《Brain Sciences》：FSC-BiMamba: A Dual-Branch Bidirectional Mamba Network for Frontal Sparse-Channel EEG Depression Detection
编辑推荐：
背景：重度抑郁症（MDD）是一种常见的精神疾病。脑电图（EEG）为抑郁检测提供生理信息，但许多现有方法依赖于密集的多通道记录，限制了其在轻量级EEG筛查中的应用。额叶稀疏通道EEG降低了采集负担，但提供了有限的空间信息，需要有效的窗内表示学习和跨窗口时间建模。
背景：重度抑郁症（MDD）是一种常见的精神疾病。脑电图（EEG）为抑郁检测提供生理信息，但许多现有方法依赖于密集的多通道记录，限制了其在轻量级EEG筛查中的应用。额叶稀疏通道EEG降低了采集负担，但提供了有限的空间信息，需要有效的窗内表示学习和跨窗口时间建模。方法：研究人员提出FSC-BiMamba，一种双分支双向Mamba网络，用于从额叶稀疏通道EEG进行受试者独立的窗口级MDD分类。对于每个窗口，时间-频率图编码器（TFME）学习局部时间-频率模式，而频域统计描述符编码器（FSDE）编码互补的频域统计描述符。自适应双令牌融合（ADTF）模块通过特征级门控整合得到的令牌，形成统一的窗口表示。然后，来自八个连续窗口的表示由双向Mamba（BiMamba）模块处理，以捕获跨窗口上下文。最后，一个softmax分类器将每个上下文表示转换为窗口级类别预测。结果：使用分层受试者独立五折交叉验证评估性能。FSC-BiMamba在MODMA和Mumtaz2016数据集上分别达到了82.70 ± 2.37%和84.55 ± 8.01%的窗口级准确率。结合其紧凑的架构，这些结果表明在分类性能和模型大小之间取得了有利的平衡。结论：FSC-BiMamba有效地将互补的窗口级表示与跨窗口时间上下文相结合。它在两个数据集上均达到了对比模型中的最高准确率，展示了轻量级EEG基MDD筛查中良好的性能-大小权衡。
重度抑郁症（MDD）是一种常见精神疾病，临床诊断依赖症状量表、访谈和主观判断，易受自报偏倚、共病和评者差异影响。脑电图（EEG）能非侵入性测量神经活动，但现有EEG抑郁检测方法多依赖密集多通道记录，限制了其在轻量级筛查中的应用。额叶稀疏通道EEG降低采集负担，但空间信息有限，需有效提取窗内表示并建模跨窗口时间依赖。为此，研究人员提出FSC-BiMamba，一种双分支双向Mamba网络，用于受试者独立窗口级MDD分类。该模型在MODMA（3通道额叶EEG，54名参与者，含26名MDD和28名健康对照）和Mumtaz2016（选择Fp1、Fz、Fp2三通道，58名参与者，含30名MDD和28名健康对照）两个公开静息态EEG数据集上评估，采用受试者独立五折交叉验证，达到窗口级准确率82.70±2.37%和84.55±8.01%，优于对比模型，且参数较少（93,807个可训练参数）。论文发表在《Brain Sciences》。该研究为轻量级EEG抑郁筛查提供了有效方法，平衡了性能与模型规模。
主要关键技术方法：使用两个公开数据集：MODMA（3通道额叶EEG，55名参与者，最终54名）和Mumtaz2016（19通道，选择Fp1、Fz、Fp2，64名参与者，最终58名）。预处理包括0.5–45 Hz带通滤波、2秒非重叠窗口分割、伪迹去除（基于最大幅值和均方根幅值）和z-score归一化。构建8个连续窗口的序列（16秒）。模型包括：时间-频率图编码器（TFME）通过Morlet连续小波变换和通道注意力提取时间-频率特征；频域统计描述符编码器（FSDE）计算频带功率、双极功率、不对称性、谱耦合和带内对数协方差等描述符；自适应双令牌融合（ADTF）通过特征级门控融合两个分支令牌；双向Mamba（BiMamba）模块对序列进行双向建模，捕捉跨窗口上下文。训练采用AdamW优化器、余弦退火学习率调度、类加权交叉熵损失和序列级辅助损失，并应用早停。
研究结果：
抑郁症检测性能：在MODMA数据集上，FSC-BiMamba通过受试者独立五折交叉验证，达到窗口级准确率82.70±2.37%、精度81.36±5.33%、召回率81.36±5.33%、F1-score 81.86±2.90%，假阳性率16.06%、假阴性率18.64%，表明模型平衡且稳定。在Mumtaz2016数据集上，达到窗口级准确率84.55±8.01%、精度89.02±6.13%、召回率79.73±21.98%、F1-score 82.14±13.92%，但召回率波动较大，主因受试者间异质性；受试者级准确率87.88±4.88%，经多数投票后召回率提升至93.33±7.45%。
对比实验：与SVM、EEGNet、DeprNet、EEG Conformer、1D-CNN-GRU-ATTN、Improved BiLSTM和SSAFNet七种基线对比，FSC-BiMamba在MODMA上窗口级准确率、召回率和F1-score最高（82.70%、81.36%、81.86%），在Mumtaz2016上窗口级准确率和精度最高（84.55%、89.02%），受试者级四项指标均最高（87.88%、90.48%、93.33%、91.88%）。模型参数仅93,807个，显著少于DeprNet、1D-CNN-GRU-ATTN和SSAFNet，体现了性能与模型规模的有利权衡。
消融实验：分别移除TFME、FSDE、ADTF和BiMamba模块。在MODMA上，移除TFME导致准确率下降最大（从82.70%降至73.52%），证明时间-频率编码对提取判别性振荡模式至关重要；在Mumtaz2016上，移除BiMamba导致准确率下降最大（从84.55%降至77.02%），表明跨窗口时间上下文在该数据集上尤为重要。移除FSDE或ADTF也造成性能下降，验证了各模块的互补贡献。
讨论部分：敏感性分析表明2秒窗口和8个窗口每序列的配置在平衡时间分辨率和特征估计可靠性方面最优，且BiMamba的线性复杂度使计算成本可控。ROC和精确率-召回率曲线显示MODMA平均AUC为0.912±0.015，Mumtaz2016平均AUC为0.908±0.092，表明模型具有良好的区分能力。SHAP特征归因分析指出Fpz-delta、Fp1-delta和Fp1-beta在MODMA上贡献最大，而Fz-delta、Fp2-beta和Fz-beta在Mumtaz2016上占主导；频段层面，delta活动在MODMA中贡献最大，beta和delta在Mumtaz2016中显著；通道层面，额叶中线通道（Fpz/Fz）贡献最强，双侧额叶通道提供补充信息。ADTF融合可视化显示模型对FSDE路径分配略高权重（均门控值0.398和0.408），且MDD组TFME分配略低，验证了自适应融合机制。神经生理学解释表明模型整合了不同频段和通道信息，适用于轻量级初步筛查。局限性包括：数据集规模较小，仅静息态记录，未来需更大多中心队列和任务态验证。
研究结论：本研究提出FSC-BiMamba用于额叶稀疏通道EEG抑郁检测，旨在解决紧凑EEG记录空间信息有限及跨窗口时间上下文建模不足的问题。在FSC-BiMamba中，时间-频率图编码器（TFME）从时间-频率图中捕获局部振荡模式，频域统计描述符编码器（FSDE）保留显式频谱、不对称性、连接性和协方差描述符。自适应双令牌融合（ADTF）模块整合这些互补表示，双向Mamba（BiMamba）模块进一步建模跨窗口时间依赖。在对比模型中，FSC-BiMamba在两个数据集上均达到最高准确率，并在分类性能与模型规模之间提供了有利的权衡，证明了所提设计对受试者独立抑郁识别的有效性。未来研究将使用更大、更多样化的EEG数据集评估泛化性，并将FSC-BiMamba扩展到多模态生理数据，采用可解释建模策略以提高鲁棒性和透明度。
