基于时频脑电图的抑郁症检测新方法：TFAGL

学术背景

抑郁症（Major Depressive Disorder, MDD）是一种全球范围内常见的精神疾病，其主要症状包括情绪低落、内疚感、自我评价过低，并伴随着兴趣丧失、生活热情减退以及睡眠或食欲紊乱等。根据世界卫生组织（WHO）的统计，全球有超过2.46亿人受到抑郁症的影响，其中约30-35%的重度抑郁症患者每年尝试自杀，导致约2-15%的自杀率。因此，抑郁症预计将在2024年成为导致残疾疾病的主要原因之一。

目前，抑郁症的临床诊断主要依赖于医患对话和问卷调查，诊断结果容易受到患者主观意识和医生专业水平的干扰，缺乏客观性。脑电图（Electroencephalography, EEG）技术能够记录大脑活动的变化，与人类脑活动密切相关，能够客观反映精神状态。此外，EEG具有无创、快速、经济等优势，因此全球研究者致力于利用EEG进行抑郁症检测，并寻找更好的生物标志物。

然而，现有的抑郁症检测方法主要依赖于对EEG电极分布的简单模拟，忽视了大脑区域之间的协作关系，导致检测性能有限。为此，研究者提出了一种基于时频EEG的新型抑郁症检测模型——时间-频率代理图学习（Time-Frequency Agent Graph Learning, TFAGL），旨在捕捉抑郁症的全脑协作机制。

论文来源

该论文由Zihua Xu（IEEE学生会员）、C. L. Philip Chen（IEEE Fellow）和Tong Zhang（IEEE高级会员）共同撰写。他们来自中国华南理工大学计算机科学与工程学院、广东省智能感知与并行数字人教育部工程研究中心以及广州琶洲实验室。论文发表于IEEE Transactions on Affective Computing期刊，预计于2025年正式出版。

研究流程

1. 研究目标

TFAGL模型旨在通过捕捉大脑区域之间的协作机制，提升抑郁症检测的准确性和鲁棒性。具体来说，该模型通过生成代理节点（Agent Nodes）来模拟大脑区域之间的全局交互，从而构建动态的局部-全局连接图，捕捉区域内和区域间的连接模式。

2. 数据预处理

研究使用了三个公开的EEG数据集：MODMA、PRED+CT和TDBrain。每个数据集的EEG信号被分割为2秒的非重叠片段，作为独立样本进行处理。具体数据集信息如下： - MODMA：包含29名健康对照者和24名抑郁症患者的EEG数据，采样率为250 Hz。 - PRED+CT：包含76名健康对照者和46名抑郁症患者的EEG数据，采样率为500 Hz。 - TDBrain：包含1167名个体的EEG数据，其中132名被诊断为抑郁症，采样率为500 Hz。

3. 特征提取

研究设计了时间域特征提取器和频域特征提取器，分别从EEG信号中提取时间序列特征和频谱特征。 - 时间域特征提取器：采用改进的因果卷积层（Causal Convolutional Layer）捕捉EEG信号的潜在变化趋势。 - 频域特征提取器：通过快速傅里叶变换（FFT）将信号转换为频域，并提取五个频段的微分熵（Differential Entropy）特征。

4. 代理图学习模块（AGL）

AGL模块通过自适应生成代理节点，模拟大脑区域之间的全局交互。具体步骤如下： - 代理节点生成：根据大脑区域划分，通过自注意力机制生成代理节点的位置和属性。 - 动态潜在连接：构建动态的潜在连接图，捕捉区域内和区域间的连接模式。 - 基于位置的空间连接：根据代理节点的空间位置，构建空间连接图。 - 多尺度图卷积：通过多尺度图卷积（Multi-Scale Graph Convolution）进行不同感受野的交互学习。

5. 双域特征聚合模块（DFA）

DFA模块通过跨域约束消除冗余特征，增强特征的判别性。具体步骤如下： - 域内特征融合：通过动态特征信息编码网络，抑制无关特征，保留有效特征。 - 域间特征融合：通过注意力机制，融合时间域和频域的特征。

主要结果

1. 模型性能

TFAGL模型在三个数据集上均表现出色： - MODMA：准确率为94.94%，F1得分为94.32%。 - PRED+CT：准确率为93.94%，F1得分为91.06%。 - TDBrain：准确率为75.20%，F1得分为74.43%。

2. 显著性测试

通过与现有方法的对比实验和配对t检验，TFAGL模型在多个数据集上的表现显著优于其他方法（p < 0.05）。

3. 特征可视化

通过t-SNE（t分布邻域嵌入）可视化，TFAGL模型在训练过程中逐步学习到清晰的特征分类边界，表明其对EEG信号的有效捕捉能力。

研究结论

TFAGL模型通过生成代理节点和多尺度图卷积，成功捕捉了抑郁症的全脑协作机制，显著提升了抑郁症检测的准确性和鲁棒性。该模型的创新点在于： 1. 代理节点生成：通过自适应生成代理节点，模拟大脑区域之间的全局交互，增强了模型的泛化能力。 2. 多尺度图卷积：通过多尺度图卷积，实现了不同感受野的交互学习，提升了特征提取的全面性。 3. 双域特征聚合：通过时间域和频域的特征融合，消除了冗余特征，增强了特征的判别性。

研究价值

TFAGL模型不仅在抑郁症检测任务中表现出色，还为其他异常脑电模式检测（如癫痫、帕金森病等）提供了新的研究思路。未来，研究者将进一步探索EEG电极之间的协作模式，推动该模型在不同个体中的适应性应用。

研究亮点

1. 全脑协作机制：TFAGL模型首次通过代理节点捕捉了抑郁症的全脑协作机制，填补了现有研究的空白。
2. 多尺度图卷积：通过多尺度图卷积，模型能够同时捕捉局部和全局特征，提升了特征提取的全面性。
3. 跨域特征融合：通过时间域和频域的特征融合，模型能够有效消除冗余特征，增强了特征的判别性。

其他有价值的信息

研究还发现，抑郁症患者的右前额叶皮层活动显著高于其他脑区，这与抑郁症的负性情绪体验和退缩行为密切相关。这一发现为抑郁症的生物学机制提供了新的证据。