基于多视图集成学习的方法,用于通过脑电图(EEG)检测强迫症(Obsessive-Compulsive Disorder)

《Asian Journal of Psychiatry》:Multi-view ensemble learning for EEG-based detection of Obsessive-Compulsive Disorder

【字体: 大 中 小 】 时间:2026年01月07日 来源:Asian Journal of Psychiatry 4.5

编辑推荐:

  EEG-based OCD分类提出频率-aware多视图集成学习框架,通过将脑电信号按δ、θ、α、β、γ波段分解为多视图,结合粒子群优化(PSO)动态加权基分类器,显著提升诊断精度至90.1%±3.0%,优于SVM和随机森林基准模型。

  
阿迪亚·库马尔(Aditya Kumar)| 拉维·帕特尔(Ravi Patel)| 尼哈里卡·科赫(Niharika Koch)| 贾伊纳特·亚达夫(Jainath Yadav)
印度比哈尔邦加亚市南比哈尔中央大学计算机科学系

摘要

精神疾病在现代医疗保健中构成了一个重大挑战,因为它们具有高发病率、复杂的症状表现,并且依赖于主观的诊断程序。特别是强迫症(OCD)是一种慢性且使人衰弱的疾病,会严重影响日常功能,然而仍然难以准确和客观地进行诊断。为了解决这一挑战,我们提出了一种新的基于频率感知的多视图集成学习框架,用于基于脑电图(EEG)的OCD分类。该方法系统地将EEG特征划分为特定频率的视图(δ波、θ波、α波、β波和γ波),从而捕捉与不同认知和情感过程相关的神经动态。对于每个频率视图,训练多个基础分类器,并通过基于粒子群优化(PSO)的权重优化策略整合它们的概率输出。这确保了更具信息量的频率带和分类器按比例贡献于最终预测。在临床EEG数据集上进行的全面实验表明,所提出的模型取得了卓越的性能,平均准确率为90.1%,精确率为90.6%,召回率为90.1%,F1分数为89.7%,显著优于现有的最佳基线方法(如SVM的70.2%准确率和随机森林的68.7%准确率)。这些结果证明了该框架作为一种稳健、无创且可扩展的计算工具的临床潜力,可以补充传统的精神疾病评估并提高OCD识别的诊断精度。

引言

精神疾病是现代医疗保健中最紧迫的挑战之一,不仅因为它们的高发病率,还因为它们对社会、经济和个人生活的深远影响(Scangos等人,2023年)。其中,精神分裂症、双相情感障碍、抑郁症和强迫症(OCD)等病症会严重扰乱认知功能、情绪调节和日常生活活动。OCD是一种慢性且常常导致严重残疾的精神疾病,大约影响全球2%至3%的人口,通常在早期发病并持续终生(Singh等人,2023年)。其特征是反复出现的侵入性思维、冲动或心理图像(强迫观念),以及为了减轻痛苦或防止预期结果而进行的重复行为或心理活动(强迫行为)(Bokor和Anderson,2014年)。这些症状不仅消耗大量时间,还干扰教育、工作、人际关系和整体生活质量(Jalal等人,2023年)。尽管其发病率和影响显著,但OCD的临床诊断仍然极具挑战性(Wilhelm等人,2004年)。当前的诊断评估主要依赖于结构化访谈和自我报告的症状量表,这些方法本质上是主观的,并且在不同临床医生和患者之间存在差异。此外,OCD的症状与焦虑症、抑郁症甚至精神病谱系障碍有重叠,常常导致识别延迟或误诊(Kalmady等人,2022年)。早期和准确的检测至关重要,因为未经治疗的OCD与慢性进展、共病和重大的社会经济负担相关(Kochar等人,2023年)。这些限制凸显了开发客观、可靠且基于神经生理学的诊断工具的紧迫性。特别是基于脑电图(EEG)的计算模型通过捕捉与OCD相关的特定频率的神经动态,提供了非侵入性、可扩展且具有临床相关性的途径,有助于提高诊断精度并支持个性化治疗计划(Ghasemi等人,2025a;Kim等人,2024年)。
脑电图(EEG)是一种无创且成本效益高的神经成像技术,在这方面受到了越来越多的关注(Kumar等人,2024年)。通过高时间分辨率记录大脑的电活动,EEG提供了对多个频率带(δ波、θ波、α波、β波和γ波)的神经振荡动态的独特视角(Newson和Thiagarajan,2019年)。这些振荡模式已被证明与认知和情感过程有很强的相关性,而许多这些过程在精神疾病中受到干扰。特别是从EEG中得出的频谱功率特征、相位同步测量和相干性指数提供了关于大脑连接性和功能组织的宝贵见解(Singh和Krishnan,2023年;Hu和Zhang,2019年)。这些丰富的信息使EEG成为研究精神疾病生物标志物的有吸引力的方法。
近年来,多视图学习和集成学习已成为推进基于EEG的精神疾病分类的强大范式(Gupta等人,2020年;Kumar和Yadav,2025a)。与将EEG特征视为均匀集合的传统单视图方法不同,多视图学习利用EEG数据的固有结构,将特征划分为不同的、具有生理意义的子集。这些划分通常对应于频率带、空间通道分组或连接性测量,每个子集都捕捉大脑动态的互补方面(Tian等人,2019年)。这种特征集划分允许模型保留各个视图的独特特征,同时减少将异构特征合并在一起时可能产生的信息稀释风险(Kumar和Yadav,2025b;Li等人,2024年)。在此基础上,多视图集成学习整合了在不同划分上训练的分类器的预测结果,从而利用了视图内的专业化和视图间的互补性(Kumar和Yadav,2023年;Kumar等人,2022a)。例如,低频带可能编码与情感处理相关的长距离同步,而高频带通常捕捉与认知控制相关的局部皮层活动。通过融合这些视图中的分类器,集成模型可以共同表征精神疾病的多样神经特征。此外,集成策略(如加权投票、堆叠或元启发式优化(例如粒子群优化(PSO))允许对基础学习器进行自适应加权,确保更具信息量的视图按比例贡献于最终决策(Mienye和Sun,2022年;Kumari等人,2022年;Yang等人,2023年)。这种结构化特征划分和基于集成的组合提供了几个优势:对噪声和非平稳性的更好鲁棒性,减少在小数据集上的过拟合,以及通过将分类结果与特定神经基质联系起来提高可解释性。然而,在优化特定视图的权重、平衡模型复杂性和泛化性能之间的权衡,以及开发临床医生可以可靠解释的透明框架方面仍存在挑战。解决这些挑战对于实现基于EEG的精神疾病识别中的多视图集成学习(MEL)的全部潜力至关重要(Kumar和Yadav,2025c;Kumar和Yadav,2025b)。最近的文献计量研究表明,由中国和美国领导的人工智能驱动的OCD研究兴趣日益增长,但高影响力成果有限,国际合作薄弱,机器人干预研究也存在显著差距(Chen等人,2025年)。
工作的新颖性:本研究的主要新颖性在于系统地创建了EEG数据的多视图表示,并将其整合到集成学习框架中。我们不是将提取的EEG特征视为单一的、未区分的集合,而是将它们划分为不同的、特定频率的视图,每个视图都捕捉大脑活动的互补频谱和连接特性。这种结构化分解使得可以从多个角度分析大脑动态,反映了不同频率带在表征精神疾病方面的生理重要性。在此基础上,我们提出了一种多视图集成学习策略,结合了在各个频率视图上训练的多样化分类器的预测能力。这种方法不仅增强了OCD与健康对照组(HC)之间的区分能力,还通过利用视图间的共识提高了鲁棒性和泛化能力。通过同时强调多视图特征组织和基于集成的学习,该工作引入了一种新的基于频率感知的EEG分类框架,推进了当前的精神疾病识别方法。该工作的主要贡献如下。
  • •
    多视图EEG特征划分:我们提出了一种系统的方法,将EEG信号分解为特定频率的特征集(δ波、θ波、α波、β波、γ波),实现了具有生理意义的多视图表示,捕捉了互补的频谱和连接信息。
  • •
    多视图集成学习:我们设计了一个集成框架,在每个频率视图上训练多个基础分类器,并通过加权融合策略整合它们的输出。这种方法利用了不同频率带和分类器的互补优势,以提高整体区分性能。
  • •
    使用PSO进行权重优化:我们采用PSO而不是均匀平均来学习分类器和频率带之间的最佳融合权重。这确保了更具信息量的视图和模型按比例贡献于最终决策,提高了鲁棒性和泛化能力。
  • •
    全面评估:我们在分层K
    折交叉验证下,严格评估了所提出的框架与传统分类器和基线集成方法的表现。使用准确率、精确率、召回率和F1分数来评估性能,以确保鲁棒性和公平性。
  • •
    可解释性和临床相关性:该框架通过雷达图、条形图和EEG热图等可视化工具提供了可解释性,突出了各个频率带对分类结果的贡献。通过在受控研究环境中解决OCD与健康对照组之间的区分任务,所提出的方法作为一种补充的决策支持工具,可以通过提供额外的定量见解来协助临床医生,而不仅仅作为一个独立的诊断系统。
其余部分全面介绍了数据集探索、方法论框架、实验配置和深入的结果分析,随后是与基线和最新模型的统计比较。还讨论了临床相关性和范围,以突出其实际意义。关键发现包含在论文的结论中。

数据集描述

本研究使用的数据集来自一个公开可访问的存储库(Park等人,2021a),也可在Kaggle上找到,名为EEG Psychiatric Disorders Dataset(Work,2021年)。原始研究文章(Park等人,2021b)描述了数据集的策划和数据采集及预处理程序,由数据集创建者记录在补充材料中(Supplementary Material,2021年),确保了EEG记录的有效性、可靠性和真实性。

方法论

所提出的基于EEG的疾病分类方法论设计为一个多阶段集成框架,结合了特定频率的分析、多个基础分类器和智能权重优化,以实现稳健和准确的预测(如图4所示,并在算法2中总结)。该方法首先将EEG信号分解为标准频率带,使模型能够捕捉与每个带相关的不同神经模式。

结果与分析

本节提供了使用EEG数据进行OCD分类的MEL框架的全面评估。分析涵盖了频率带的贡献、交叉验证性能、与基线模型的比较以及统计显著性测试,以确认该方法的稳健性和优越性。

结论

本研究提出了一种新的基于频率感知的多视图集成框架,用于基于EEG的OCD分类。通过系统地将EEG特征分解为特定频率的视图,并通过基于PSO的集成整合多种机器学习和深度学习架构,所提出的方法有效捕捉了互补的神经动态,并实现了卓越的预测性能。实验结果(准确率为90.1 ± ± 3.0%)显示出比传统方法显著的改进。

CRediT作者贡献声明

阿迪亚·库马尔(Aditya Kumar):撰写——原始草稿、方法论、概念化。拉维·帕特尔(Ravi Patel):撰写——原始草稿、验证、调查。尼哈里卡·科赫(Niharika Koch):可视化、形式分析、数据整理。贾伊纳特·亚达夫(Jainath Yadav):撰写——审阅与编辑、监督。

资助

不适用。

利益冲突声明

作者声明没有利益冲突
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号