《Applied Sciences》：EEGMetaNet: An Enhanced Major Depressive Disorder Detection Framework Using Electroencephalogram and One-Dimensional Convolutional Neural Network
编辑推荐：
重度抑郁症（Major Depressive Disorder，MDD）目前仍高度依赖主观临床评估，缺乏客观诊断方法。尽管基于脑电图（Electroencephalogram，EEG）的深度学习（Deep Learning，DL）框架在MDD检测中已展现成效，
重度抑郁症（Major Depressive Disorder，MDD）目前仍高度依赖主观临床评估，缺乏客观诊断方法。尽管基于脑电图（Electroencephalogram，EEG）的深度学习（Deep Learning，DL）框架在MDD检测中已展现成效，但既有研究多聚焦静息态EEG（睁眼EO与闭眼EC），常忽视任务态EEG及人口学元数据（年龄、性别），且普遍存在受试者依赖型数据泄漏与过拟合问题，削弱框架可靠性。研究人员提出EEGMetaNet，一种五层一维卷积神经网络（1D-CNN），融合静息态与任务态EEG信号及年龄、性别等人口学元数据，用于自动化MDD检测；采用五折分层分组K折交叉验证（Stratified Group K-fold）以最小化受试者泄漏并提升评估可靠性。实验结果表明，该框架五折交叉验证平均准确率为96.55±4.60%；独立留持测试集准确率达98.68%，灵敏度99.68%，特异度97.17%，F1分数98.90%，AUC为98.54%。结果显示，多模态EEG与人口学元数据在受试者独立验证下可辅助提升基于DL的MDD分类性能，所提方法为MDD检测提供了有用的计算框架，但在临床部署前仍需在更大规模、更多样化临床人群中进一步验证。
研究背景方面，重度抑郁症（MDD）依据《精神疾病诊断与统计手册》第五版（DSM-5）诊断，现行自评工具如PHQ-9与DASS受社会期望偏倚影响，且专业人员评估耗时。EEG具备低成本与高时间分辨率优势，DL可从原始EEG中习得复杂模式；但既往EEG-MDD研究多仅用静息态（EO/EC），忽略任务态（如Oddball范式下认知加工相关神经响应）及年龄、性别等人口学因素，后者跨人群泛化受限。同时，受试者依赖型数据划分会导致同被试时段落入训练与测试集，造成数据泄漏与虚高绩效；EEG本身易沾染工频、肌电、眼动伪迹。上述局限共同催生了本研究：构建融合静息态、任务态EEG与人口学元数据的轻量1D-CNN，并施以严格受试者独立验证。
关键技术方法上，研究人员选用马来西亚理科大学医院（HUSM）伦理审批的公开EDF数据集，含34例未用药MDD与30例健康对照（HC），共64人（男40/女24），19通道10–20系统采集中选取13通道（额区、中央区、顶区），每人均有EO（5 min）、EC（5 min）与视觉三刺激Oddball任务态（10 min）记录。数据于预处理前即按受试者整体切分：80%训练（51人）、20%独立留持测试（13人）；训练内再施五折分层分组K折。预处理流水包括50 Hz陷波、0.5–60 Hz带通、ICA伪迹剔除、1 s窗25%重叠分帧、基线校正与Z-score归一化，全程训练/测试隔离防泄漏。模型为五层1D-CNN（卷积核3/步长1，滤波器16→32→64→128→256），配批归一化（Batch Normalization，BN）、Swish激活、Max/Average池化、Dropout（0.4/0.5/0.5）、全局平均池化后接稠密层与Sigmoid，Adam优化，L2正则与早停。
研究结果部分，引言与背景信息小节指出MDD客观化诊断缺口及静息态单一模态、受试者泄漏两大痛点。数据集获取与筛选小节给出队列人口学（MDD均龄38.36±11.26岁，HC 36.20±10.03岁，年龄t=0.804 p=0.425；性别χ2=0.048 p=0.826），说明年龄性别虽组间无差异仍作为解释个体间EEG变异的元数据输入而非判别特征。数据处理与清洗小节阐明Oddball任务诱发P300事件相关电位（Event-Related Potential，ERP），MDD者P300波幅降低、潜伏期延长，任务态提供静息态外补充信息。数据划分与类平衡小节确认按Subject ID整人分配，EO/EC/Task同属一侧。预处理小节报告13通道SNR经流水线后中位数提升。五折SGKF训练准备小节强调分组折叠使同被试所有epoch不跨折。模型开发小节对比传统机器学习（SVM最高80.24%）与不同DL架构（3层CNN 95.24%、1D-CNN+LSTM 98.4%但耗时高、2D-CNN/LSTM不宜），五层1D-CNN在精度与耗时间取得平衡（96.55%）。EEGMetaNet架构小节列出参数量1,410,305（可训练1,407,361）。训练与验证小节中准确率/损失曲线训练与验证贴合，印证早停与正则有效。消融研究小节显示：仅静息态基线精度86.11%/特异72.28%；加入人口学后特异改善；全模态（静息+任务+人口学）达交叉验证精度96.55±4.60%、灵敏99.35±1.02%、特异93.79±8.42%、F1 96.57±4.78%、AUC 0.9744±0.039；独立测试集精度98.68%、灵敏99.68%、特异97.17%、F1 98.90%、AUC 98.54%。与已有研究基准小节指出多数文献用非分组K折致泄漏高估，本框架在更严协议下仍具竞争力。
讨论部分总结认为，通道选择降维、ICA与归一化抑噪、受试者前置切分与SGKF从根本上压制个体记忆与泄漏；任务态Oddball捕获动态认知损伤，与EO/EC静息基线互补，年龄性别在稠密层融合解释个体变异；但单中心64人样本限制泛化，需多中心外部验证。结论部分译文如下：本研究通过将静息态与任务态EEG数据及年龄、性别等人口学变量整合入深度学习模型，解决了MDD评估中的关键挑战，精准精神病学明确人口学因素对MDD检测具重要影响。联合任务态与常规EO/EC记录，既彰显任务特异性脑活动的诊断价值，也证明动态神经活动区分MDD与健康人的能力；人口学因素在稠密层联合引入提升精度。受试者在预处理前即整体切分，训练与测试由完全不同被试群构成。滤波、ICA伪迹去除、归一化与分帧各分区独立执行以避免测试信息渗入训练。五折分层分组K折确保同被试文件即使分帧后仍同组，维持方法学严谨并降低过拟合与泄漏风险。虽用重叠分帧保时域连续，因切分在前故无泄漏；重叠或微幅抬高绩效但收益更大。所达高分类性能须在严格受试者独立验证语境下解读，以防模型记忆个体特征。该框架可作研究向决策支持工具，但临床前需更大异质队列外部验证。任务态EEG以动态认知响应补足静息态，使模型习得更广MDD神经模式；Dropout与监控提升泛化。消融设置下一贯提升契合多模态贡献假设，唯需独立数据集再证。总体而言，EEGMetaNet在严控受试者独立验证下，融合静息态、任务态EEG与人口学元数据，取得与近期深度学习研究相当且具有竞争力的性能。
