哈尔滨理工大学工学硕士学位论文
抑郁症脑电信号提取方法研究及仪器设计
摘要
抑郁症是一种常见的精神健康障碍，通常表现为持续的情感低落、失去兴
趣、疲劳、自卑感、注意力难以集中等行为，抑郁症的患病率在全球范围内迅
速上升，且越来越多的病例和自杀事件呈现出低龄化的趋势，对精神疾病的预
防和诊治工作尤为重要。当下的抑郁症诊断主要是通过医生与患者面对面交流
结合患者通过抑郁量表自测得到一个主观的诊断。但是，诊断过程可能受到患
者个人主观感受影响，可能会导致误诊，需要通过客观手段辅助医生诊断。由
于脑电（Electroencephalogram，EEG）可以直接反应脑部信息传输与状态特性，
可以作为脑疾病诊断的依据。本文设计了一款抑郁症脑电信号诊断设备，采集
抑郁症患者脑电信号，提取患者脑电特征，并通过训练的预测模型进行分类，
辅助诊断抑郁症。
本文采用软硬件相结合的方式对患者的脑电信号进行提取，由于脑电信号
属于微弱生物电信号，容易掺杂其他生物噪声及外界噪声，导致有用信号被淹
没。为了能够提取患者高纯度的脑电信号来更好识别抑郁症的特征，本文提出
了一种基于改进退火遗传算法优化小波分析的去噪方法，对采集到的脑电信号
进行去噪处理。由于传统小波分析去噪时小波阈值是固定的，导致其无法适应
信号的局部特性，使用遗传算法对其进行优化和改进，实现小波阈值的自适应
选取。但是遗传算法具有过早收敛的缺点，本文提出的改进退火遗传算法可以
利用尺度参数优化算法的收敛速度，对遗传算法的交叉和变异参数进行自适应
调整，可以在短时间内寻找到最优解，提高算法的去噪效率。为了确定抑郁症
患者明显的脑电特征，本文通过提取抑郁症脑电信号在时域、频域、时频域共
14个特征与健康脑电信号特性做对比，选择数据相差较大的特征作为抑郁症分
类诊断的训练模型，确保诊断的准确率。
本文设计了基于STM32F407的脑电信号采集电路，主要包含微处理器模
块、信号调理模块、通信模块、电源模块，并设计了诊断系统的上位机软件界
面。实验验证过程中，对比了不同方法提取的脑电信号，其中使用改进退火遗
传算法优化小波去噪方法提取的脑电信号误差最小，且波形特征更为明显。最
后将提取数据集HUSM中的抑郁症脑电特征与健康人的8个脑电特征进行BP
-I-
哈尔滨理工大学工学硕士学位论文
神经网络的模型训练，将数据样本与训练模型进行抑郁症的分类，分类准确率
达到97.6923%，有效实现了对抑郁症的诊断。
关键词抑郁症脑电信号；改进退火遗传算法；特征提取；抑郁症诊断
-II-
哈尔滨理工大学工学硕士学位论文
ResearchonDepressionEEGSignalExtraction
MethodsandlnstrumentDesign
Abstract
Depressionisacommonmentalhealthdisorder,usuallymanifestedbypersistent
lowmood,lossofinterest,fatigue,inferiority,difficultyconcentratingandother
behaviors,theprevalenceofdepressionisrisingrapidlyaroundtheworld,andmore
andmorecasesandsuicidesareshowingatrendofyoungerage,whichisparticularly
importantforthepreventionandtreatmentofmentaldiseases.Atpresent,thediagnosis
ofdepressionismain