tǒng)。

對數(shù)據(jù)集采用5次10折交叉驗證方案來評估相應(yīng)的分類性能。表3顯示了不同特征的具體數(shù)量。整個分類過程包括以下步驟：

（1）將整個數(shù)據(jù)集劃分為10個子集，選取9個子集作為訓(xùn)練集，其余作為測試集。

（2）根據(jù)Fopt選擇最優(yōu)特征組合。

（3）用訓(xùn)練集得到的最優(yōu)特征對分類器進行再訓(xùn)練。

（4）用測試集的最優(yōu)特征估計分類結(jié)果。

（5）重復(fù)前面步驟5次，計算平均分類準(zhǔn)確率。

表3用于抑郁識別的各特征數(shù)量Table 3 Number of features used for depression recognition

對于TCN分類器，輸入序列經(jīng)過一維卷積核作用得到時序特征序列，最后引入全連接層，在當(dāng)前時刻屬于某一類別的概率由Softmax計算。所有激活函數(shù)均使用ReLU。卷積核大小設(shè)置為3，學(xué)習(xí)率設(shè)置為0.002。關(guān)于對比模型，本文采用非深度學(xué)習(xí)模型SVM，選用高斯核且懲罰因子C=2；對于深度學(xué)習(xí)模型，采用多層感知器（multilayer perceptron，MLP）和雙向長短時記憶網(wǎng)絡(luò)（Bi-LSTM）進行二分類對比實驗，均使用Rmsprop優(yōu)化器來最小化交叉熵損失函數(shù)。為了防止神經(jīng)網(wǎng)絡(luò)過擬合，在最后一層全連接后使用0.3的Dropout，批量大小為100。

使用四種分類器分別結(jié)合F-score進行特征選擇，選出最優(yōu)特征集Fopt再得到平均訓(xùn)練結(jié)果，結(jié)果如圖10所示。本文所提模型在全頻帶內(nèi)的準(zhǔn)確率達到89.67%。從整體來看，本文所提策略不論在單個頻段還是全頻段的識別精度相比其他模型均有明顯提升。α頻段的分類精度都高于θ頻段。在θ頻段下，使用MLP和LSTM進行分類，比使用SVM得到的精度分別提升了約7個百分點和9個百分點。而使用TCN進行分類，精度則提升了約12.5個百分點。在α頻段下，使用MLP分類的精度比SVM提升了約8個百分點，使用LSTM分類的結(jié)果精度提升了約9個百分點，而使用TCN的精度提升了約14個百分點。

需要注意的是，使用不同的特征選擇方法可能會導(dǎo)致選擇的最優(yōu)特征子集存在一些差異，從而導(dǎo)致識別精度不同。例如，F(xiàn)-score利用可判別性作為選擇最優(yōu)特征子集的準(zhǔn)則，而最大相關(guān)性-最小冗余（mRMR）[35]根據(jù)互信息的最大統(tǒng)計依賴準(zhǔn)則選擇好的特征，ReliefF[18]算法是一種典型的Filter式特征選擇算法。因此本文進一步應(yīng)用文獻中的特征選擇方法進行對比實驗，分類器均采用TCN。結(jié)果如表4所示，雖然不同的特征選擇方法所選擇的最優(yōu)特征子集不同，但本文提出的F-score結(jié)合TCN模型策略的最優(yōu)特征集所得結(jié)果相比其他方法更好。

3 結(jié)束語

本文提出了一種基于EEG的腦網(wǎng)絡(luò)拓撲結(jié)構(gòu)和CSP特征融合的抑郁識別方法。通過計算多通道EEG信號的PLV鄰接矩陣構(gòu)建腦網(wǎng)絡(luò)，可以將非線性的EEG信號轉(zhuǎn)換為更加直觀的網(wǎng)絡(luò)參數(shù)，不僅有利于對信號的進一步研究，對臨床診斷抑郁癥也具有輔助作用。考慮到有一些冗余特征增加了噪聲和訓(xùn)練難度，本文通過F-score方法結(jié)合深度學(xué)習(xí)模型TCN對融合特征進行簡化，實驗結(jié)果表明本文所提方法可以提高抑郁識別的性能。TCN既有RNN的時序性又有CNN的并行計算的特點，結(jié)合因果膨脹卷積以及殘差連接，能夠適應(yīng)腦電信號的時序特征，克服網(wǎng)絡(luò)的梯度問題。另外，PLV相位同步性分析的結(jié)果表明，抑郁高風(fēng)險組和低分對照組在不同頻段的不同腦區(qū)上呈現(xiàn)出不同的模式。