基于脑网络融合EEG个体化微状态与递归图的青少年单双相抑郁识别研究

本研究提出一种创新的微状态概率加权递归图（MSPW-RP）方法，通过融合个体化微状态分析与非线性递归图（RP）技术构建脑网络，有效解决脑电（EEG）信号个体差异与非线性的挑战，显著提升青少年单相抑郁（UD）与双相抑郁（BD）的识别准确率至91.0%，为抑郁症的客观诊断提供新视角。

　　

Highlight

本研究的主要创新点包括：

（1）提出基于微状态概率加权递归图（MSPW-RP）的新型脑网络构建方法，为青少年单相抑郁（UD）和双相抑郁（BD）识别提供新的理论与方法学视角。

（2）通过仿真实验验证了MSPW-RP在不同噪声水平下构建脑网络的鲁棒性。

（3）MSPW-RP显著减少EEG关键信息丢失，在真实与公共数据集上通过机器学习证明其卓越的分类性能（准确率91.0%），超越传统耦合方法（皮尔逊相关81.5%、相干性79.9%、相位同步81.4%）。

（4）非线性域网络拓扑特性揭示：与UD相比，BD患者大脑复杂性与混沌度降低，且表现出更紧密的交互连接模式。

Discussion

本研究提出的MSPW-RP方法有效应对EEG信号显著个体差异与非线性的挑战，通过仿真验证其构建脑网络的鲁棒性，并在真实与公共数据集上证实其对青少年UD和BD的检测效能。进一步引入复杂网络特性探究UD与BD患者大脑非线性动力学差异。

受限于临床样本量与未纳入药物治疗影响等因素，未来需扩大样本并开展纵向研究。微状态聚类依赖电极数量与类别数设定，后续将优化参数选择。当前研究聚焦静态网络，未来将拓展至动态网络分析以捕捉更精细的脑活动时空特征。

Conclusion

本研究证实MSPW-RP方法可增强数据完整性，成功应用于青少年UD与BD识别。通过融合个体化微状态与递归图（RP）技术，揭示大脑非线性动力学特征，并以个体微状态覆盖率为权重优化脑网络重建，为EEG信号抑郁症识别提供有效工具。