基于希尔伯特-黄变换（Hilbert-Huang Transform）和嵌入式自注意力机制（Embedded Self-Attention）的神经网络，用于区分基于脑电图（EEG）检测的重度抑郁症患者与健康对照组

《Frontiers in Psychiatry》：Hilbert-Huang Transform Embedded Self-Attention Neural Network for EEG-based major depressive disorder vs. healthy controls classification

抑郁症筛查基于HHT-SANN模型的EEG分析，融合Hilbert-Huang变换与自注意力机制，通过非线性时频分解和自适应特征调整，在34例MDD和30例HC的 Malaysian医院数据集上取得98.78%准确率、99.23%敏感性和98.27%特异性，显著优于传统模型。

　　抑郁症是一种全球范围内广泛存在的严重精神疾病，影响着数亿人，给个人和社会带来巨大的健康负担。传统的诊断方法通常依赖于临床医生的主观评估和患者自我报告的问卷调查，这些方法容易受到人为偏差和不一致的影响，因此寻找客观、可靠的生物标志物对于早期干预和改善治疗结果至关重要。近年来，随着神经科学和人工智能技术的快速发展，利用脑电图（EEG）信号进行抑郁症筛查的研究逐渐增多。EEG作为一种非侵入性、成本效益高的技术，能够以极高的时间分辨率捕捉大脑活动的快速变化，这使其成为研究抑郁症神经机制的重要工具。

本研究提出了一种创新的抑郁症筛查方法，即通过将希尔伯特-黄变换（Hilbert-Huang Transform, HHT）集成到自注意力神经网络（Self-Attention Neural Network, SANN）中，构建了一个名为HHT-SANN的模型。HHT是一种能够有效处理非线性和非平稳信号的时频分析方法，特别适用于EEG数据。其核心思想是通过经验模态分解（Empirical Mode Decomposition, EMD）将原始信号分解为一系列固有模态函数（Intrinsic Mode Functions, IMFs），然后对每个IMF应用希尔伯特变换，从而提取其瞬时幅值和频率信息。这种方法不仅保留了信号的原始特征，还能在不同时间点上动态地反映神经活动的变化，为抑郁症的分类提供了更丰富的信息。

为了进一步提升模型的性能，研究团队在HHT层之后引入了Squeeze-and-Excitation（SE）模块，这一模块能够对特征通道进行自适应调整，强调对分类任务更有帮助的特征，同时抑制不相关的信息。此外，自注意力机制的引入使得模型能够在时频表示中捕捉全局依赖关系，从而更全面地理解抑郁症患者的神经活动模式。通过将HHT、SE模块和自注意力机制相结合，HHT-SANN模型能够在端到端的框架中学习出更具判别力的特征表示，从而提高分类的准确性和可解释性。

在实验部分，研究团队使用了来自马来西亚理科大学医院的临床EEG数据集，其中包括34名抑郁症患者和30名健康对照组。所有参与者均进行了闭眼和睁眼的静息状态EEG记录，使用20个电极按照国际10-20系统进行采集，采样频率为256Hz。数据预处理过程中，通过滑动窗口提取了无伪影的2分钟EEG片段，最终得到了18,442个数据样本。模型在这些数据上进行了训练和验证，并通过留一法（Leave-One-Subject-Out）交叉验证评估了其在测试集上的性能。

实验结果显示，HHT-SANN模型在抑郁症分类任务中表现出色，达到了98.78%的准确率、99.23%的灵敏度和98.27%的特异性。相比之下，其他传统方法如CapsuleNet和ResNet-16在多个指标上表现较差，其中CapsuleNet虽然在特异性上表现较好，但灵敏度较低，导致整体准确率仅为94.42%；而ResNet-16在所有指标上均表现不佳，特别是特异性仅为74.79%，显著影响了其分类的可靠性。此外，MLRW方法虽然在敏感性和特异性之间取得了一定的平衡，但整体性能仍不如HHT-SANN。

为了进一步验证HHT在模型决策中的重要性，研究团队采用了SHAP（SHapley Additive exPlanations）方法进行特征重要性分析。结果表明，HHT提取的特征在模型决策中的贡献显著高于原始信号特征，其重要性比率达到了3.52倍。这意味着HHT所生成的时频特征在抑郁症的分类中起到了关键作用，而这些特征能够更准确地反映大脑活动的非线性和非平稳特性。这一发现与之前的研究结果一致，即非线性EEG特征（如不对称性和熵值）是抑郁症的有力生物标志物。

此外，研究团队还对HHT-SANN模型的性能进行了深入分析。通过学习曲线可以观察到，模型在训练和验证过程中的准确率迅速上升，并且在80个训练周期后趋于稳定，表明模型具有良好的泛化能力。同时，训练损失和验证损失均持续下降并收敛于接近零的水平，说明模型在学习过程中没有出现明显的过拟合或欠拟合现象。这些结果进一步证明了HHT-SANN模型在抑郁症分类任务中的有效性。

尽管HHT-SANN模型在实验数据集上表现优异，但研究团队也指出了其潜在的局限性。首先，由于数据集的规模相对较小，模型的泛化能力仍需在更大、更具多样性的数据集上进行验证。其次，目前的研究仅依赖于EEG数据，未来可以考虑整合其他模态的数据，如磁共振成像（MRI）、临床评估问卷、遗传信息或人口统计数据，以提高分类的准确性和临床适用性。此外，研究团队还计划将HHT-SANN模型优化并部署到移动设备或可穿戴设备上，以便在实际医疗环境中实现实时的抑郁症筛查，为点对点（point-of-care）诊断提供支持。

综上所述，HHT-SANN模型通过将HHT嵌入到自注意力神经网络中，成功地捕捉了抑郁症患者和健康个体在EEG信号中的非线性和非平稳特征，从而实现了高精度的分类。这一方法不仅提高了抑郁症诊断的准确性，还增强了模型的可解释性，为抑郁症的筛查和诊断提供了新的思路和工具。随着未来研究的深入和技术的进步，HHT-SANN有望在临床实践中发挥更大的作用，推动精准精神病学的发展，为患者提供更及时、更有效的干预措施。