MuST-GCN：一种多尺度混合时空图卷积网络，用于准确识别酒精使用障碍中的酒精滥用和酒精依赖行为

《IEEE Journal of Biomedical and Health Informatics》：MuST-GCN: Multiscale and Hybrid Spatial Temporal Graph Convolutional Network for Accurate Identification of Alcohol Abuse and Alcohol Dependence Within Alcohol Use Disorder

酒精使用障碍（AUD）中酒精滥用（AA）与依赖（AD）的区分难题，通过EEG信号特征提取解决。MuST-GCN模型结合多尺度图卷积（分析脑区空间连接）与混合时空注意力机制（优化特征时空动态），在五折交叉验证中实现AA/AD/AUD分类准确率90.74%和99.99%，有效缓解误诊。

　　

摘要：

酒精使用障碍（AUD）包括酒精滥用（AA）和酒精依赖（AD），是一种慢性、反复发作的脑部疾病，可能导致心理和身体问题。将AA和AD混淆可能会导致治疗效果不佳，甚至采取过于激进的治疗措施。但由于两者症状和生理指标相似，区分它们非常困难。幸运的是，从心理学角度来看，AA与行为控制能力差密切相关，而AD则与情绪波动有关。这些心理机制在患者大脑区域的活动中有不同的表现。受此启发，我们提出了一种名为多尺度混合时空图卷积网络（MuST-GCN）的模型，该模型能够提取脑电图（EEG）信号的特征，从而准确识别AUD中的AA和AD。该模型包含两个模块：多尺度特征提取（MSFE）模块利用GCN同时分析大脑区域之间的连接性和内部连接性，以提取EEG特征，探讨AA和AD患者的功能连接差异；混合时空记忆（HSTM）模块整合了空间和时间注意力机制，对MSFE提取的特征进行精细化处理，聚焦关键脑区和时间动态。HSTM模块产生的特征表示更加精确，减少了过拟合现象，并提高了多类分类的准确性。通过两个数据集进行五折交叉验证，MuST-GCN的分类准确率分别达到了90.74%和99.99%，在识别AA、AD和AUD方面优于现有方法。

引言

严重的饮酒问题在医学上被定义为酒精使用障碍（AUD），这是一种慢性、反复发作的脑部疾病。AUD是导致一系列社会和健康问题的关键因素，包括心理健康问题、行为问题以及心血管疾病[1]。通过及时检测和干预，可以减轻AUD的负面影响，引导人们采取更安全的饮酒方式。AUD包含两种症状：酒精滥用（AA）和酒精依赖（AD）。因此，应根据患者的具体症状来制定治疗方案，而不是直接对AUD进行评估。不幸的是，当前的方法只能区分AUD和对照组（正常受试者），但忽略了AA和AD之间的差异。如果按照AD的治疗方法来治疗AA，可能会导致对AA的过度治疗，反之亦然。因此，区分AA和AD至关重要。然而，两者在症状（例如无法控制饮酒行为[2]）和生理指标（例如肝功能障碍[3]、心律不齐[4]）方面有许多相似之处。这些相似性可能导致治疗反应延迟和误诊，最终影响AUD的准确评估。尽管存在这些挑战，但仍有一些心理线索可以区分AA和AD。这两种情况通常都与精神共病（如焦虑症和人格障碍）相关，但它们的成因不同。AA更可能与行为控制能力差有关，如冲动、缺乏计划性和自我控制力，而AD则更可能与情绪波动有关，如易怒、焦虑和抑郁[5]。根据DSM-IV[2]的标准，AD被认为比AA更为严重，因为它涉及更多的症状（如震颤、焦虑），并且伴有戒断症状。AD的共病率更高，相关的心理症状也比AA更严重[6]、[7]。迫切需要开发特征提取方法来区分这两组患者。