基于知识引导的多范式脑电图注意力融合用于抑郁发作检测

《Neurocomputing》：Knowledge-guided attention fusion of multi-paradigm EEG for depressive episode detection

　　

姚沛|陈阳|张贤斌|理查德·米尔哈姆|边贵宾|温胜林|吴万青

中国深圳，518107，中山大学生物医学工程学院

摘要

提升基于脑电图的情感计算模型的泛化能力仍是一项重要挑战，部分原因在于实验范式对神经表征的影响往往被忽视。现有的大部分融合技术都隐含地假设脑电图模式与实验范式无关，这就限制了它们在现实世界心理健康评估中的可靠性。为解决这一问题，我们构建了一个多范式脑电图数据集，其中包含28名处于抑郁发作状态的人以及29名健康对照者在三种典型认知状态下的脑电图记录：闭眼休息、睁眼休息以及自由观看运动刺激视频。

我们的分析发现不同组别之间存在因实验范式而异的差异，这凸显出对认知状态变化进行建模的必要性。基于这一思路，我们提出了一种基于知识增强的注意力融合框架，该框架能够动态地为不同范式、频段和空间通道分配权重。这种分层设计有助于有效整合互补的神经生理信息，从而生成更稳定且具有区分度的潜在特征表示。

我们采用多种深度学习模型对所提出的方法进行了评估。大量对比实验表明，该方法的表现始终优于三种常见的融合基准方法，而且相比基于串联的方法，所需训练参数显著更少。当该框架与Conformer架构结合使用时，模型的准确率为85.64%，F1值为84.57%，同时参数数量减少了约60%。此外，所学到的注意力分布还能为我们提供可解释的见解，帮助理解不同实验范式和神经特征在抑郁症识别中的作用。

总体而言，这项工作强调了在基于脑电图的抑郁症检测中考虑实验范式的重要性，并提出了一种可解释且具有泛化能力的融合机制，有助于提升情感神经计算中的特征整合水平。

引言

包括单相抑郁症和双相抑郁症在内的抑郁发作是全球范围内导致残疾的主要原因之一。根据世界卫生组织的数据，全球有超过2.8亿人患有抑郁症，而双相情感障碍则影响了另外4000万至5000万人[1]。这类疾病的特点是情绪调控功能反复出现异常，尤其是抑郁发作，它会导致认知功能、社交互动以及日常活动能力出现严重受损。重要的是，无论是在抑郁症还是双相情感障碍背景下出现的抑郁发作，都会增加自杀念头产生的风险、降低治疗依从性，并带来长期的心理社会负担[2]。

目前，诊断抑郁发作的手段主要依赖于基于标准化标准的临床访谈，比如《国际疾病分类》第11版（ICD-11）[3]和《精神障碍诊断与统计手册》第五版（DSM-5）[4]。然而，由于缺乏客观且具有生物学依据的诊断标志物，仍然难以实现早期识别。

脑电图已被广泛用于寻找神经精神疾病的神经生物标志物，其最终目标是了解疾病的潜在机制，进而提高诊断或预后判断的准确性。在神经科学和临床研究中，脑电图分析通常是基于特定的实验范式设计的，因为不同的范式会引发不同的认知或情感状态。因此，分析方法的选择与所研究的范式以及相关的神经过程密切相关。常见的脑电图分析方法包括对信号复杂性、相干性与同步性、功率谱密度以及功能连接性的评估。这些方法常常通过统计检验或基于机器学习和深度学习模型的性能指标来进行比较。以往的研究已经表明，在阿尔茨海默病、注意力缺陷/多动障碍以及抑郁症等疾病中，脑电图生物标志物具有依赖实验范式的特性，这凸显出在选择实验范式和分析方法时需要格外谨慎[5]、[6]、[7]、[8]、[9]。基于这一观点，我们的研究探讨了利用多种实验范式以及特征融合技术来获取互补的神经生理信息，从而更准确地识别抑郁发作。

因此，迫切需要探索能够整合多种大脑状态的多范式脑电图融合策略，以提高基于脑电图的情绪障碍识别方法的稳健性和泛化能力。在本研究中，我们提出了一种基于注意力的新型特征融合框架，该框架利用在多种实验范式下采集的脑电图数据，旨在提取特定于各范式的特征，并动态地为不同频段和通道分配有意义的权重。这一方法填补了现有文献中的空白，也为开发更精准、更具泛化能力的基于脑电图的抑郁发作诊断工具提供了新的思路。

本文的主要贡献如下：

1）我们提出了一种基于知识引导的注意力融合框架，用于多范式脑电图驱动的抑郁发作检测。该框架利用预先编码的实验范式信息，指导自动学习不同范式、空间通道以及频段的特征重要性。这一机制使得能够灵活整合不同的脑电图信息，充分发挥多范式神经信号的互补优势。

2）与简单的串联或线性组合等传统融合策略不同，我们所提出的方法引入了一种数据驱动的加权机制，提升了融合后脑电图特征的表征能力。这种设计提高了基于脑电图的模式识别任务中特征融合的效果和稳健性。

3）该框架提供了一种可解释的特征加权机制。通过可视化所学到的注意力权重，模型能够显示出不同实验范式、通道以及频段各自的贡献程度，从而帮助我们了解分类过程背后的神经模式。

4）在多范式脑电图数据集上进行的大量实验证明了所提方法的有效性。实验结果表明，与传统的特征融合方法以及单范式方法相比，该融合框架在抑郁发作识别任务中的表现更为优异。

章节节选

相关研究

脑电图已被临床医生和研究人员广泛用于研究大脑功能以及检测神经系统疾病。例如，Paola Canali等人发现，双相抑郁症患者的伽马波振荡速度明显较慢，这一现象在重度抑郁症患者和精神分裂症患者中也存在[10]。不过，对于研究双相情感障碍的最佳脑电图实验范式，目前学术界尚未形成共识。有一些研究已经

注意力机制

基于全连接层的注意力机制可以通过多层神经网络动态计算输入特征的权重分布，从而聚焦关键信息，提升模型性能[23]、[24]、[25]。我们设计了三层全连接结构，用以捕捉实验范式与通道及频段权重之间的复杂线性关系。对于特定情况下脑电图通道权重的计算过程为

不同范式下功率谱密度变化的分析

分析不同组别之间的功率谱密度差异对于识别神经生理生物标志物、阐明精神障碍的病理生理机制以及指导针对性诊断和治疗方案的制定具有重要意义。我们计算了处于抑郁发作状态的患者与健康对照者在三种实验范式下的功率谱密度差异，这三种范式包括闭眼休息状态、睁眼休息状态以及

结论与未来工作

本研究系统地比较了三种实验范式——闭眼休息状态、睁眼休息状态以及自由观看状态下的脑电图功率谱密度差异，结果发现每种范式都能捕捉到与抑郁症相关的不同信息。为了进一步验证传统的特征融合方法，我们同时使用了经典的机器学习模型和最先进的深度学习模型。在机器学习方法中，集成学习法和随机森林取得了相当不错的性能，

局限性

本研究的一个局限性在于，脑电图信号在1–49 Hz范围内进行了滤波处理。虽然这一设置在脑电图研究中较为常见，但对于严谨的临床分析而言，较低的截止频率，即0.5 Hz，可能更为合适，尤其是在进行传统的δ波段分析时。因此，应根据具体的研究目标仔细选择滤波范围。

此外，本研究中所使用的实验范式仅限于休息状态和

CRediT作者贡献说明

姚沛：论文撰写——初稿撰写、正式分析、数据整理、概念构思。陈阳：资源提供、数据整理、概念构思。张贤斌：研究实施、数据整理。Richard Millham：指导监督、资金筹集。边贵宾：指导监督、资源提供。温胜林：论文撰写——审阅与编辑、指导监督、项目管理。吴万青：论文撰写——审阅与编辑、指导监督、资金筹集。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢

本项工作部分得到了中国国家重点研发计划（项目编号：2023YFE0110200）的支持，同时也获得了南非国家研究基金会（项目编号：151178）的资助。

姚沛目前在中国中山大学生物医学工程学院攻读博士学位。他的研究兴趣包括情感计算和模式识别领域。