基于静息态EEG多尺度非线性分析的跨被试抑郁症检测方法研究

推荐：本研究针对抑郁症(MDD)临床诊断主观性强的问题，提出基于多尺度Lempel-Ziv复杂度(MLZC)的静息态脑电(EEG)分析方法，通过融合高频尺度特征实现跨被试诊断。在MODMA和MPHC数据集验证显示，多尺度非线性特征融合使分类准确率达84.81%，揭示γ波段复杂度降低是MDD关键生物标志物，为客观诊断提供新思路。

　　

抑郁症作为全球致残首要原因，其诊断长期依赖主观量表评估，存在个体差异大、客观指标缺乏等瓶颈。静息态脑电图(EEG)虽能反映脑功能异常，但传统频域分析难以捕捉非线性动态特征，且单频段研究无法全面表征病理机制。尤其γ波段(30-100 Hz)与认知情感调节密切相关，但现有研究多聚焦任务态范式，忽视静息状态下多尺度非线性特征的诊断价值。

河北大学（Hebei University）的研究团队在《Neuroscience》发表创新成果，提出多尺度LZC(MLZC)融合选择方法，通过分析MODMA和MPHC两个公共数据集，系统探索不同频段复杂度特征对抑郁症的诊断效能。研究采用多尺度LZC特征提取、脑地形图差异分析和特征融合分类三大技术，发现高频尺度LZC在跨被试诊断中表现最优（准确率82.61%），而多尺度特征融合可进一步提升至84.81%，为抑郁症客观诊断提供新范式。

主要技术方法
研究使用5分钟静息态EEG数据，涉及24例MDD患者和29例健康对照(MODMA数据集)，以及53例MDD/53例HC(MPHC数据集)。通过多尺度LZC算法提取δ-γ波段非线性特征，采用t-SNE降维可视化特征分布，利用SVM、KNN和决策树三类分类器验证性能，最终构建MLZC-FS特征融合模型。

Analysis of the mean multiscale EEG features of MDD
研究发现MDD组LZC值呈现尺度依赖性差异：低频尺度（δ/θ波段）复杂度高于健康对照(HC)，而高频尺度（β/γ波段）显著降低。脑地形图显示γ波段差异最显著，HC组在额叶和顶叶区域复杂度更高，提示MDD患者高级认知功能网络整合能力受损。

Conclusions
MLZC-FS模型通过保留85%高频通道信息，实现跨数据集稳定分类。γ波段LZC降低反映MDD患者神经信息编码效率下降，而多尺度融合能补偿个体差异，使MODMA/MPHC/融合数据集准确率分别达72.42%、84.81%和76.13%。该成果首次系统证实静息态EEG高频非线性特征可作为MDD客观诊断标志物，为临床辅助决策提供量化依据。

讨论与意义
研究突破传统单频段分析局限，揭示MDD脑电复杂度存在"低频升高-高频降低"的尺度分化现象，这与疾病不同病理机制相关：θ波段异常可能反映情绪调节障碍，γ波段衰减则标志认知控制缺陷。通过特征融合策略有效解决临床个体异质性问题，所建模型在未参与训练的新被试中保持稳定性能，对推动抑郁症精准医疗具有重要意义。