具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前常用的检测方法有如下问题：通过行为与环境进行检测判断需要记录一段时间内的症状，导致检测周期长，检测效率低；而采用脑电信号进行检测，需要处理的数据量大，冗余量大，数据处理难，不但处理时间长，而且检测准确率低。

为了解决上述问题，下面将通过以下具体的实施例对本申请实施例提供的一种基于睡眠脑网络的抑郁症患者数据分类方法进行详细介绍和说明。

参照图1，示出了本发明一实施例提供的一种基于睡眠脑网络的抑郁症患者数据分类方法的流程示意图。

其中，作为示例的，所述基于睡眠脑网络的抑郁症患者数据分类方法，可以包括：

S11、获取待检测对象的睡眠脑网络的脑电数据，所述脑电数据包括若干导脑电图通道数据。

在本实施例中，所述脑电数据可以包括用户的多导脑电图通道数据，该脑电图通道数据为用户睡眠时的脑电波。睡眠时的脑电图通道数据的采集简单，而且不会影响用户的日常生活，方便用户进行检测，可以提高检测效率。

参照图2，示出了本发明一实施例提供的睡眠脑网络的睡眠时期分类图。在实际操作中，睡眠可以分为不同的时期。具体地，可以将睡眠期分成Wake期(清醒期)、REM期(快速眼动睡眠期)、NREM期(非快速眼动睡眠期)，其中NREM期可以包括N1期、N2期、N3期。

在获取脑电图通道数据后，分别将脑电图通道数据划分成Wake期、REM期、N1期、N2期和N3期，再分别对每一期的脑电数据进行检测，从而减少脑电数据的处理量，提高数据的处理效率。

在采集不同时期的脑电数据时，数据与数据间容易相互造成干扰，而且数据的冗余量与重叠量较多，为了减少多余的数据，在本实施例中，步骤S11可以包括以下子步骤：

子步骤S111、获取待检测对象睡眠脑网络的若干导脑电图通道数据，所述若干导脑电图通道数据包括患者的M导脑电图通道数据和正常用户的M导脑电图通道数据，其中M为大于或等于1的正整数。

参照图3，示出了本发明一实施例提供的大脑通道功能连通性图。为了提高检测的准确率，在本实施例中，可以获取用户的多导脑电图通道数据，再通过多导脑电图通道数据进行患病检测。同时为了能区分患病用户与正常用户的区别，在实际操作中，可以分别获取患者和用户的脑电图通道数据。

具体地，可以分别患者的16导脑电图通道数据和用户的16导脑电图通道数据。为了方便处理，可以分别标记16导脑电图通道数据为FP1，FP2，F3，F4，F7，F8，C3，C4，P3，P4，O1，O2，T3，T4，T5，T6。

子步骤S112、分别从每导脑电图通道数据中提取异常数据，并删除每导脑电图通道数据中的异常数据，得到若干导清晰通道数据。

为了减少重叠的数据和干扰的数据，可以从导脑电图通道数据删除异常数据，从而减少数据的冗余量。

例如，以30秒脑电波形为一个脑电图通道数据，检测脑电波形中的伪影波形或重叠波形，再从脑电波形中删除伪影波形或重叠波形。

子步骤S113、采用预设的滤波器对所述若干导清晰通道数据进行滤波处理，得到预设的脑电数据。

由于脑电波δ、θ、α和β的频率范围分别为0.5-4、4-8、8-12、12-32Hz，在处理完脑电波中的异常数据后，可以采用预设的零相移巴特沃斯带通滤波器(0.5-60Hz)对脑电波进行滤波处理，得到对应的脑电数据。

通过滤波器进行滤波，可以进一步清除数据中的干扰信号，从而可以提高检测的准确率。

S12、采用WPLI算法对所述若干导脑电图通道数据进行相位同步计算，得到相位特征集。

在得到若干导脑电图通道数据后，可以对若干导脑电图通道数据进行相位同步计算，得到相位特征集，通过相位特征集可以确定用户睡眠脑网络的功能连通性。

在本实施例中，该WPLI算法为加权相位滞后指数算法。该WPLI算法可以对互功率谱的虚部对信号进行加权，提高了对噪声源的抗干扰能力和对相位同步变化的灵敏度，能够有效准确地评估抑郁症睡眠网络的功能连通性。

为了提高计算效率，其中，作为示例的，步骤S12可以包括以下子步骤：

子步骤S121、采用WPLI算法计算所述若干导脑电图通道数据两两之间的通道相位差，得到若干个相位差值。

例如，脑电图通道数据包括16导，可以先计算第一导脑电图通道数据与第二至第十六导脑电图通道数据相互之间的通道相位差，接着计算第二导脑电图通道数据与第三至第十六导脑电图通道数据相互之间的通道相位差，如此类推，直到计算第十五导脑电图通道数据与第十六导脑电图通道数据之间的通道相位差。

具体地，所述WPLI算法的计算公式如下：

其中WPLI_i，j，τ介于0～1之间，E{·}是期望值操作符，Δω_i，j，τ为节点i与j的相位差，Δω_i，j，τ的计算如下式所示：

Δω_i，j，τ＝ω_i(τ)-ω_j(τ)。

子步骤S122、分别计算所述若干个相位差值对应的正弦值，得到若干个正弦值。

在计算得到若干个相位差值后，可以分别计算每个相位差值的正弦值，得到若干个正弦值。

子步骤S123、将所述若干个正弦值集合生成相位特征集。

可以以若干个正弦值为脑电图通道数据的特征值，再将若干个正弦值集合生成相位特征集。该相位特征集为若干个正弦值的集合。

S13、采用预设的筛选算法对所述相位特征集进行筛选，得到筛选特征集。

采用预设的筛选算法对相位特征集进行筛选，可以对相位特征集内的各个特征值进行分类和排序，剔除非必要特征值，减少检测所需的数据量，提高处理效率。

为了能进一步提高筛选效率，其中，作为示例的，步骤S13可以包括以下子步骤：

子步骤S131、采用预设的筛选算法对所述相位特征集的每一个相位特征值进行评测，得到若干个评测特征值。

具体地，预设的筛选算法可以包括Fisher score算法和Pearson Correlation算法，可以采用Fisher score算法对所述相位特征集的每一个相位特征值进行评分，得到评测特征值。该评测特征值可以是一个分数值，例如，5分、10分。可以采用PearsonCorrelation算法对所述相位特征集的每一个相位特征值进行分类，可以区分该相位特征值为患病特征值，该相位特征值为正常特征值，并在区分患病特征值和正常特征值后，对相位特征值打标签，从而便于后续的区分和筛选。

在进行评分和分类后，可以对各个相位特征集内的相位特征值按照其分数值的大小进行排序。具体地，可以按照从高到低进行排序，也可以从低到高进行排序，具体可以根据实际需要进行调整。

子步骤S132、根据预设的百分比从所述若干个评测特征值中提取N个评测特征值，将所述N个评测特征值集合生成筛选特征集，其中N为大于或等于1的正整数。

对若干个评测特征值按照分数值进行排序后，可以提取预设百分比的评测特征值，再将N个评测特征值集合生成筛选特征集。

例如，评测特征值有100个，可以提取数值前10％的评测特征值，再将10％的评测特征值集合生成筛选特征集。

S14、对所述筛选特征集进行二分类检测，得到分类结果。

在生成筛选特征集后，可以对筛选特征集进行二分类检测，将筛选特征集分类为患病类别或正常类别，从而得到患病分类结果或正常分类结果，最后供医护人员作参考使用。

为了进一步提高检测的准确率，其中，作为示例的，步骤S14可以包括以下子步骤：

子步骤S141、将所述筛选特征集输入至预设的支持向量机中，供所述预设的支持向量机采用预设的线性函数、多项式函数和高斯函数对所述筛选特征集进行二分类检测，得到患病分类结果或正常分类结果。

具体地，该支持向量机可以包括三个分类器，每个分类器可以对应一个函数。然后将筛选特征集输入三个分类器，三个分类器可以分别对筛选特征集进行分类检测，并根据分类结果进行打标签，得到患病分类结果或正常分类结果。

为了判断分类的准确性，其中，作为示例的，所述方法还可以包括以下步骤：

S15、从所述N个评测特征值随机提取N-1个评测特征值，将所述取N-1个评测特征值集合成特征训练集。

S16、采用所述特征训练集对非提取的评测特征值进行分类验证，得到验证准确值。

S17、分别计算每个评测特征值对应的验证准确值，得到N个验证准确值。

S18、计算所述N个验证准确值的平均值，得到验证平均值。

在本实施例中，可以有多少个评测特征值就做多少次验证，例如，有N个评测特征值就做N次。

具体地，从N个评测特征值随机提取N-1个评测特征值作为训练集，将剩下的1个评测特征值作为测试集，采用训练集对测试集进行验证检测，得到验证分数值。然后按照上述步骤重复执行N次，得到每个评测特征值对应的验证分数值，最后将每次验证得出的验证分数值取平均得到最后的验证结果值，再利用验证结果值与预设值进行比较，当验证结果值大于预设值时，可以判断检测结果准确，反之，则判断不准确。

在本实施例中，本发明实施例提供了一种基于睡眠脑网络的抑郁症患者数据分类方法，其有益效果在于：本发明可以将采用WPLI算法表征脑网络的功能连通性，再通过特征值确定检测对象是否为抑郁症患者，大大减少信号干扰，提高检测准确率，同时整个过程简单快捷，通过采集检测对象的睡眠网络的脑电信号，可以一定程度上能减轻检测对象检测时的生理负担和心理负担，从而让检测数据更能符合检测对象的实际情况，从而进一步提高检测准确率。

本发明实施例还提供了一种基于睡眠脑网络的抑郁症患者数据分类装置，参见图4，示出了本发明一实施例提供的一种基于睡眠脑网络的抑郁症患者数据分类装置的结构示意图。

其中，作为示例的，所述基于睡眠脑网络的抑郁症患者数据分类装置可以包括：

获取模块401，用于获取待检测对象的睡眠脑网络的脑电数据，所述脑电数据包括若干导脑电图通道数据；

相位计算模块402，用于采用WPLI算法对所述若干导脑电图通道数据进行相位同步计算，得到相位特征集；

筛选模块403，用于采用预设的筛选算法对所述相位特征集进行筛选，得到筛选特征集；

检测模块404，用于对所述筛选特征集进行二分类检测，得到分类结果。

进一步的，所述相位计算模块还用于：

采用WPLI算法计算所述若干导脑电图通道数据两两之间的通道相位差，得到若干个相位差值；

分别计算所述若干个相位差值对应的正弦值，得到若干个正弦值；

将所述若干个正弦值集合生成相位特征集。

进一步的，所述WPLI算法的计算公式如下：

其中WPLI_i，j，τ介于0～1之间，E{·}是期望值操作符，Δω_i，j，τ为节点i与j的相位差，Δω_i，j，τ的计算如下式所示：

Δω_i，j，τ＝ω_i(τ)-ω_j(τ)。

进一步的，所述筛选模块还用于：

采用Fisher score和Pearson Correlation算法对所述相位特征集的每一个相位特征值进行评测，得到若干个评测特征值；

根据预设的百分比从所述若干个评测特征值中提取N个评测特征值，将所述N个评测特征值集合生成筛选特征集，其中N为大于或等于1的正整数。

进一步的，所述检测模块还用于

将所述筛选特征集输入至预设的支持向量机中，供所述预设的支持向量机采用预设的线性函数、多项式函数和高斯函数对所述筛选特征集进行二分类检测，得到患病分类结果或正常分类结果。

进一步的，所述装置还包括：

提取模块，用于从所述N个评测特征值随机提取N-1个评测特征值，将所述取N-1个评测特征值集合成特征训练集；

校验模块，用于采用所述特征训练集对非提取的评测特征值进行分类验证，得到验证准确值；

计算准确值模块，用于分别计算每个评测特征值对应的验证准确值，得到N个验证准确值；

计算平均值模块，用于计算所述N个验证准确值的平均值，得到验证平均值。

进一步的，所述获取模块还用于：

获取待检测对象的睡眠脑网络的睡眠脑电数据，所述睡眠脑电数据包括患者的M导脑电图通道数据和正常用户的M导脑电图通道数据，其中M为大于或等于1的正整数；

分别从每导脑电图通道数据中提取异常数据，并删除每导脑电图通道数据中的异常数据，得到若干导清晰通道数据；

采用预设的滤波器对所述若干导清晰通道数据进行滤波处理，得到待检测对象的睡眠脑网络的脑电数据。

进一步的，本申请实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例所述的基于睡眠脑网络的抑郁症患者数据分类方法。

进一步的，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述实施例所述的基于睡眠脑网络的抑郁症患者数据分类方法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。