《Brain Research Bulletin》：Multidimensional EEG Feature Fusion and Interpretable Machine Learning for Identifying Cognitive Impairment in Depression
编辑推荐：
本研究开发了一个可解释的受试者水平脑电计算框架，用于识别抑郁症患者的认知损害。共纳入142例抑郁症患者，根据蒙特利尔认知评估量表得分将其分为无认知损害的抑郁症组和有认知损害的抑郁症组。研究人员利用16通道静息态脑电信号，从θ、α1、α2、β1和β2五个频段分别
本研究开发了一个可解释的受试者水平脑电计算框架，用于识别抑郁症患者的认知损害。共纳入142例抑郁症患者，根据蒙特利尔认知评估量表得分将其分为无认知损害的抑郁症组和有认知损害的抑郁症组。研究人员利用16通道静息态脑电信号，从θ、α1、α2、β1和β2五个频段分别提取了相位滞后指数、相对功率和模糊熵三种特征，用以表征功能连接、频谱活动和信号复杂性。为降低数据泄露风险，研究人员采用受试者水平的五折分层交叉验证进行模型评估，并对每位参与者的多个脑电窗口预测结果进行聚合。此外，研究人员采用了受试者水平集成欠采样策略来缓解类别不平衡问题，并通过两阶段特征选择策略获得了紧凑且可解释的判别特征子集。结果表明，两阶段SHAP特征选择将760个特征缩减至20个，并将分类准确率提升至80.39%，其中β频段的功能连接和复杂度特征是驱动可解释预测的核心因素。
研究背景与现存问题
抑郁症是一种常见且高度异质的精神疾病，不仅表现为情感和躯体症状，还伴随持续的认知功能障碍，包括注意力、记忆、执行功能和信息处理速度等方面的缺陷。这些认知损害即使在情绪症状部分缓解后仍可能持续存在，严重影响患者日常功能、治疗反应和长期预后。目前临床对抑郁症相关认知损害的评估主要依赖神经心理学量表，但量表评分易受教育水平、年龄、情绪状态和测试环境等因素影响，且难以揭示认知损害背后的神经生理机制。
近年来，脑电图作为一种无创、低成本且具有高时间分辨率的技术，被广泛用于客观评估脑功能状态。已有研究表明，抑郁症患者在θ、α和β等频段的功率分布、区域间同步性和非线性信号复杂度方面存在异常，并与情绪调节和认知功能相关。然而，现有研究仍存在若干关键局限：第一，多数研究仅采用单一类型的脑电特征，限制了不同维度互补信息的整合；第二，连续脑电记录的分段处理可能导致同一受试者的不同窗口被分配到训练集和测试集，引发数据泄露并高估模型性能；第三，抑郁症数据集常存在类别不平衡问题，若不妥善处理，模型会偏向多数类，降低对少数类受试者的识别可靠性；第四，复杂机器学习模型的临床实用性取决于其判别特征能否关联到有意义的神经生理机制，即模型的可解释性问题。
为应对上述挑战，研究人员开发了一个可解释的受试者水平脑电计算框架，旨在客观识别抑郁症患者的认知损害。
主要关键技术方法
研究人员从一家当地医院收集了142例临床确诊抑郁症患者的静息态脑电数据和临床评估资料。采用16通道电极（国际10-20系统），采样频率250 Hz，经预处理后提取三类特征：相位滞后指数表征功能连接、相对功率表征频谱活动、模糊熵表征信号复杂度，覆盖θ、α1、α2、β1和β2五个频段。模型评估采用受试者水平五折分层交叉验证以避免数据泄露，并应用受试者水平集成欠采样策略缓解类别不平衡。特征选择采用两阶段策略：先用方差分析和互信息筛选，再用SHAP值进一步精简，最终获得20个最具判别力的特征。
研究结果
数据集特征
研究纳入的142例患者中，41例被归为无认知损害的抑郁症组，101例为有认知损害的抑郁症组。两组在年龄和性别分布上无显著差异，但蒙特利尔认知评估量表得分差异显著（有认知损害的抑郁症组19.46±3.18 vs 无认知损害的抑郁症组27.27±1.28，P<0.001）。
窗口长度选择
通过比较6至16秒六种非重叠时间窗下的受试者水平平均分类准确率，研究人员选定14秒作为最优窗口长度，此时每位受试者平均保留35.91±3.61个窗口。
两阶段特征选择效果
初始提取的760个特征经第一阶段筛选（方差分析和互信息）保留60个，再经第二阶段SHAP值筛选最终保留20个特征。这一过程使分类准确率从初始的75.67%提升至80.39%。
分类性能评估
在最优设置下，模型在受试者水平上的分类性能为：准确率80.39%、精确率82.89%、灵敏度86.14%、特异度66.42%、F1分数84.48%、AUC 0.83。集成欠采样策略有效改善了类别不平衡问题，使模型对少数类的识别能力得到提升。
关键判别特征分析
SHAP分析显示，对分类贡献最大的前20个特征主要来自β频段，包括β1和β2频段的相位滞后指数和模糊熵特征，而相对功率特征的贡献相对较小。这表明β频段的功能连接和信号复杂度变化是区分有无认知损害的关键神经生理指标。
敏感性分析
采用25分作为替代截断值重复完整建模流程后，模型仍保持稳健的分类性能，进一步证实了研究方法的可靠性。
讨论与结论
研究发现，有认知损害的抑郁症组和无认知损害的抑郁症组在β频段的功能连接和信号复杂度方面存在显著差异，这可能反映了认知加工过程中神经网络协调性的改变。β频段振荡与注意力维持、工作记忆和执行控制等高级认知功能密切相关，其异常可能是抑郁症认知损害的神经生理基础之一。两阶段SHAP特征选择策略不仅提升了模型性能，还增强了可解释性，使研究人员能够识别出最具临床相关性的脑电标记物。研究的局限性包括样本量相对有限、缺乏独立外部验证队列、未纳入健康对照组，以及蒙特利尔认知评估量表作为认知评估工具的固有局限。
研究结论
本研究提出了一个基于多维脑电特征融合与可解释机器学习的受试者水平计算框架，用于识别抑郁症患者的认知损害。该框架通过整合功能连接、频谱活动和信号复杂度三个维度的特征，结合严格的受试者水平交叉验证和集成欠采样策略，有效降低了数据泄露和类别不平衡的影响。两阶段SHAP特征选择将特征维度从760降至20，并将分类准确率提升至80.39%。研究发现，β频段的功能连接和复杂度特征是驱动模型预测的核心因素，为理解抑郁症认知损害的神经机制提供了新的视角。
