摘要
抑郁症是一种常见的精神疾病，根据《2022年国民抑郁症蓝皮书》统计，目前我国患抑郁症人群已经突破9500万，相当于每14人中就有1个抑郁症患者。多项脑成像研究显示，抑郁症患者的情感和认知损害与其脑内特异脑区的功能连接存在着密切联系。其中，以EEG 为基础的脑功能网络(Brain Functional Network, BFN)研究显示，抑郁症患者的脑网络结构及连接异常，对探讨抑郁的神经病理机制有重要意义。为此，以 EEG信号为基础，针对现有研究抑郁症方法存在的问题，结合机器学习和统计分析方法优势，开展以下研究工作： 传统基于静息态EEG的抑郁症研究，往往忽略EEG信号之间的空间关联性，难以精准发掘抑郁症患者异常大脑拓扑改变。为此，提出一种递进式动态 BFN 构建方法及分析识别框架。为了避免容积传导问题，采用滑动时间窗和同步似然构建动态矩阵，基于网络密度稀疏化与“小世界”的核心挖掘递进策略，在不同的频段上构建动态加权BFN。随后利用复杂网络方法分析BFN的拓扑属性，探索抑郁检测的潜在生物标志物。此外，为了评估这些潜在生物标志物对抑郁检测的有效性，使用支持向量机和随机森林分类器等作为评估工具，获得了最高 88.68%的识别准确率。同时，研究表明抑郁症患者的左脑额叶、颞叶和中央区域的功能同步性发生显著变化。 抑郁症成因复杂，早识别早干预是防止其发生不可逆性脑损伤的有效方法。现有的计算机辅助识别研究大多侧重于多模态信息融合，忽视了多模态信息的异步获取问题。针对这一现状，提出一种基于时空融合的抑郁症识别方法，以期解决数据的非同步获取问题对识别准确率造成的影响。首先，将时序EEG信号映射到空间BFN中，选择合理的BFN空间表征；然后，采用改进自回归模型，实现时序EEG特征的精准计算；最后，基于时空信息互补性，差异化处理各时空特征贡献度系数，以最大化时空特征优势，挖掘其最大潜能进行决策，从而提高识别模型的准确率。通过对比实验表明，所提方法获得了最高 94.34%的识别准确率。综上所述，本文方法为抑郁症的快速临床诊断提供了一种有效的计算机辅助工具。
NETL