模糊熵和深度學(xué)習(xí)在精神分裂癥中的應(yīng)用研究

田 程，胡 廷，曹 銳，相 潔

太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，太原030024

1 引言

精神分裂癥是一種病因未明的重性精神疾病，主要包括陽(yáng)性癥狀，如妄想、幻覺(jué)；以及陰性癥狀，如認(rèn)知障礙、思維紊亂等[1]，給社會(huì)和家庭帶來(lái)嚴(yán)重的負(fù)擔(dān)?？茖W(xué)研究表明：如果在患病早期能夠準(zhǔn)確診斷，有效治療之后，大多數(shù)患者的病情可以得到控制，甚至康復(fù)。所以近年來(lái)該疾病受到社會(huì)和家庭越來(lái)越多的重視。

腦電圖（EEG）是一種非侵入式和非放射性的工具，可長(zhǎng)期測(cè)量大腦功能，因此廣泛應(yīng)用于臨床疾病診斷。腦電反映大腦的活動(dòng)狀態(tài)，多用于輔助診斷大腦疾病，包括癲癇、阿爾茲海默癥、精神分裂癥等。同時(shí)，大腦是一個(gè)混沌系統(tǒng)，腦電信號(hào)具有非線性的復(fù)雜度特征，所以腦電信號(hào)的復(fù)雜性估計(jì)已經(jīng)被廣泛應(yīng)用于疾病研究中。之前的研究采用Lyapunov指數(shù)（L1），香濃熵（ShEn），近似熵（ApEn）和Lempel-Ziv復(fù)雜度（LZC）等非線性指標(biāo)發(fā)現(xiàn)精神分裂癥患者與健康被試之間存在顯著的復(fù)雜性差異[2]。在復(fù)雜性分析方法中，基于熵的算法是用于評(píng)估EEG規(guī)律性或可預(yù)測(cè)性的有效且穩(wěn)健的評(píng)估器。2007年，Chen等人[3]改進(jìn)了樣本熵算法，引入模糊集后定義了一種新的測(cè)量時(shí)間序列復(fù)雜度的方法——模糊熵（FuzzyEn）。研究結(jié)果表明：腦電信號(hào)中的熵值測(cè)量可能更適合捕獲人腦中不可察覺(jué)的變化。

最近，深度神經(jīng)網(wǎng)絡(luò)在圖像、視頻、語(yǔ)音和文本在內(nèi)廣泛的識(shí)別任務(wù)中取得了巨大的成就[4-5]。而卷積神經(jīng)網(wǎng)絡(luò)作為一種成熟的網(wǎng)絡(luò)結(jié)構(gòu)，近年來(lái)廣泛應(yīng)用于語(yǔ)音和圖像識(shí)別領(lǐng)域?；诰植扛惺芤昂蜋?quán)值共享等優(yōu)點(diǎn)，使得網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性大大降低，并且在腦電信號(hào)的檢測(cè)中也得到了深入的研究應(yīng)用[6-7]。

本文采用基于模糊熵和卷積神經(jīng)網(wǎng)絡(luò)的精神分裂癥腦電信號(hào)分析方法，首先使用模糊熵對(duì)δ（0～3 Hz）、θ（4～7 Hz）和α（8～13 Hz）三種頻段的腦電信號(hào)進(jìn)行特征提取，統(tǒng)計(jì)檢驗(yàn)后，選擇存在顯著性差異的電極作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，并優(yōu)化網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，進(jìn)一步從腦電數(shù)據(jù)中學(xué)習(xí)到更多的特征以提高分類精度?？傮w而言，所提出的方法旨在以熵和卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)來(lái)揭示健康被試和患者EEG信號(hào)復(fù)雜性的差異，為精神分裂癥的臨床診斷提供科學(xué)有效的思路和途徑。

2 材料與方法

2.1 研究對(duì)象

本實(shí)驗(yàn)所用的數(shù)據(jù)為來(lái)自北京回龍觀醫(yī)院的61名精神分裂癥患者和與之年齡相匹配的55名健康被試，兩組被試在年齡與性別以及受教育程度上均沒(méi)有統(tǒng)計(jì)學(xué)差異。所有患者均符合美國(guó)精神障礙診斷統(tǒng)計(jì)手冊(cè)第4版（DSM-IV）中關(guān)于精神分裂癥的診斷標(biāo)準(zhǔn)[8]，并且取得患者和家屬的同意。電極帽安放完畢后，被試靜坐于隔音實(shí)驗(yàn)室中，頭部和身體各部位保持靜止，并盡量避免眼球運(yùn)動(dòng)。被試信息如表1所示。

表1 被試信息表

2.2 數(shù)據(jù)記錄

本研究按照國(guó)際心理生理學(xué)會(huì)提出的腦電信號(hào)記錄原則與標(biāo)準(zhǔn)要求進(jìn)行，實(shí)驗(yàn)室內(nèi)隔音、安靜。使用BrainProducts公司的腦電記錄與分析系統(tǒng)，根據(jù)國(guó)際10/20系統(tǒng)記錄64導(dǎo)EEG信號(hào)。電極的安放位置如圖1所示。信號(hào)的采樣頻率為500 Hz，在安靜閉眼狀態(tài)下采集受試者的EEG信號(hào)。

圖1 國(guó)際10-20系統(tǒng)的電極位置

2.3 信號(hào)預(yù)處理

數(shù)據(jù)預(yù)處理通過(guò)Brain Vision Analyzer軟件執(zhí)行，首先對(duì)記錄的原始EEG信號(hào)進(jìn)行電極重參考，在事件相關(guān)電位（ERP）研究中不同的參考電極會(huì)產(chǎn)生不同的影響，因此選擇常用于ERP數(shù)據(jù)預(yù)處理的所有電極的平均值作為參考；其次采用大小為0.5～50 Hz的濾波器對(duì)腦電信號(hào)進(jìn)行濾波；眼電（EOG）對(duì)EEG信號(hào)影響很大，因此需要對(duì)由眼球運(yùn)動(dòng)或眨眼造成的肌肉影響進(jìn)行矯正，從EEG信號(hào)中減去受EOG影響的部分。首先尋找EOG的最大絕對(duì)值，將最大值的百分比（10%）定義為EOG偽跡，其次將超過(guò)EOG偽跡的電位識(shí)別為EOG脈沖，取平均后得到平均偽跡，并計(jì)算與其他電極之間的EEG傳遞系數(shù)，最后根據(jù)系數(shù)對(duì)造成影響的波段進(jìn)行校正；之后使用獨(dú)立成分分析（ICA）方法進(jìn)行偽跡去除，EEG信號(hào)包含由分離矩陣W混合而成的不同源信號(hào)，這些源信號(hào)包括自身活動(dòng)、噪聲等眾多干擾源。首先為了簡(jiǎn)化算法，將EEG信號(hào)進(jìn)行去均值操作，其次通過(guò)重復(fù)的迭代計(jì)算尋找適當(dāng)?shù)姆蛛x矩陣wi，使得函數(shù)N(si)獲取極大值，便可得到一個(gè)獨(dú)立分量si，分離過(guò)程中，不斷調(diào)整分離矩陣，直到相鄰兩次的wi無(wú)變化或者變化較小時(shí)，結(jié)束對(duì)該獨(dú)立分量的提取。重復(fù)上述分離過(guò)程，從EEG信號(hào)中減去每一個(gè)提取的獨(dú)立分量，最終將所有獨(dú)立分量分離出去；并將每個(gè)被試的時(shí)域數(shù)據(jù)截取60個(gè)長(zhǎng)度為1.4 s的時(shí)間片段；最后將數(shù)據(jù)以.eeg的形式導(dǎo)出。整個(gè)實(shí)驗(yàn)流程圖如圖2所示。

2.4 模糊熵

在樣本熵和近似熵算法中，由二值函數(shù)確定向量之間的相似性：

圖2 實(shí)驗(yàn)流程圖

給定一個(gè)輸入樣本，當(dāng)符合一定條件時(shí)，根據(jù)二值函數(shù)將被判斷屬于其中一類，反之屬于另一類。通常情況下，對(duì)于給定的一個(gè)樣本，是很難判斷其屬于哪一類的，便引入了模糊集。模糊熵使用模糊隸屬函數(shù)來(lái)測(cè)量向量之間的相似度，而不是基于樣本熵算法的二值函數(shù)[3]。該函數(shù)為指數(shù)函數(shù)，由于指數(shù)函數(shù)是連續(xù)函數(shù)，保證函數(shù)值不會(huì)像二值函數(shù)一樣產(chǎn)生突變，計(jì)算結(jié)果是平滑且連續(xù)的；并且與其他熵相比，模糊熵對(duì)相空間維數(shù)m和相似容限r(nóng)等參數(shù)具有較低的敏感度，所測(cè)值的魯棒性更高。該算法描述如下：

根據(jù)序列順序?qū)()i進(jìn)行相空間重構(gòu)，得到一組m維(m≤N-2)矢量，如下：

模糊隸屬函數(shù)如下：

n和r分別表示指數(shù)函數(shù)的梯度和寬度。定義函數(shù)φ(n,r)：

并以相同的方式重復(fù)上述步驟，可以根據(jù)序列的順序重建一組(m+1)維向量，將其定義為最后，序列長(zhǎng)度為N的時(shí)間序列的模糊熵可表示如下：

通常情況下，過(guò)大的相似性容限會(huì)導(dǎo)致時(shí)間序列中有用信息的丟失，過(guò)低的相似性容限又會(huì)增加噪聲的敏感度。在本研究中，通過(guò)進(jìn)行參數(shù)調(diào)優(yōu)，設(shè)置m=2，r=0.25×SD，其中SD為時(shí)間序列的標(biāo)準(zhǔn)偏差。

2.5 模糊熵特征提取

將預(yù)處理后的腦電數(shù)據(jù)分為δ（0～3 Hz）、θ（4～7 Hz）和α（8～13 Hz）三個(gè)頻段；將三個(gè)頻段的時(shí)間片段按照時(shí)間窗大小為400 ms，步長(zhǎng)（窗移）為50%，截取6小段。選取400 ms是由于模糊熵適合于短數(shù)據(jù)集的處理，時(shí)間序列不適合選取太長(zhǎng)，當(dāng)使用300 ms、400 ms、500 ms的時(shí)間窗分別進(jìn)行特征提取時(shí)，發(fā)現(xiàn)不同的長(zhǎng)度對(duì)實(shí)驗(yàn)是有影響的，在400 ms下健康被試和精神分裂癥患者的復(fù)雜度差異最大，所以最終選取400 ms作為時(shí)間窗大小。并嘗試了五種不同的步長(zhǎng)，分別是重復(fù)30%、40%、50%、60%、70%，結(jié)果顯示，步長(zhǎng)對(duì)實(shí)驗(yàn)結(jié)果的影響比較小，總體來(lái)說(shuō)在50%步長(zhǎng)下的結(jié)果是略好于其他情況的，所以選擇了50%的步長(zhǎng)；之后分別用模糊熵對(duì)每段400 ms的數(shù)據(jù)進(jìn)行復(fù)雜度特征提取，分別計(jì)算出健康被試和精神分裂癥患者在三種頻段下連續(xù)的六個(gè)時(shí)間窗的熵值。用雙樣本T檢驗(yàn)進(jìn)行統(tǒng)計(jì)分析，從所有電極中選擇出差異性最顯著的32個(gè)電極(p＜0.05)?？紤]到電極位置的空間分布特征，位于同一腦區(qū)的電極共同反映同一腦部活動(dòng)，所以將位于同一腦區(qū)的電極相鄰放置，進(jìn)行排序；將每個(gè)電極三個(gè)頻段的熵值按照時(shí)間窗的前后順序進(jìn)行排序，這樣每個(gè)樣本可以表示為32×18的矩陣。每個(gè)樣本對(duì)應(yīng)一個(gè)標(biāo)簽，患病為1，不患病為0。將其作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。如圖3所示為卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)影像圖。

3 CNN算法及網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)是一種用于生成特征層次結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，有兩大顯著特點(diǎn)：稀疏連接和權(quán)值共享[9]。稀疏連接用于提取圖像中不同區(qū)域的特征；權(quán)值共享則極大減少了網(wǎng)絡(luò)中訓(xùn)練參數(shù)的個(gè)數(shù)和訓(xùn)練時(shí)間，簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示。

3.1 卷積層

圖3 輸入數(shù)據(jù)影像圖

圖4 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

卷積層是網(wǎng)絡(luò)結(jié)構(gòu)的第一層，也是核心層。使用卷積核進(jìn)行掃描，將輸入神經(jīng)元與網(wǎng)絡(luò)權(quán)重相連，得到特定權(quán)值向量的特征圖。卷積操作可以極大地減少網(wǎng)絡(luò)參數(shù)，從而降低運(yùn)算量。利用激活函數(shù)進(jìn)行特征映射。激活函數(shù)加入了非線性因素來(lái)最大可能地保留數(shù)據(jù)的特征，本文中使用更優(yōu)的Relu函數(shù)作為激活函數(shù)，研究表明Relu函數(shù)使得運(yùn)算速度和運(yùn)算效果得到明顯提升。Relu函數(shù)表達(dá)式如下：

3.2 池化層

池化層的作用是將卷積運(yùn)算得到的某一位置的輸出由鄰近值來(lái)取代，從而減少運(yùn)算量。池化層中每個(gè)特征映射的平面上的神經(jīng)元具有相等的權(quán)重，所以池化運(yùn)算與卷積運(yùn)算是類似的，通過(guò)激活函數(shù)得到采樣層的輸出。目前常見(jiàn)的池化方法包括最大池化（max pooling）和平均池化（mean pooling）。本實(shí)驗(yàn)中由于特征之間的差異比較大，所以采用了最大池化方法。

3.3 全連接層

全連接層的作用是整合卷積池化操作后得到的特征向量，也就是將輸入的二維特征向量轉(zhuǎn)化成一維向量。歸一化處理后，輸出到下一層作為分類器的輸入。本實(shí)驗(yàn)將全連接層設(shè)置為兩層，用于提升網(wǎng)絡(luò)的學(xué)習(xí)效率，每層神經(jīng)元數(shù)量設(shè)置為256個(gè)。

3.4 Softmax分類器

Softmax分類器是一種有監(jiān)督的多分類器，是對(duì)邏輯回歸模型的改進(jìn)，得到的結(jié)果是一個(gè)概率值，即若存在樣本數(shù)據(jù)x，通過(guò)Softmax便可計(jì)算其屬于某一類的概率p，最終得到歸一化的分類概率值。

3.5 卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程

卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是一個(gè)不斷優(yōu)化網(wǎng)絡(luò)中眾多參數(shù)的過(guò)程，包括前向傳播與后向傳播。前向傳播過(guò)程中首先對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行批處理（Batch_size），通過(guò)卷積層、池化層以及激活函數(shù)的前向傳播后，得到輸入信號(hào)的實(shí)際輸出，此時(shí)完成了卷積神經(jīng)網(wǎng)絡(luò)的第一階段的學(xué)習(xí)；在前向?qū)W習(xí)過(guò)程中，卷積核與偏置的值均為初始化值，所以實(shí)際輸出結(jié)果與真實(shí)結(jié)果之間存在一定的誤差，為了降低誤差，需要計(jì)算平均誤差代價(jià)函數(shù)來(lái)不斷地更新權(quán)重與偏置，該過(guò)程為卷積神經(jīng)網(wǎng)絡(luò)第二階段的學(xué)習(xí)。最終得到最優(yōu)的網(wǎng)絡(luò)學(xué)習(xí)模型。

本研究基于Theano框架評(píng)估了不同深度VGG風(fēng)格的卷積神經(jīng)網(wǎng)絡(luò)配置。如圖5所示，表中卷積層參數(shù)表示為Conv＜接收域大?。荆純?nèi)核數(shù)＞，A模型只涉及到兩個(gè)疊加在一起的卷積層（Conv3-32）；B模型在A模型基礎(chǔ)上添加了兩個(gè)卷積層（Conv3-64）；C模型在B模型的基礎(chǔ)上，再添加一個(gè)卷積層（Conv3-128）；模型D和模型C的不同之處在于第一個(gè)池化層前提供了四層卷積。最后在所有模型中添加兩層含有256個(gè)節(jié)點(diǎn)的完全連接層，并使用Softmax函數(shù)作為分類器。

圖5 不同CNN模型的配置信息

為了防止神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過(guò)程中出現(xiàn)過(guò)擬合，本研究將Dropout技術(shù)引入到全連接層中。該技術(shù)可提高參數(shù)的泛化能力，從而防止訓(xùn)練參數(shù)對(duì)訓(xùn)練數(shù)據(jù)集的重度依賴[10]。經(jīng)過(guò)參數(shù)調(diào)優(yōu)，將學(xué)習(xí)率設(shè)置為0.01，Dropout的值設(shè)置為0.5，卷積核的大小為3×3，設(shè)置的迭代次數(shù)為20次。本實(shí)驗(yàn)采用了k-折交叉驗(yàn)證，k選取為10。訓(xùn)練集和驗(yàn)證集比例為9∶1。訓(xùn)練集用于訓(xùn)練擬合模型；驗(yàn)證集用于選擇訓(xùn)練中得到的分類效果最優(yōu)模型的參數(shù)，并進(jìn)行參數(shù)調(diào)整；另外使用未參加過(guò)訓(xùn)練和驗(yàn)證過(guò)程的測(cè)試集來(lái)評(píng)價(jià)通過(guò)訓(xùn)練集和驗(yàn)證集得到的最優(yōu)模型的性能與分類能力。最后將交叉驗(yàn)證的分類結(jié)果進(jìn)行平均。

4 結(jié)果與分析

4.1 熵值特征

如圖6所示為第一個(gè)時(shí)間窗（400 ms）的三種頻段中模糊熵特征的腦地形圖，從圖中可以看到，在三個(gè)頻段下，精神分裂癥患者的熵值普遍高于健康被試。并且全腦的差異性很大。模糊熵是一種測(cè)量腦電信號(hào)中出現(xiàn)新模式概率的非線性方法，生成新模式的概率與腦電信號(hào)的復(fù)雜度呈正相關(guān)。相比于健康被試，精神分裂癥患者由于自身大腦中的神經(jīng)元處于興奮和活躍狀態(tài)，神經(jīng)元做無(wú)序運(yùn)動(dòng)，所以患者大腦中產(chǎn)生新模式的概率較大，腦電信號(hào)的復(fù)雜性更高。統(tǒng)計(jì)檢驗(yàn)的結(jié)果表明，兩組之間在很多腦區(qū)中存在顯著差異(t＜-15.159,p＜0.05)。而模糊熵具有更好的魯棒性以及連續(xù)性，因此認(rèn)為模糊熵作為輸入特征進(jìn)行分類能有效地區(qū)分健康被試和精神分裂癥患者。

圖6 模糊熵腦地形圖

4.2 常規(guī)分類結(jié)果

本實(shí)驗(yàn)中首先使用了三種該領(lǐng)域常用的機(jī)器學(xué)習(xí)分類算法，包括支持向量機(jī)（SVM）、樸素貝葉斯（NB）以及隨機(jī)森林（RF）。并且對(duì)分類器中的參數(shù)進(jìn)行調(diào)優(yōu)。SVM分類器的參數(shù)比較多，其中最重要的是懲罰參數(shù)c和核函數(shù)參數(shù)g兩個(gè)參數(shù)。首先使用RBF核函數(shù)，研究表明該核函數(shù)相對(duì)穩(wěn)定，其次對(duì)于一組取定的c和g，利用十折交叉驗(yàn)證的方法，選取準(zhǔn)確率最高的那組c和g作為最佳參數(shù)，SVM分類器的參數(shù)為：c=1.0，g=0.125；NB分類器中主要選擇參數(shù)估計(jì)方法，有極大似然估計(jì)和貝葉斯估計(jì)。由于極大似然估計(jì)可能導(dǎo)致估計(jì)出的概率為0，會(huì)影響后驗(yàn)概率的結(jié)果，所以NB分類器使用貝葉斯估計(jì)；RF分類器中有三個(gè)比較重要的參數(shù)，分別是最大特征數(shù)max_features、子樹(shù)數(shù)量n_estimators和最小樣本葉min_sample_leaf，使用交叉驗(yàn)證的方法得到不同參數(shù)組合下的分類準(zhǔn)確率，并選擇準(zhǔn)確率最高的參數(shù)組合作為最佳參數(shù)，RF的參數(shù)為max_features=auto、n_estimators=60、min_sample_leaf=30。三種分類器的分類結(jié)果如表2所示。從表2中可以看到，三種分類器中分類效果最好的是SVM分類器，準(zhǔn)確率達(dá)到了91.3%，而另外兩種分類器的分類準(zhǔn)確率分別為89.7%和87.6%。但是這三種分類器無(wú)法獲取輸入數(shù)據(jù)更深層次的隱含信息，分類準(zhǔn)確率無(wú)法達(dá)到理想的效果。

表2 傳統(tǒng)分類器的分類結(jié)果比較

4.3 深度學(xué)習(xí)分類結(jié)果

通過(guò)多次實(shí)驗(yàn)選擇了四種不同深度的卷積神經(jīng)網(wǎng)絡(luò)框架。遵循VGG風(fēng)格體系結(jié)構(gòu)[11]，在每一層中選擇合適的過(guò)濾器的數(shù)量，并且用較小接受域進(jìn)行卷積操作。這四種模型的最終分類結(jié)果如表3所示，從表3中可以看到，不同深度的卷積神經(jīng)網(wǎng)絡(luò)的分類結(jié)果之間存在一定的差異。首先C＜2，2，1＞模型的分類準(zhǔn)確率最高，并且準(zhǔn)確率遠(yuǎn)高于傳統(tǒng)分類器，驗(yàn)證集的準(zhǔn)確率為99.23%，測(cè)試集的準(zhǔn)確率為99.16%；D＜4，2，1＞與B＜2，2，0＞模型的準(zhǔn)確率都低于上述模型；而A＜2，0，0＞模型的分類準(zhǔn)確率最低，驗(yàn)證集準(zhǔn)確率只有89.09%。4種模型的準(zhǔn)確率箱圖如圖7所示，從圖7中可以觀察到不管是驗(yàn)證集還是測(cè)試集，C＜2，2，1＞模型的準(zhǔn)確率分布情況均優(yōu)于其他三種模型。以上結(jié)果表明神經(jīng)網(wǎng)絡(luò)的深度太深或者太淺都不能使分類效果達(dá)到最優(yōu)狀態(tài)，需要不斷調(diào)試。

表3 不同深度CNN的分類結(jié)果比較

如圖8所示為網(wǎng)絡(luò)結(jié)構(gòu)為C＜2，2，1＞模型的準(zhǔn)確率曲線圖和損失曲線圖。從圖中的分類準(zhǔn)確率曲線可以看到，迭代次數(shù)不斷增加，驗(yàn)證和測(cè)試準(zhǔn)確率均呈現(xiàn)上升趨勢(shì)，并且當(dāng)?shù)螖?shù)達(dá)到15次時(shí)，準(zhǔn)確率趨于穩(wěn)定，達(dá)到了99%以上；與準(zhǔn)確率曲線相反，訓(xùn)練損失、驗(yàn)證損失以及測(cè)試損失在逐步減小，并且當(dāng)?shù)螖?shù)達(dá)到15次的時(shí)候，損失都達(dá)到平穩(wěn)狀態(tài)。訓(xùn)練得到的模型性能在驗(yàn)證集和測(cè)試集上效果都顯著是實(shí)現(xiàn)良好擬合的基礎(chǔ)，可以通過(guò)訓(xùn)練損失和驗(yàn)證損失同時(shí)下降并最終達(dá)到穩(wěn)定狀態(tài)進(jìn)行判斷，所以本實(shí)驗(yàn)訓(xùn)練得到的模型實(shí)現(xiàn)了良好擬合。

圖7 驗(yàn)證集和測(cè)試集的箱圖

圖8 準(zhǔn)確率和迭代損失曲線圖

本實(shí)驗(yàn)中，卷積神經(jīng)網(wǎng)絡(luò)融合了腦電信號(hào)的非線性特征、時(shí)域、空域以及頻域信息，經(jīng)過(guò)模型優(yōu)化，實(shí)驗(yàn)結(jié)果證明了本文模型在訓(xùn)練學(xué)習(xí)過(guò)程中的有效性。雖然該方法不是直接對(duì)原始EEG時(shí)間序列進(jìn)行操作，但是通過(guò)從EEG中提取模糊熵作為非線性特征，能夠發(fā)現(xiàn)EEG中更加隱含的信息。

4.4 同類研究比較

將本文的方法與其他關(guān)于精神分裂癥的分類研究進(jìn)行比較。比較結(jié)果如表4所示。文獻(xiàn)[12]中通過(guò)記錄多通道腦磁圖（MEG）信號(hào)，并提取了最具識(shí)別性的δ、θ和α波段的功率譜值作為特征，使用SVM分類器進(jìn)行分類，分類準(zhǔn)確率為91.8%；文獻(xiàn)[13]中采用互信息技術(shù)進(jìn)行通道選擇，該技術(shù)用于確定信息量更大的通道，從而獲取更好的識(shí)別能力，自相關(guān)（AR）系數(shù)、頻帶功率以及分形維數(shù)作為信號(hào)的特征，最后使用Adaboost分類器進(jìn)行分類，結(jié)果為91.94%；文獻(xiàn)[14]中使用一種棧式自動(dòng)編碼器對(duì)患者和健康被試的功能性磁共振成像（fMRI）數(shù)據(jù)進(jìn)行分類，分類準(zhǔn)確率為92.00%；文獻(xiàn)[15]中將離散小波變換（DWT）應(yīng)用于EEG信號(hào)，提取的相對(duì)小波能量特征被傳遞到分類器用于分類，最后通過(guò)SVM、多層感知器以及K-最近鄰分類器實(shí)現(xiàn)98%的分類準(zhǔn)確率。但是本研究相較于以上研究，分類準(zhǔn)確率得到了明顯的提升。

表4 與其他分類結(jié)果的比較

5 結(jié)束語(yǔ)

模糊熵是一種基于復(fù)雜性的時(shí)間序列分析方法，模糊隸屬函數(shù)使得測(cè)量的結(jié)果連續(xù)且平穩(wěn)，能夠使用較短的時(shí)間序列獲得穩(wěn)健的測(cè)量值，并且魯棒性得到了很大提升。由于腦電信號(hào)的非線性特征，使用模糊熵可以提取出時(shí)間序列中更加隱含的信息。

本文提出了一種結(jié)合模糊熵和卷積神經(jīng)網(wǎng)絡(luò)的腦電信號(hào)分類方法，將腦電信號(hào)進(jìn)行分頻處理，之后將各個(gè)頻段的每段時(shí)間序列分別用模糊熵提取信號(hào)的復(fù)雜度特性，選擇存在顯著差異的電極，并將熵值按照先后順序排列構(gòu)成影像圖，作為神經(jīng)網(wǎng)絡(luò)的輸入，可以學(xué)習(xí)到信號(hào)中更深層次的信息。最后使用Softmax分類器進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，復(fù)雜度可以更好地提取健康被試和精神分裂癥患者中腦電信號(hào)的非線性特征，并能夠檢測(cè)到兩類被試間存在的顯著差異，通過(guò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)調(diào)優(yōu)和性能優(yōu)化，訓(xùn)練出更優(yōu)的模型，最后分類結(jié)果顯示，與傳統(tǒng)的分類算法相比，該方法下分類準(zhǔn)確率得到明顯提升。該方法能夠更好地輔助精神分裂癥的臨床診斷，并可以應(yīng)用到其他疾病診斷中，為臨床疾病診斷提供更加科學(xué)高效的措施。