检索历史 清除

摘要抑郁症是一种广泛见于全球的精神障碍，同时也是全球疾病负担的主要来源。重度抑郁症（MajorDepressiveDisorder，MDD）作为导致残疾的主要原因之一，对个人和社会造成了重大负担。脑电图（Electroencephalogram，EEG）以其低成本、无痛、非侵入性特点及高时间分辨率在精神障碍的临床诊断与治疗中得到了广泛应用。EEG代表大脑皮层的神经信号，从EEG中提取有用信息，探索抑郁症对大脑皮层的影响，是一个关键问题。<br>　　在一些医疗资源不足的国家，EEG可以容易地用于诊断精神障碍，因此越来越多的研究开始使用EEG来检测抑郁症。现有的研究主要将EEG的多个通道视为独立的信号，提取信号的时域特征、频域特征、非线性特征等，并结合传统的机器学习方法进行检测和分类。大脑的各个区域并不是静态独立的，各区域之间不断的动态交流才使得大脑能够正常运作。因此基于多通道EEG信号提取大脑连接特征，构建大脑连接网络显得格外重要。面临如何整合更多有效信息以提高MDD检测准确性的挑战，本文提出了一种新的计算大脑功能连接的特征，并通过新开发的深度学习模型进行验证。研究结果通过多个对比实验证明了此方法在识别MDD方面的有效性，并进一步探索了端到端模型在此任务中的潜能。本文的主要工作和创新如下：<br>　　1.针对现有计算大脑连接指标的单一性，以及无法全面挖掘大脑连接信息。本文提出了一种名为P-MSWC的新特征，它允许从时间、频率和相位三个维度全面探索大脑连接性。首先，结合同步压缩小波变换（SynchrosqueezedWaveletTransform，SWT）和相干函数，提出了同步压缩小波相干（SynchrosqueezedWaveletCoherence，SWC）的概念。相较于传统小波相干，SWC在处理脑电图等生理信号时表现出更强的抗噪声能力和更准确的时频定位。通过计算小波交叉谱估计信号的相位差，进而实现锁相值（PhaseLockingValue，PLV）的计算。将PLV和SWC融合并量化，提出了P-MSWC新特征，用于计算大脑功能连接，并提取大脑高维连接矩阵。<br>　　2.针对传统机器学习算法在面对高维度的连接矩阵时，会忽略大脑网络结构和功能信息。本文提出一种基于高维连接矩阵的卷积神经网络模型HCM-CNN（High-dimensionalConnectionMatrixCNN，HCM-CNN）。模型创新性地引入了Inception模块，采用不同尺寸的卷积核进行并行卷积操作，以捕获多尺度特征。此外，通过集成结合通道注意力和空间注意力机制的CBAM模块，HCM-CNN能够自适应地优化特征表达，聚焦于更关键的信息，从而提升了模型在MDD识别任务上的表现。在单一EEG数据集上，该模型达到了99.92%的准确率，而在组合数据集上实现了97.86%的准确率。通过与其他常见的机器学习算法对比，验证了HCM-CNN模型相较于传统方法在性能上的显著优势。<br>　　3.针对HCM-CNN模型的整个分类流程仍然需要进行复杂的数据预处理和特征提取等步骤。本文又提出了一种基于EEG信号实现端到端检测MDD的模型EB-Transformer。通过消融实验，得到了最优的Transformer编码器数量为6。在测试集上，EB-Transformer模型取得了94.83%的准确率、93.47%的敏感度和97.49%的特异度。与EEGNet、ShallowConvNet和DeepConvNet三种端到端EEG信号检测模型进行对比，结果表明EB-Transformer在检测性能上具有显著的有效性和优越性。<br>　　同时，大脑连接可视化揭示了MDD患者和健康受试者之间大脑连接分布的差异，包括Gamma频带T7、O1、F8和C3通道的连接性降低。实验结果表明，融合特征可以作为构建功能性大脑连接的新标志，深度学习与功能连接矩阵的结合可以为MDD的检测提供更多帮助。基于Transformer实现端到端检测抑郁症是未来发展的新趋势。