基于Sobel神经网络的脑电图（EEG）用于重度抑郁症筛查

《Frontiers in Psychiatry》：Sobel neural network for EEG-based major depressive disorder screening

EEG信号中基于Sobel梯度特征的深度学习模型提升抑郁症筛查准确率至98.67%，其创新点在于将Sobel算子内嵌到卷积层实现端到端学习，有效捕捉脑电信号的空间梯度与边缘特征，克服传统预处理方法的静态局限。

　　抑郁症是一种影响全球数亿人的严重精神疾病，对个人健康、医疗系统和社会生产力造成巨大负担。早期和客观的筛查对于及时干预和改善患者预后至关重要。然而，当前临床实践中仍然主要依赖主观的自我报告量表和定性临床访谈，这些方法容易受到偏见、记忆误差和评分者差异的影响。因此，开发一种基于客观生物特征的筛查工具成为迫切需求。近年来，脑电图（EEG）因其非侵入性、高时间分辨率以及对神经活动的敏感性，被广泛认为是抑郁症评估的有力工具。EEG信号中存在多种与抑郁症相关的神经生理异常，如前额叶α不对称性改变、功能连接性中断和神经同步性异常，这些异常通常表现为多通道EEG地形图中的细微空间梯度和边缘变化。然而，如何有效地从EEG信号中提取这些关键特征并用于抑郁症的诊断，仍然是一个重大挑战。

为了克服这一问题，研究者提出了一种新的神经网络架构，称为Sobel网络。该网络通过将Sobel算子的灵感融入卷积层，实现了对EEG信号中梯度和边缘特征的端到端学习。传统的抑郁症筛查方法通常依赖人工设计的特征，如频谱功率和相干性，这些方法难以捕捉抑郁症相关的复杂时空动态特征。而Sobel网络通过其核心的Sobel边缘检测层，能够动态地增强EEG信号中的边缘特征，从而更准确地识别抑郁症相关的生物标记物。这一创新设计不仅提升了模型的性能，还为抑郁症的自动化筛查提供了新的思路。

本研究使用了来自马来西亚苏丹依斯迈大学医院（HUSM）的公开EEG数据集，其中包括34名被诊断为重度抑郁症（MDD）的患者（17名男性，平均年龄40.3±12.9岁）和30名健康对照组（HC）（21名男性，平均年龄38.2±15.6岁）。每个参与者在睁眼和闭眼状态下完成了5分钟的静息态EEG记录，数据由20个头皮电极采集，按照国际10-20系统布置，采样率为256 Hz。为了确保数据质量，研究中使用了BESA软件对信号进行预处理，包括应用50 Hz的陷波滤波器去除电力线干扰，并通过4秒滑动窗口提取无伪影的2分钟数据段，最终获得18,442个样本（9,789个来自MDD患者，8,653个来自健康对照组）。

Sobel网络的核心创新在于其独特的边缘检测层，该层通过固定卷积核计算输入信号的水平和垂直梯度。水平梯度核和垂直梯度核的设计，使得模型能够捕捉到EEG信号中细微的空间变化。在实验中，研究人员对输入噪声水平进行了系统性测试，发现Sobel网络在不同信噪比（SNR）条件下均能有效提升信号质量。例如，在输入SNR从20 dB降至-5 dB的情况下，Sobel网络仍能保持约2.12-2.13 dB的输出SNR增益。此外，峰值信噪比（PSNR）的平均提升约为4.48 dB，而结构相似性指数（SSIM）的变化则接近于零，表明Sobel网络在保持信号结构完整性的同时，显著增强了信号质量。

为了进一步验证Sobel网络的性能，研究人员对多个模型进行了比较实验，包括基于传统激活函数的卷积神经网络（CNN）和使用Tanh与ReLU结合的改进模型。实验结果表明，Sobel网络在关键指标上表现优异，其准确率达到98.67%，灵敏度为99.18%，特异性为98.10%。相比之下，TanhReLU模型虽然在灵敏度上略占优势（99.03%），但其特异性略逊于Sobel网络。这种差异可能源于Sobel网络对边缘特征的增强能力，使其在识别抑郁症患者时具有更高的特异性，而TanhReLU模型则在识别非抑郁症样本时表现更为稳健。

Sobel网络的成功不仅在于其对EEG信号中空间梯度和边缘特征的高效提取，还在于其在实际应用中的稳定性。实验结果显示，该网络在多种噪声条件下均能保持较高的分类准确率，说明其在实际临床环境中具有良好的鲁棒性。此外，Sobel网络的结构设计使得其能够在有限的数据量下实现高精度的分类，这为资源有限的医疗环境提供了重要的技术支持。

从更广泛的角度来看，Sobel网络的设计理念具有重要的推广价值。它不仅适用于EEG信号的抑郁症筛查，还可以为其他领域的跨模态数据分析提供参考。例如，在智能车辆控制领域，传统控制理论与神经网络的结合可以提升系统的稳定性和适应性；在多模态数据融合任务中，Sobel网络的边缘检测能力可以帮助从不同来源的数据中提取关键特征，提高整体分析的准确性。这种将领域知识与深度学习相结合的方法，为构建可解释、低数据依赖的智能诊断系统提供了新的思路。

研究还指出，未来的工作可以进一步探索Sobel网络的泛化能力，通过在多个公开数据集上进行交叉验证，评估其在不同人群和环境中的适用性。此外，为了更好地模拟真实世界中的噪声情况，研究人员计划设计实验，将自然发生的伪影纳入数据集，以评估模型在实际应用中的鲁棒性。这些努力将有助于提升Sobel网络在临床环境中的实用价值，使其成为抑郁症筛查的重要工具。

总的来说，Sobel网络的提出为抑郁症的自动化筛查提供了一种新的解决方案。它通过将Sobel算子的特性嵌入到神经网络结构中，实现了对EEG信号中关键特征的端到端学习，从而显著提高了分类的准确性和稳定性。该网络不仅在技术上具有创新性，还在实际应用中展现了良好的潜力，为构建客观、高效的抑郁症筛查系统奠定了基础。未来的研究将进一步优化模型的性能，并探索其在更广泛领域的应用，推动神经科学与人工智能的融合发展。