基于可解释脑电图(EEG)的抑郁症治疗结局预测——采用局部斐波那契模式(Local Fibonacci Pattern, LFP)分析

《Psychiatry Research: Neuroimaging》：Explainable EEG-based prediction of depression therapy outcomes using local Fibonacci pattern analysis

　　

摘要：抑郁症(depressio n)治疗结局对于选择性5-羟色胺再摄取抑制剂(Selective Serotonin Reuptake Inhibitor, SSRI)与重复经颅磁刺激(repetitive Transcranial Magnetic Stimulation, rTMS)疗法仍难以在治疗前预测，导致试错性治疗选择及临床获益延迟。本研究开发一种基于脑电图(Electroencephalogram, EEG)的预测模型，利用局部斐波那契模式(Local Fibonacci Pattern, LFP)特征在治疗启动前分类治疗应答者(Responder, R)与非应答者(Non-Responder, NR)。来自Mumtaz SSRI数据集与Atieh Hospital rTMS数据集的治疗前EEG信号经有限冲激响应(Finite Impulse Response, FIR)滤波与多尺度主成分分析(Multi-Scale Principal Component Analysis, MSPCA)预处理。LFP方法通过斐波那契索引的局部差分与直方图编码，从19通道EEG记录中直接提取非线性时域特征。特征经邻域成分分析(Neighborhood Component Analysis, NCA)排序后，在段水平10折交叉验证(10-fold Cross-Validation)下由前馈神经网络(Feedforward Neural Network, FFNN)分类。该协议下模型准确率(Accuracy, ACC)分别为SSRI 99.12％、小rTMS数据集100.00％、大rTMS数据集94.51％。为评估过拟合风险并提供更严格的被试水平泛化估计，研究人员还进行了留一被试交叉验证(Leave-One-Subject-Out, LOSO)。LOSO验证下对应准确率分别为61.83％、77.93％和71.57％，平衡准确率(Balanced Accuracy)/宏F1(Macro-F1)值分别为59.07％/59.16％、65.49％/66.68％和75.43％/71.51％（SSRI、小rTMS、大rTMS）。关键判别通道对应于参与情绪调节与认知控制的额叶、颞叶及顶叶区域。修正后的发现支持LFP作为一种计算高效的EEG表征方式，但较低的LOSO结果提示在临床部署宣称前仍需更大独立队列验证。

论文解读：《基于可解释EEG的抑郁症治疗结局预测——采用局部斐波那契模式(LFP)分析》

该研究发表于Psychiatry Research: Neuroimaging。重度抑郁症(Major Depressive Disorder, MDD)全球患病人数近2.8亿，约半数患者对首选的SSRI或rTMS治疗无充分应答，现行精神科决策缺乏客观生物标志物而依赖试错，延误有效干预并增加自伤风险。EEG作为一种低成本、非侵入、床旁可及的神经电生理模态，其治疗前信号被认为蕴含治疗应答相关的神经信息，但EEG的高维、非线性及被试间变异使传统目视或常规特征难以可靠分类。研究人员假设可从预处理后的多通道EEG中直接提取可表征治疗应答差异的非线性时域纹理特征，并构建机器学习流程以评估其在SSRI与rTMS两种疗法中区分R与NR的可行性及泛化能力。论文提出局部斐波那契模式(Local Fibonacci Pattern, LFP)特征工程方法，结合MSPCA去噪、NCA特征选择及FFNN分类，在公开与临床采集的两类治疗队列中分别采用段水平10折交叉验证与更严苛的LOSO验证评估性能，最终指出LFP具计算效率优势但当前样本规模限制临床转化，需外部大样本验证。

研究人员所用关键技术方法如下：采用两个治疗队列——Mumtaz等人公开的SSRI治疗抑郁症EEG数据集（含R/NR标注）及伊朗Atieh医院采集的rTMS治疗抑郁症EEG数据集（分小样本与大样本两个版本）；原始19通道EEG经EEGLAB工具箱处理，施加0.5–45 Hz FIR带通滤波与50 Hz（47–53 Hz）陷波滤波去除工频干扰，分段为15 s epochs；采用多尺度主成分分析(Multi-Scale Principal Component Analysis, MSPCA)抑制噪声；对每个通道采样点按Fibonacci数列索引做相邻局部差分并编码为直方图，构建LFP特征向量，各通道拼接实现特征层融合；利用邻域成分分析(Neighborhood Component Analysis, NCA)进行特征排序与降维；以前馈神经网络(Feedforward Neural Network, FFNN)作为分类器；分别在段水平施行10折交叉验证(10-fold Cross-Validation, CV)及在被试水平施行留一被试交叉验证(Leave-One-Subject-Out, LOSO CV)，评价指标含准确率(Accuracy, ACC)、平衡准确率(Balanced Accuracy)及宏F₁(Macro-F₁)。

Materials

研究人员明确选用Mumtaz SSRI数据集（治疗前静息态EEG，已具治疗后HAMD/BDI-II判定的R/NR标签）与Atieh Hospital rTMS数据集（分为small rTMS与big rTMS两个子集），强调因错误治疗推荐具潜在临床危害，故需异源疗法数据双重验证模型稳健性。

Preprocessing

研究人员用EEGLAB剔除电源线噪声与运动伪迹，对每导联EEG施予0.5–45 Hz FIR带通滤波及50 Hz陷波滤波（47–53 Hz），随后以15 s为滑动窗口截取epochs，该长度经经验性调优以兼顾片段内稳态信息与分段数。

Methodology

整体流程为：多通道EEG → MSPCA去噪 → 逐通道LFP特征提取（Fibonacci-indexed局部差分→直方图编码→通道级特征向量）→ 19通道特征拼接 → NCA特征选择 → FFNN分类（二分类：R vs NR）。研究人员特别指出LFP直接从时域捕获非线性动态且计算开销低，避免了时频变换与深度迁移学习的复杂度。

Results and discussion

研究人员报告：在段水平10折CV下，SSRI数据集ACC达99.12％，small rTMS数据集ACC为100.00％，big rTMS数据集ACC为94.51％。但在更贴近临床部署假设的LOSO验证下，SSRI ACC降至61.83％（平衡ACC/宏F₁=59.07％/59.16％），small rTMS ACC为77.93％（平衡ACC/宏F₁=65.49％/66.68％），big rTMS ACC为71.57％（平衡ACC/宏F₁=75.43％/71.51％）。通道重要性分析显示额叶(frontal)、颞叶(temporal)及顶叶(parietal)区域电极贡献最大，与情绪调节及认知控制神经网络相符。研究人员认为段水平过高性能提示特征存跨段同质性与潜在过拟合，LOSO结果更能反映个体间差异带来的泛化挑战；LFP作为一种轻量、可解释的时域特征具方法学价值，但当前队列规模尚不足以支撑临床直接应用。

Conclusion

本研究提出并验证了一种基于局部斐波那契模式(Local Fibonacci Pattern, LFP)特征的EEG机器学习模型，用于预测SSRI与rTMS抑郁症治疗应答。LFP方法通过Fibonacci索引局部差分与直方图编码从19通道EEG中提取紧致时域特征，规避了复杂时频图像生成及深度迁移学习流程。在段水平10折交叉验证下模型对SSRI疗法准确率达99.12％，对小型rTMS数据集达100.00％，对大型rTMS数据集达94.51％。为评估过拟合风险并提供更严格被试水平泛化估计，研究人员补充了留一被试交叉验证(Leave-One-Subject-Out, LOSO)，对应准确率分别为61.83％、77.93％和71.57％，平衡准确率与宏F₁分别为59.07％/59.16％、65.49％/66.68％和75.43％/71.51％。关键判别通道对应参与情绪调节与认知控制的额叶、颞叶及顶叶脑区。修正后的结果表明LFP是计算高效的EEG表征方法，但LOSO验证下降低的性能说明在作出任何临床部署声明前仍需更大独立队列加以验证。