本文是一篇计算机论文，本文提出通过构造可信度的决策层融合方法。基于近邻算法中局部样本空间信息的思想，利用第三章中的Sc-score，用于构造测试样本的可信度，并利用多层感知机实现在决策层的融合。
第1章绪论
1.1研究背景及意义
抑郁症（Major Depressive Disorder,MDD）作为一种常见的精神疾病，已经深深影响到了患者的日常生活。根据世界卫生组织2017年发布的《抑郁症及其他常见精神障碍》报告结果显示：目前，世界范围内预计有超过3亿人患有抑郁症，全球的发病率在4.4%左右[1]。抑郁症会造成人们的生活质量显著降低，并且严重影响人们的工作效率，严重的患者还有自杀的倾向，抑郁症患者的终生自杀率约为6%，是普通人群的20倍[2]。据研究表明，患有抑郁症的病人中有58%患者有过自杀意念[3]。并且，近年来抑郁症有愈发年轻化的趋势，很多大学生，青少年甚至儿童都出现了因患有抑郁症而企图自杀的行为[4]。因此抑郁症给个人，家庭，社会都带来了严重的灾难性后果。
近年来，MDD因其高发病率，且对个体和社会具有重大影响而受到越来越多的关注。但是，目前MDD诊断检测存在以下问题：（1）MDD的诊断通常依赖于临床医生的主观判断，由于不同医生的专业背景、经验和认知差异，导致诊断的主观性和不一致性，造成错诊，漏诊，使患者错失最佳干预期[5]。（2）MDD诊断主要依靠患者的症状自述和医生的观察和询问，缺乏客观可量化的生物学指标[6]。（3）传统MDD诊断需要长时间的面谈和观察，且诊断过程繁琐，患者需要花费大量时间填写精神状态评估表，诊断成本高，效率低下[7]。（4）MDD的症状与其他疾病的症状有重叠，例如焦虑症、双相情感障碍等，因此难以进行准确的鉴别诊断[8]。
鉴于当前MDD诊断中所存在的许多问题和困难，需要有更为客观、高效，便捷的诊断方法。目前，利用静息态脑电信号（Electroencephalogram，EEG）作为辅助诊断依据，是具有研究意义与应用价值的[9]。随着医学科学的发展，越来越多的临床医生开始对神经系统疾病进行客观检测并制定及时的治疗方案，而脑电分析技术就成为了一种可行的方法[10]。自首次对人头皮神经元的活动记录进行描述以来[11]，脑电图在神经精神疾病中的可能用途就一直被广泛研究。EEG是从头皮表面电极记录到的生物电信号，反映了大脑皮层神经元的电活动[12]。它是一种连续、不规则的电位波动，是生物物理现象在神经元群体水平上的直接反映[13]。并且，EEG具有时间分辨率高、灵敏度高、经济、实用、易于操作的特点，非常适合于抑郁症的研究[14]。
1.2研究现状
目前，针对MDD患者分类诊断研究主要是在特征层或决策层上，而在决策层融合前，首先需要在特征层进行特征提取，并训练分类器。而本文是基于EEG数据，提出的关于决策层融合的方法。因此，本小节将分别介绍基于EEG的MDD识别研究现状，特征提取方法研究现状，以及决策层融合研究现状，并指出当前在决策层融合领域存在的一些不足。
1.2.1基于脑电数据的抑郁识别研究现状
目前，通过对MDD患者与健康人脑电进行组间差异比较与分析，以协助诊断这一研究，已全部展开。有研究通过对MDD患者和正常人的静态脑电的相对功率谱密度分析，得出在特定频段存在明显的组间差异的结论[20]。孙舒婷等人在其发表的一篇论文中，研究了静息额叶脑电信号偏侧化可以预测个体抑郁水平[21]。Fitzgerald及其他学者在文章中建议，在特定条件下，特定频段内节律可将正常人与MDD患者区别开来[22]。Koo等人的研究发现，和健康对照组比较，MDD被试左半球α活动高度较高[23]。Hosseinifard等对90名测试对象进行了研究，验证了α，θ波段对MDD及健康对照组有很好的鉴别作用，并将以往符合这些频段的脑电数据和情绪处理联系起来进行研究[24]。Hussain等人，通过比较自杀意念少的抑郁被试，以及具有自杀意念强的抑郁被试，发现所有被试全夜睡眠α活动升高[25]。并且关于脑电的预处理方法基本也形成了体系，目前来看，研究较为成熟的还是低频方面，且脑电中高频部分因其采集方法存在固有缺陷，难以收集有数理意义信号。所以，除很少一部分探索性研究之外，多数脑电研究仍侧重于从时域或频域角度考察脑电信号中低频内容。
第2章相关方法及数据预处理
2.1脑电技术理论概述
人的大脑是个非常复杂的器官，由大约860亿个神经元构成，这些神经元之间以突触的方式进行交流。这些突触产生微小的电信号，即突触后电位。在大量神经元的同时启动下，将形成强电场，可在组织，骨骼，颅骨等处扩散，并且最后形成能在头皮表面上被检测到的信号，即脑电信号（Electroencephalography，EEG）。1929年汉斯-伯格（Hans Berger）首次使用EEG观察心理活动[65]。但直到1935年，科学界对脑电图这一客观实际才有所了解。这是一种连续的、不可预测的电势波动，直接反映了神经元群体水平上生物物理现象[66]。EEG具有很高的时间分辨率，可以达到毫秒级别，因此其可以用于动态脑功能的评估，并且被认为是目前检测脑功能较为敏感的指标之一[67]。在计算机技术不断发展的今天，已经能够对EEG进行定量分析，并广泛应用于多个医学领域，尤以精神障碍相关疾病为甚，很多学者把它用于抑郁症，癫痫的治疗、在阿尔兹海默症和其他神经疾病方面进行了辅助诊断。就当前主流研究而言，根据脑电频率的不同，脑电波可分为5个波段：Delta波(δ，0.5∼4Hz)：多见于婴幼儿脑内，成人在深度睡眠或昏迷状态下，在麻醉状态下也记录了这一频段[68]。Theta波(θ，4∼8Hz)：有关研究显示，Theta波和人类精神状态密切相关，并且对比其他波，该波比较复杂，不只存在于幼儿及青少年，而当成年人觉得累，但是意识很清醒时也会出现[69]。Alpha波(α，8∼13Hz)，Alpha波被认为是正常人脑电波的基本节奏，常发生于大人静闭双眼或者放松的时候[70]。Beta波(β，13∼30Hz)：一种快波，正常人处在极度紧张或者精神兴奋的状态、亢奋时就会出现该波，等人精神状态渐渐恢复到正常时候，这种波还将缓慢地被别的波所代替。有关研究还显示，Beta波和人们平时注意力水平相关[71]。Gamma波(γ，大于30Hz)：人们在集中注意力时往往会出现这种脑电波，同时，它也与人的多感知处理活动有关。
2.2数据描述
2.2.1数据来源
本文使用的EEG数据来自兰州大学MODMA数据库，该数据集为精神障碍的诊断与治疗提供了新的思路与方法[73]。数据集的被测试者包括临床抑郁症患者(由医院的精神科医生诊断和挑选)和正常人群对照组。数据集包括全导128电极的脑电实验数据、可穿戴的3导脑电实验数据以及语音实验数据三个部分。本文使用的是静息状态下的128导脑电信号，共有两组受试者，分别为抑郁症组和正常对照组。抑郁症组包含了24名重度抑郁症患者（男女比例为11:13，年龄为30±10岁），正常对照组则包括了29名健康志愿者（男女比例为9:20，年龄为31±9岁）。本研究所招募的抑郁症患者均来自中国甘肃省兰州大学第二医院精神科，由专业精神科医生进行诊断和推荐。在本研究中，一位经验丰富的临床精神病学家使用PHQ-9抑郁症筛查量表对参与面谈的受试者进行评分，以评估其焦虑、一般焦虑和抑郁水平。PHQ-9分数与预期一致，抑郁症组的平均PHQ-9分数为18.33，正常对照组的平均分数为2.66。具体的统计数据可以见表2.1。本研究获得了当地伦理委员会的批准，并在研究开始前向所有参与者发放了书面知情同意书，以确保研究的道德合法性。通过这些措施，本研究保证了受试者在研究过程中的权益和安全。对于受试者的个人信息和隐私，本研究也进行了保密处理，以遵循相关的法律法规和伦理要求。
第3章基于Sc-score的决策层融合方法.................23
3.1研究动机.............................23
3.2决策层融合方法..........................24
第4章基于可信度的决策层融合方法...................................44
4.1研究动机..................................44
4.2可信度构造及决策层融合方法...........................45
第5章总结与展望..................62
第4章基于可信度的决策层融合方法
4.1研究动机
为了解决决策层融合存在的一些问题，如大多数分类器只能生成二元分类结果，例如“是”或“否”的诊断，不能充分体现出每个分类器的分类优势，因此本文提出了基于Sc-score的决策层融合方法，本文使用SVM分类评分作为样本在某一特征下的可信度，并使用线性支持向量机将多视图特征下的所有Sc-score进行融合，得到最终的决策结果。Sc-score是SVM输出距离的一种符号形式，其符号是确定的。SVM输出距离越大，样本属于确定符号类的概率越大，因此我们可以通过样本的输出Sc-score来衡量其信度。
然而，即使在分类器训练中选择了合适的算法和调整了合适的参数，由于样本分布和分类器本身的缺陷，分类器仍然无法正确地对所有样本进行分类，导致错误分类的样本获得错误的可信度。这种错误的可信度不仅会误导医生的判断，也会影响决策融合的结果，从而导致最终分类性能下降。因此，如何构建更有效的可信度表示来提高决策融合的准确性，仍然是一个值得探讨的问题。
除此之外，虽然利用SVM对决策进行线性融合是一种有效的分类诊断方法，但它忽略了决策信息之间的非线性关系，从而影响了分类器的精度。因此，我们需要进一步研究能够更好融合决策的融合策略。未来的研究方向之一是探索新的决策融合策略，使得我们可以更好地捕捉决策信息之间的非线性关系，并提高分类性能。
第5章总结与展望
基于MDD患者EEG数据，从多个视角提取鉴别力强的特征，训练分类器，并利用决策层融合思想进行决策融合，从而实现对MDD更为精确的诊断，是目前研究的热点之一。本文针对决策层融合方法存在的一些不足做了一些工作，提出了两种融合方法，为该领域的决策层融合提供了新的思路。现将本文所做工作总结如下：
1）提出基于Sc-score的决策层融合方法。首先，利用提取的脑电特征，训练SVM分类器，得到每个特征下的Sc-score值。其次，在决策层将Sc-score值构建成特征向量。最后，将特征向量再次送入SVM分类器进行分类判断，得到最终分类结果。该方法的优点是：通过将每个分类器的决策信息转化为分类的概率，更好的利用了不同特征分类器的判别结果，克服了传统投票法对于不同分类器权重分配不够灵活的问题。在实验部分，首先，我们通过对EEG线性特征的PSD分析，以及脑功能连接特征分析。确定了MDD患者与正常人差异性明显的一些脑区以及相对应脑波频段。其次，通过特征选择算法对所提特征进行排序，并通过实验，确定了最优特征集用于后续实验。最后，我们将所提方法在本文数据集以及其他脑疾病的公开数据集上做了对比实验，验证了本方法的有效性。
2）提出通过构造可信度的决策层融合方法。基于近邻算法中局部样本空间信息的思想，利用第三章中的Sc-score，用于构造测试样本的可信度，并利用多层感知机实现在决策层的融合。该方法的优点是：（1）解决了在本文第三章一些极端测试样本在分类过程中，其离SVM划分超平面距离过远，从而导致最终分类结果不理想的问题。（2）利用多层感知机进行决策层融合，可以捕捉决策信息之间的非线性关系，进一步提高了分类性能。在实验部分，首先，我们验证了所提可信度的有效性，体现在其对于分类器的分类性能有所提升。其次，我们验证了Sc-score以及样本距离度量的不同对于所构造可信度的影响。最后，我们将所提方法在本文数据集以及其他脑疾病的公开数据集上做了对比实验，验证了本方法的有效性。
参考文献（略）