基于三通道前额叶脑电信号(EEG)的抑郁症新型快速检测算法研究

　　本综述提出了一种基于三通道前额叶EEG信号的抑郁症快速识别模型，创新性地结合变分模态分解(VMD)和功率谱分析筛选本征模态函数(IMF)，通过样本熵(Sample Entropy)提取能量特征，并采用轻量级梯度提升机(LightGBM)实现分类，准确率达97.42%。该方法在保证高精度的同时显著提升计算效率，为便携式实时EEG抑郁检测系统及医学无法解释症状(MUS)的预分诊提供了切实可行的解决方案。

　　

引言

医学无法解释症状(MUS)是当前研究的新兴领域，尤其在中老年患者中，多数MUS症状主要由抑郁症引起。由于早期症状不符合国际躯体化标准，往往延误治疗，因此开发快速辅助诊断方法具有重要意义。近年来，神经影像技术如正电子发射断层扫描(PET)、磁共振成像(MRI)和脑电图(EEG)的发展使得脑功能及相关疾病的无创研究成为可能。然而，PET和MRI设备成本高昂且需专业人员操作，而EEG因其无创、易操作等优势成为抑郁检测的常用技术。

研究表明，抑郁患者的δ、θ、α和β频段EEG活动通常高于正常对照组，其中α和β频段包含更多抑郁相关EEG信息。许多学者还研究了药物、环境、宗教信仰等对抑郁患者脑电波的影响，发现Alpha频段与抑郁严重程度密切相关，前额EEG不对称性对抑郁诊断也有显著影响。

材料与方法

数据描述

本研究采用公开数据集MODMA，该数据集由兰州大学第二医院建立，包含55名参与者，其中26名门诊抑郁患者(16-56岁)和29名健康对照(18-55岁)。所有重度抑郁障碍(MDD)患者均接受符合DSM-IV诊断标准的迷你国际神经精神访谈(MINI)。数据集采用三导联全脑覆盖EEG实验协议，根据国际10-20系统电极放置标准，在额叶选择三个定位点(Fp1、Fpz和Fp2)进行电极放置。

样本熵

样本熵(Sample Entropy, SE)是Richman于2000年提出的衡量时间序列复杂性的方法。较高的熵值表明时间序列更复杂，反之则表明时间序列的自相关性更高。近年来，熵已成为评估抑郁障碍(DDD)患者EEG信号复杂性和不规则性的新方法。抑郁患者EEG信号熵值增加表明脑活动复杂性增强和可预测性降低。

变分模态分解

变分模态分解(VMD)是一种新型自适应信号分解技术，是一种将多分量信号分解为一组具有特定稀疏特性的带宽有限本征模态函数(IMF)的非递归方法。VMD的关键优势包括自适应分解非平稳和非线性信号、对噪声和采样的鲁棒性以及处理不同类型信号的能力。

VMD的主要步骤包括：1)原始信号x(t)可直接定义为各模态之和；2)通过希尔伯特变换获得分析信号的单边频谱；3)通过高斯平滑方法估计每个模态信号的带宽；4)引入二次惩罚因子α和拉格朗日乘子λ(t)将约束变分问题转化为无约束变分问题；5)使用乘子交替方向法求解。

LightGBM

轻量级梯度提升机(LightGBM)是梯度提升决策树(GBDT)算法的高效实现，通过两种核心优化策略——基于梯度的单侧采样(GOSS)和互斥特征捆绑(EFB)，在保持或提高预测精度的同时显著提高训练效率。

GOSS专注于对梯度大的实例(对模型更新至关重要)进行采样，同时保留一小部分梯度小的实例以保持整体数据分布。LightGBM的目标函数遵循梯度提升框架，结合损失函数和正则化项以防止过拟合。

提出的识别模型

本文算法流程首先通过人体前额叶采集三通道EEG信号，采集的信号通过变分模态分解(VMD)进行特征提取，结合功率谱计算合适的特征分量，最后对得到的特征分量计算样本熵。获得熵特征后，输入LightBGM网络进行分类，最终确定受试者是处于抑郁状态还是抑郁患者。

实验

VMD信号分解和IMF分量选择

考虑到前额叶与情绪过程以及精神疾病的强相关性，通过三个电极采集脑电图(EEG)信号。常见EEG采集设备在前额叶有三个电极(Fp1、Fpz和Fp2)。数据在无 loud 噪声和强磁性的房间中记录。参与者保持闭眼状态，直到其EEG信号观察到相对稳定，然后开始90秒数据采集，采样频率为250 Hz。

首先对各组数据进行VMD分解。采用变分模态分解(VMD)方法主要是因为抑郁患者的δ、θ、α和β频段EEG活动通常高于正常对照组，而且α和β频段比低频δ和θ频段包含更多抑郁相关EEG信息。因此，通过VMD将EEG信号分解到不同频段可以有效滤除其他频段的干扰，保证信号的有效性。

以HC数据为例，对VMD算法进行参数枚举和优化，得到五组分量。VMD分解后的特征分量能更明显反映EEG信号在不同频率下的变化趋势，通过提取各模态分量的有效波动信息可以保留EEG的变化特征。

通过频率分析确定主要IMF。由于IMF5的频率分布与其余分量差异显著，仅选择IMF1-IMF4作为特征提取的主要IMF分量。另外从功率谱图中可以清楚地看到，虽然信号被分解成多组IMF，但高度判别性信息仅保留在少数IMF中。IMF2和IMF3表现出更高的能量密度，而IMF1和IMF4的能量含量相对较低。

获得IMF后，从主要IMF中提取样本熵特征。该特征能有效表征EEG复杂性的变化并避免高斯噪声干扰。提取样本熵特征后，由于共有三个通道，每个通道分解为4个IMF通道，并提取样本熵特征，最终得到12个特征向量。

学习率对模型精度的影响

为确保评估结果的准确性，本文使用准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1分数(F1-Score)、混淆矩阵和平均耗时(T)作为下肢步态相位识别方法的评价指标。

为优化LightGBM分类器模型的参数，采用枚举法搜索不同叶子数量和学习率的最优参数组合，从而确定超参数的最佳值。模型超参数对分类器精度的影响表明，在最大叶子数为50、学习率为0.01时，分类准确率最高。

为验证模型的泛化能力，使用未交叉验证的测试集数据进行模型检验，5折交叉验证后，模型在各折测试集上的准确率均保持在97.27%以上，平均识别准确率为97.42%。其中第五折数据达到最高准确率，而第三折数据准确率相对最低。模型表现出良好的稳定性，在测试集上的准确率能够区分不同类别的数据，进一步验证了模型的有效性。

将训练好的模型应用于测试集进行评估，得到混淆矩阵，其中HC代表健康受试者，MDD代表重度抑郁障碍患者。测试集中各阶段的识别准确率均在97.42%以上。在学习过程中，模型需要从大量复杂交错的特征中有效提取和分类特征，但总体识别准确率较高。部分数据中相似的特征可能导致误判。实验结果表明，该模型能够准确判断人群的情绪状态，为相关应用提供了通用判断依据。

对比实验

为进一步验证所提方法的有效性和优越性，本小节使用近年来在情感识别和模式识别中取得优异效果的算法进行横向比较。比较方法涵盖机器学习和深度学习方法，所有方法在同一数据集上训练和测试。

在数据集划分方面，我们对90秒数据样本以1秒长度进行滑动窗口，得到4,950个样本。数据集按1秒间隔分割，主要是因为最终影响MUS发生的因素很多，其中很大比例是由躯体化和抑郁引起的。本文仅讨论初步筛查抑郁的技术手段，仅用一秒数据即可有效判断个体是否患有抑郁，从而实现未分化障碍的前端分诊，从正常个体中快速筛选出抑郁患者，提高诊断效率。

由于相邻滑动窗口之间存在一定的特征相似性，使用机器学习中常规7:3随机划分样本可能导致测试集中部分样本与训练集相似。因此，我们按时间维度划分4,950个样本，前50%样本作为训练集，后50%作为测试集。从训练集中提取70%用于训练，30%用于验证。

对于CNN-LSTM模型，在网络结构方面，采用了3层CNN网络与LSTM串联的网络结构。选择使用Adam优化器，学习率设为0.001，总epoch数设为100，batch size设为64。使用的损失函数是交叉熵损失函数。对于CNN-BiLSTM模型，我们仅对LSTM模型进行双向处理，其余参数与CNN-LSTM模型相同。

实验结果表明，本文提出的方法在分类方面取得了最佳性能，平均识别准确率为97.42%，显著优于其他比较算法。在模型参数方面，该方法仅有0.32 M参数，远低于其他深度学习算法，体现了其轻量级优势。

在机器学习方法中，依赖手动提取特征不可避免地会导致EEG特征的部分丢失，直接限制了SVM和RF等传统算法的模型精度。然而，机器学习算法LightGBM凭借其高效的决策树机制，在相同EEG特征输入下不仅能实现高分类精度，还能保持极小的模型参数，体现了轻量级模型在特征利用方面的有效性。

在深度学习领域，3层CNN-LSTM和3层CNN-BILSTM模型通过融合EEG信号的时间特征，相比传统机器学习方法提高了分类精度，验证了信号时间信息对分类性能的关键影响。多维注意力卷积神经网络(MACNN)比CNN-LSTM和本文提出的算法收敛速度相对较慢，其最终精度也低于提出的算法。同时在时间消耗方面，MACNN算法耗时更长。而提出的算法通过多尺度特征提取策略进一步突破了单一特征维度的限制。在横向比较中，虽然性能效果略低于3CNN-Bilstm，但在模型轻量化和计算时间方面强于3CNN-Bilstm。综合考虑准确性和时效性，本文算法在该分类任务中具有一定的有效性。

因此，提出的方法在三个维度：分类精度、参数数量和识别时间上显示出显著优势，为基于EEG信号的抑郁分类提供了更实用的解决方案。

消融和特征选择实验

为进一步筛选特征的影响并验证提出模型中各层的有效性，我们进行了消融实验。

在数据集划分方面，为避免因滑动窗口导致数据集特征相似性高的情况，我们将整个样本按5:5的比例分为两部分。总样本数据集的前50%为训练集，后50%为测试集。同时，我们从训练集中提取70%用于模型训练，从测试集中提取30%作为模型的测试集。

首先，我们使用未经任何特征提取的原始EEG数据输入lightGBM模型，实现了93.78%的准确率。这是因为二元分类数据中患者与健康人之间存在一定差异。然后，我们添加VMD对模型进行模态分解，其中K=4。每个通道获得4个模态分解向量，然后将12维特征输入模型进行分类。多次测量显示分类准确率为95.27%。最后，在添加样本熵后，整体准确率提高了2.15%，证明了样本熵特征的有效性。

为进一步验证特征的有效性，我们选择了三个常见特征，即样本熵特征、RMS和PSD特征。经过VMD分解成12维向量数据后，我们以20个数据点的窗口长度进行滑动窗口，提取特征向量，并输入模型进行识别。测试表明，样本熵特征略高于RMS和PSD特征，从而证明了模型的有效性。

讨论

广泛性未分化症状是指疼痛、疲劳、胃肠、心血管等无法用MUS完全解释的症状，这些症状在老年人群中非常常见。结合案例分析，我们发现这些医学无法解释的现象常发生于中老年人，主要由精神疾病引起，其中抑郁是最常见的状况。

目前，抑郁的主要医学诊断工具是心理量表，主观性强。此外，患者对心理量表的抵触导致判断不准确。因此，EEG信号作为更客观的评价标准，已被广泛应用于精神疾病的诊断。使用128通道EEG信号的常规检测提供了相对完整的数据特征，但无法满足实时检测需求。考虑到前额叶与情绪过程以及精神疾病的强相关性，在前额叶选择了三个电极(Fp1、Fpz和Fp2)进行测量。这显著减少了数据量并提高了计算速度，但收集的数据可能因特征不完整而导致判断准确性下降。因此，需要新算法来提高分类精度。

在特征提取方面，我们选择使用VMD分解EEG信号，并通过枚举优化参数获得五组分量。由于IMF5的频率分布与其余分量差异显著，仅选择IMF1-IMF4作为特征提取的主要IMF分量。计算这五组分量的功率谱密度，发现有效特征分量存储在少数IMF分量中。因此，我们选择前四个分量作为输入特征，三个通道共得到12组特征向量。计算这些特征向量的样本熵，得到模型的输入特征。

将特征输入LightGBM分类模型后，我们考虑了学习率和叶子数量对模型分类精度的影响。模型在最大叶子数设置为50、学习率为0.01时实现了最高分类精度。为进一步验证模型的泛化能力，5折交叉验证后，本文提出的模型在各折测试集上的准确率均保持在97.58%以上，平均识别准确率为97.42%。其中第四折数据达到最高准确率，而第一折数据准确率相对最低。因此，提出的模型表现出良好的稳定性，其在测试集上的准确率能够区分不同类别的数据，进一步验证了模型的有效性。

在对比实验中，我们选择了主流的机器学习和深度学习算法进行比较。实验结果表明，提出的方法实现了最佳分类性能，平均识别准确率为97.42%，总耗时2.23 ms。综合考虑时效性和准确性，它优于其他算法。尽管深度学习模型精度略高，但其复杂性导致耗时更长。因此，为实现工程应用，本文提出的轻量级算法具有较高的应用价值。

因此，本文提出的分类模型在准确性和实时性能之间取得了平衡，且优于其他常见的抑郁检测算法，为EEG信号在抑郁情绪检测中的应用奠定了坚实基础。本文使用1秒EEG数据对医学无法解释症状患者进行预分诊，以排除躯体化和抑郁等心理因素，可有效提高医疗诊断效率。同时，本文提出的算法增强了检测的实时性。虽然个体差异可能导致算法精度略有下降，但作为预分诊的前端模块，它为EEG信号设备在实时抑郁检测和MUS患者预分诊提供了解决方案。

结论

MUS是当前研究的新兴领域之一。在中老年患者中，大多数MUS症状主要由抑郁引起。但由于症状不符合抑郁躯体化的国际诊断标准，医生无法对抑郁做出有效判断。这可能会延误治疗时间，从而加剧抑郁并威胁生命。在当前研究中，许多学者希望通过EEG信号判断是否患有抑郁。然而，由于EEG信号的复杂性、易受噪声污染、需要大量通道采集以及计算时间长等原因，EEG在抑郁诊断中的应用受到限制。

为提高EEG在抑郁诊断中的适用性，本文提出了一种使用三通道脑电图(EEG)信号诊断抑郁的深度学习模型。通过变分模态分解(VMD)对信号进行分解，并通过功率谱分析确定本征模态函数(IMF)的数量，从而增强模型的特征维度。使用样本熵从收集的信息中提取特征，最终实现了97.42%的分类准确率。通过5折交叉验证，该模型显著优于其他传统算法，表现出一定的泛化能力。

本文提出的快速检测算法仅使用3个通道。在追求高时效性的同时，它获取的数据量小且包含少量EEG特征。为实现高分类精度，我们使用VMD算法进行分解，从而将3通道数据升级到12维，并使用样本熵进行特征提取以增加信号的特征维度，从而实现高分类精度。该策略进一步突破了单一特征维度的限制，在横向比较中实现了最佳识别性能，并平衡了模型稳定性和轻量级的要求。因此，本文提出的算法为使用EEG信号设备进行实时抑郁监测提供了解决方案。