基于EEG-fNIRS的抑郁障碍自动识别研究.pdfVIP

摘要

摘要

抑郁症，作为一种广泛影响人们社会功能和日常生活的精神障碍，其诊断

过程面临着重大挑战。这主要是因为传统诊断方法过分依赖于临床症状的主观

评估，从而缺乏必要的准确性和客观性。本研究的目标是通过结合脑电图

（Electroencephalogram,EEG）和功能近红外光谱术（functionalNear-Infrared

Spectroscopy,fNIRS）这两种先进的神经成像技术，开发出一种客观且精确的抑

郁自动识别方法。这两种技术以其非侵入性、便携性等优势，在提高抑郁症诊

断地准确性和客观性方面展现了巨大的潜力，为实现本研究的目标提供了新的

途径。通过这两种技术的结合以及所开发的方法，本研究致力于突破传统诊断

的限制，实现对抑郁症的更准确、更客观的识别。研究的主要内容如下：

（1）本研究招募了25名抑郁患者和30名健康受试者，同步记录了他们的

脑电和前额血流动力学信号。通过对这些受试者在静息状态下的脑电信号进行

分析，探索了抑郁症患者脑功能网络的异常特性。首先，采用锁相位值方法构

建功能网络，并对delta、theta、alpha、beta和gamma五个频段下的网络进行

了量化分析。结果显示，相较于健康对照组，抑郁患者在delta和theta频段的

功能网络表现出更高的聚类系数和局部效率，揭示了抑郁症患者脑网络的特异

性变化，为后续自动识别机制提供了重要的特征基础。

（2）结合EEG和fNIRS双模态信号，构建了一个基于机器学习的抑郁障

碍自动识别模型。并从神经电信号的脑网络属性、不对称性以及神经血氧信号

的熵等多个维度提取特征。利用LASSO回归特征选择方法和支持向量机构建

了一个高效的分类模型。该模型在双模态信号融合的基础上实现了92.7%的高

分类准确率，相比单一模态的EEG（81.8%）与fNIRS（69.1%）特征，分别提

高了10.9%和23.6%。

（3）本研究还结合双模态信号，探索了深度学习模型在抑郁症识别中的应

用。首先，通过数据增强技术增加样本量，并设计了一个基于EEG-fNIRS双模

态融合注意力网络。该模型分别对EEG和fNIRS信号进行处理，采用并行的卷

积神经网络和长短期记忆网络提取特征，并单独应用自注意力机制将两种提取

I

摘要

的特征融合进行二分类。该双模态模型在抑郁症识别中取得了97.73%的分类准

确率。这种基于深度学习技术的双模态模型展现了较高的分类性能，有望进一

步提升抑郁症识别性能，展现了深度学习技术在精神障碍诊断中的应用潜力。

综上所述，本研究通过结合EEG和fNIRS技术，深入探索了抑郁症患者脑

功能网络的特性，并借助机器学习和深度学习技术开发了自动识别抑郁障碍的

新方法。这些成果不仅丰富了对抑郁症脑功能特性的理解，也为精神障碍的客

观诊断提供了新的工具和方法。

关键词：抑郁症；机器学习；深度学习；脑电图；功能性近红外光谱术

II

ABSTRACT

ABSTRACT

Depressionisamentaldisorderthatsignificantlyaffectssocialfunctioningand

dailylife,presentingsubstantialchallengesindiagnosis.Traditionaldiagnostic

methods,whichprimarilyrelyonsubjectiveassessmentsofclinicalsymptoms,lack

thenecessaryaccuracyandobjectivity.Theaimofthisstudyistodevelop