基于深度学习的脑区频响态模型及音乐治疗抑郁症新方法

New research has shown that the clinical effect of non-invasive music therapy in treating depression has been confirmed by MRI studies.However, for patients with depression of different individuals, how to propose the music treatment plan specifically, there is a lack of a more effective systematic approach. This project combined with previous work, based on the audio as music basic attribute this characteristic, proposed the brain model, the frequency response of the state as a diagnosis of depression in patients with brain regions to the abnormal sound frequency information processing is standard, and then puts forward music therapy, is expected to achieve the goal of effective treatments for depression. To achieve this goal, will use magnetic resonance (NMR) method, with the Chinese academy of sciences cerebral network group proposed the criteria of partition, collecting different single frequency sound in stimulate different areas of the brain brain image data, the use of deep learning algorithm, establish normal frequency response characteristic model in 246. On this basis, the building can identify patients with depression to specific brain regions exist information processing, the depth of the abnormal neural network as a filter which provides the basis for the corresponding music training material, and compared to verify the effect of the scheme for the treatment of depression patients.This method can provide effective evidence for music treatment of related neuroactive diseases.

最新研究表明，作为无创式音乐疗法，在治疗抑郁症时的临床效果已经得到磁共振研究的证实。但是，针对不同个体的抑郁症患者，如何有针对性地提出音乐治疗方案，还缺乏一套更加有效的系统性方法。本项目结合前期工作，基于音频作为音乐基本属性这一特点，提出建立大脑的频率响应态模型，以此作为诊断抑郁症患者脑区对声音频率信息加工是否异常的标准，进而针对性地提出音乐治疗方案，可望达到有效治疗抑郁症患者的目的。为实现该目标，将利用磁共振手段，以中科院脑网络组提出的大脑分区标准为依据，采集不同单频音在激发不同脑区时的脑影像数据，使用深度学习算法，建立正常人246个脑区的频率响应态模型。在此基础上，构建能识别抑郁症患者具体某些脑区存在信息加工出现异常的深度神经网络，作为筛选相应的音乐训练素材提供依据，并比较验证该方案对治疗抑郁症患者的效果。该方法可为相关神经活动疾病的音乐治疗提供有效证据。

项目基于人类对不同的声音频率加工存在特定脑区响应模式的假设，拟将深度学习算法运用到计算大脑频率响应的脑影像模型上，通过分析大脑各个脑区对不同声音频率响应强度的分布情况，建立正常人的大脑频率响应态模型，通过进一步的神经网络训练建立具有区分正常人和抑郁症患者的大脑频率响应能力的识别网络，为诊断抑郁患者提供更加客观的神经活动证据。.项目组总体上比较好地完成了该项目（批准号61872301）的计划任务。按照计划采集了300多名正常大学生及少量抑郁症患者的脑电信号（EEG），包括纯音、音乐类别、面部表情、微表情、嗅觉、VR、运动与疲劳等，以及86名大学生通过音乐音调及速度诱发的功能核磁共振（fMRI）信号和33名大学生的脑电-磁共振（EEG-fMRI）同采信号。除受疫情影响没有收集到足够的抑郁症患者数据来建立模型外，其余数据均建立了基于深度学习等分析模型，取得了良好的研究结果。此外，项目组在采集被试脑电信号时，也对心电（ECG）、皮肤电、脉搏波、肌电和呼吸等相关信号进行了记录和分析，并取得了相关成果。具体完成情况如下：.①设计了基于纯音音频诱发的大脑响应的EEG-fMRI数据采集实验，建立了数据库。②研究发现音调工作记忆的动态皮层处理过程构成了自下而上的信息传递过程。③对音乐速度影响情绪加工的神经功能网络活动机制进行了研究。从大脑神经活动的空间连接同步性和时间动态变化特性上，科学解释了五种速度的音乐影响情绪的大脑神经功能网络连接情况。④探讨了基于EEG的微表情产生脑机制及识别研究。⑤研究了基于EEG信号分析了VR和2D视觉模式对六种基本情绪唤醒时的脑活动差异。⑥提出了大脑双半球不对称注意网络的EEG情绪识别模型。⑦开展了基于浪漫吸引力的脑机制与识别研究。⑧研究了基于脑电和心电的中等强度体育锻炼对负性情绪体验的影响。⑨开展了基于ECG的相关研究，可以帮助对个体精神状态的正确判断。