基于云端EEG分析与迁移学习的抑郁症自动检测系统：同步压缩小波变换与ResNet-18模型的创新应用

本研究针对COVID-19后抑郁症发病率激增的临床需求，开发了基于云计算的计算机辅助抑郁症诊断系统（CCADD）。研究人员通过同步压缩小波变换（SSWT）将单通道脑电图（EEG）信号转化为时频图像，结合迁移学习（TL）技术优化ResNet-18模型，在跨数据库验证中取得最高98%的准确率，为可穿戴设备开发提供了重要技术支撑。

　　

在COVID-19大流行后，全球抑郁症患者数量激增至2.8亿，传统问卷诊断方式存在主观性强、误诊率高等问题。脑电图（EEG）因其非侵入性、高时间分辨率和低成本优势，成为抑郁症客观诊断的重要工具。然而现有EEG分析方法面临三大挑战：小样本导致的过拟合问题、被试间变异大、以及传统特征提取方法难以捕捉神经信号的非线性模式。这些瓶颈严重制约了抑郁症的早期筛查和精准诊断。

来自伊朗伊斯兰阿扎德大学等机构的研究团队在《Scientific Reports》发表了一项突破性研究，他们创新性地将同步压缩小波变换（SSWT）与迁移学习技术相结合，开发出云端计算机辅助抑郁症诊断系统（CCADD）。这项研究通过两个公开数据库（Database I含64例、Database II含121例受试者）验证，发现顶叶EEG信号具有最佳鉴别性能，跨数据库验证准确率达98%，为可穿戴式抑郁症监测设备开发奠定了技术基础。

研究团队采用三项核心技术：首先对EEG信号进行30秒分段和Z-score标准化处理，采样率统一降至128Hz；其次采用SSWT将信号转换为高分辨率时频图像（使用Bump母小波）；最后通过数据增强（包括随机X轴反射等9种方法）优化ResNet-18模型。关键创新在于SSWT技术能锐化时频表示，通过系数重分配克服传统小波变换的频谱扩散问题，其数学表达见公式(1)-(3)。

【材料与方法】研究使用两个公开数据库：Database I包含34例重度抑郁症（MDD）患者和30例健康对照，采集19通道静息态EEG；Database II包含46例抑郁患者和75例对照，采用64通道系统记录。通过留被试交叉验证（LSO CV）评估模型性能。

【结果】在跨数据库验证中：1）顶叶区域（P3/P4/Pz）表现最优，Database I准确率达98%（F1-score 96.27%），Database II达91%（F1-score 90.56%）；2）中央区和额叶区次之，准确率分别为97%/88%和95%/86%；3）单通道分析显示Fp2、T3-T6等通道具有稳定鉴别力。在数据库间迁移测试中，使用Database II训练模型检测Database I顶叶信号时，仍保持75.10%准确率，显著优于反向迁移方案。

【讨论】该研究突破性地发现：1）顶叶EEG的delta和gamma频段振荡是抑郁症关键生物标志物；2）随机X轴反射（Model 3）是最有效的数据增强方式；3）ResNet-18在保持高精度的同时，训练速度比EfficientNetB0等模型快3-5倍。相比既往研究（如表9所示），该方法在跨中心验证中展现出更优的泛化能力。

这项研究的临床意义在于：1）为开发仅需单通道EEG的可穿戴设备提供理论依据，预计可集成至头带等日常用品；2）建立的云端诊断框架CCADD可降低医疗资源消耗；3）发现的顶叶生物标志物为抑郁症机制研究提供新方向。未来工作将聚焦于抑郁程度量化算法开发和设备实用化改进，最终实现抑郁症的日常监测与早期干预。