CenterIR:一种基于脑电图(EEG)的老年人抑郁症严重程度评估不平衡感知深度回归框架

《Expert Systems with Applications》:CenterIR: An Imbalance-Aware Deep Regression Framework for EEG-Based Depression Severity Estimation in Older Adults

【字体: 大 中 小 】 时间:2026年04月11日 来源:Expert Systems with Applications 7.5

编辑推荐:

  为解决基于脑电图(EEG)的老年抑郁严重程度连续预测中存在的数据分布不平衡难题,韩国研究人员构建了一个融合CNN和Bi-LSTM的深度学习模型,并提出了新型CenterIR损失函数。实验表明,该框架在睁眼(EO)和闭眼(EC)两种静息态条件下均超越了现有方法,尤其EO条件性能更优,为老年抑郁的客观评估和连续监测提供了有效工具。

  
在当今社会,全球人口老龄化趋势日益加剧,老年人罹患抑郁症的比例显著高于普通人群。这不仅给患者带来巨大的身心痛苦,也构成了严峻的公共卫生挑战。传统上,临床医生依赖于访谈或自评量表来评估抑郁程度,但这些方法存在主观性强、易受回忆偏差影响等局限。因此,探索一种客观、定量、非侵入性的评估工具,对于实现老年抑郁的早期发现、精准干预和持续监测具有重大意义。
脑电图(Electroencephalography, EEG)技术以其高时间分辨率、便携性和非侵入性,成为精神健康评估领域备受关注的工具。以往许多研究将基于EEG的抑郁检测构建为一个“有病”或“无病”的分类问题,这虽然有助于筛查,却将抑郁这个连续的症状谱简化为离散类别,可能丢失了关乎个体化治疗方案的细微严重程度信息。近年来,旨在连续预测抑郁评分的回归模型开始出现,但它们面临一个核心障碍:社区数据集中,严重抑郁的案例往往罕见,导致抑郁评分分布严重不均衡(即大量样本集中在轻度区域)。这种“长尾分布”会使模型偏向于学习占多数的轻度症状模式,而对那些临床意义重大但样本稀少的严重案例变得不敏感。此外,静息态EEG记录通常在睁眼(Eyes-Open, EO)和闭眼(Eyes-Closed, EC)两种条件下进行,但目前尚不确定哪种条件能为老年抑郁评估提供更可靠的预测特征。
为了应对这些挑战,由韩国天主教大学数据科学系的研究团队在《Expert Systems with Applications》上发表了一项研究,提出了一种名为“CenterIR”的不平衡感知深度回归框架。该研究旨在为老年群体建立一套稳健、连续的EEG抑郁严重程度评估体系,并探寻更优的EEG记录条件。
研究者构建了一个深度学习模型框架,整合了卷积神经网络(Convolutional Neural Network, CNN)、双向长短期记忆网络(Bidirectional Long Short-Term Memory, Bi-LSTM)以及新提出的CenterIR损失函数。该模型从静息态EEG信号中学习空间和时间特征。研究数据来自104名老年受试者(平均年龄72.55岁),在EO和EC条件下记录了19通道的EEG。抑郁严重程度通过老年抑郁量表简版韩文版(Geriatric Depression Scale–Short Form Korean version, GDS-SF-K)进行评估,其评分分布呈现出典型的向轻度倾斜的不平衡特征。研究者采用了10折交叉验证的策略评估模型性能,并与包括EEGNet、Shallow ConvNet、CNN-TCN在内的多种基线模型进行了比较。
4.1. 模型性能
提出的CNN-Bi-LSTM-CenterIR框架在EO和EC条件下均显著优于所有基线模型。具体而言,在EO条件下,模型取得了均方误差(Mean Squared Error, MSE)0.151、平均绝对误差(Mean Absolute Error, MAE)0.231、决定系数(R2)0.990的优异表现;在EC条件下,性能为MSE 0.270、MAE 0.291、R20.983。这表明该模型能够对抑郁严重程度进行高精度的连续预测。值得注意的是,Transformer架构的模型(如EEG-Conformer)在本研究相对较小的数据集上表现不佳,凸显了所提框架在有限数据下的有效性和稳定性。
4.2. 消融实验结果
4.2.1. 组件与CenterIR的影响分析
消融实验证实了模型各组件的重要性。单独使用CNN或Bi-LSTM的性能均远不及二者结合,证明了CNN提取局部时空特征与Bi-LSTM建模长程依赖的互补性。更重要的是,无论在哪种架构下,引入CenterIR损失都能进一步提升性能,验证了其作为不平衡感知正则化器的有效性。t-SNE可视化显示,使用CenterIR学习到的特征在抑郁严重程度谱上形成了更紧凑、过渡更平滑的簇,定量分析也表明特征相似性与目标值差异之间的负相关性更强,说明CenterIR有效增强了特征空间的连续性。
4.2.2. 对λ参数的敏感性
超参数λ控制着CenterIR正则化项的强度。实验发现,在λ = 5×10-8时模型达到最佳性能。当λ过小(如<10-9)时正则化作用微弱;当λ过大(如5×10-3)时,过度的正则化会损害模型性能,说明需要一个适中的λ值来平衡主损失(MSE)和正则化项。
4.2.3. 回归损失函数比较
研究者将所提的MSE+CenterIR损失与多种回归损失函数进行了比较,包括标准的MSE、MAE、Huber损失,以及专为不平衡回归设计的Focal-MSE、Balanced MSE等方法。结果显示,MSE+CenterIR的组合在EO和EC条件下均取得了最低的误差和最高的R2,显著优于其他方法,证明了CenterIR在处理不平衡回归问题上的优越性。
4.2.4. 边界划分的影响
CenterIR将连续目标值划分为多个“边界”区间进行研究。实验比较了不同边界分辨率(4、8、15个边界)的影响,发现最精细的划分(15个边界,即每个整数GDS-SF-K评分作为一个边界)能带来最佳性能,因为更细的粒度允许模型在更局部水平上增强簇内紧凑性。
4.3. EO与EC条件性能对比
一个关键发现是,EO条件下的模型性能在所有评估指标上均显著优于EC条件(配对t检验p<0.05)。效应量(Cohen's d)分析表明差异具有大的效应量。这意味着睁眼静息态EEG能为老年抑郁严重程度评估提供更具判别力和稳定的神经表征。
为了探究背后的神经生理学机制,研究者进行了SHAP分析和频带地形图分析。SHAP值显示,在EO条件下,对模型预测贡献最大的脑区包括前中部的Fz、Cz等电极。地形图进一步揭示,在EO条件下,高抑郁严重程度与额叶和中央区的delta、theta频带活动增强相关,这与既往抑郁研究的发现一致。而EO条件下在低抑郁水平时观察到的中央区delta/theta活动,可能与视觉处理和注意力参与有关。这表明EO条件可能更好地捕捉了与情绪调节相关的前中部激活和注意力参与模式,这或许是其在预测抑郁严重程度上表现更优的原因。
4.4. 局限性与未来展望
研究也指出了若干局限性。首先是数据集规模较小,且仅来自单一地区的老年人群,限制了模型的泛化能力。其次,评估主要采用时段水平(epoch-wise)的交叉验证,而非完全受试者独立的划分,这可能对泛化能力给出乐观估计。尽管补充了受试者独立的留出验证,但因样本不平衡,其性能有限。未来需要在更大规模、多中心的数据集上进行验证,并整合更多临床和行为学指标。此外,该框架在真实临床环境中的有效性和实用性仍有待检验。
5. 结论
本研究成功提出了一个结合CNN、Bi-LSTM和新型CenterIR损失函数的深度学习框架,用于从老年人静息态EEG中稳健地回归预测抑郁严重程度。该框架通过显式处理目标值分布的不平衡,实现了对全抑郁谱系的高精度连续评估。研究还通过系统比较,首次明确指出睁眼静息态(EO)比闭眼静息态(EC)能为老年抑郁严重程度估计提供更可靠、信息更丰富的EEG特征。这项工作为开发基于EEG的、可用于社区或家庭的老年精神健康客观监测工具提供了重要的方法学基础和见解,有望推动精准医疗在老年抑郁管理中的应用。
相关新闻
生物通微信公众号
微信
新浪微博

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