《Healthcare Analytics》：A data-driven approach to depression detection and assessment using minimal brain signal sensing
编辑推荐：
研究人员提出一种利用最小脑信号进行抑郁评估决策的分析框架。研究证明，使用单脑信号通道即可实现可靠的抑郁检测。研究确定中央脑区是对诊断决策最具信息量的区域。研究进一步表明，基于频率的特征能够支持准确且高效的决策。通过低负担分析模型，研究为实用的心理健康筛查提供了
研究人员提出一种利用最小脑信号进行抑郁评估决策的分析框架。研究证明，使用单脑信号通道即可实现可靠的抑郁检测。研究确定中央脑区是对诊断决策最具信息量的区域。研究进一步表明，基于频率的特征能够支持准确且高效的决策。通过低负担分析模型，研究为实用的心理健康筛查提供了可行途径。
重度抑郁症（major depressive disorder, MDD）是一种在全球范围内高发的精神疾病，尤其多见于18至29岁人群，并与显著的个体和社会负担相关。准确诊断对于及时干预和治疗至关重要。基于脑电图（electroencephalogram, EEG）的机器学习研究大多采用多通道记录系统，通常使用3至19个电极，但多通道采集会增加设备复杂度、准备时间和患者不适，限制了其在常规临床、可穿戴设备及长期监测中的应用。已有研究多采用段级交叉验证，可能因同一受试者不同脑电片段之间的强相关性而造成信息泄漏，从而高估模型泛化能力；同时，许多研究未将超参数优化与模型评估严格分离。针对这些问题，该论文发表于《Healthcare Analytics》，旨在通过严格的嵌套受试者级留一受试者交叉验证（leave-one-subject-out, LOSO）框架，系统评估单通道EEG用于MDD检测的可行性，并识别具有临床意义的电极位置。
研究使用了马来亚大学医院（Hospital Universiti Sains Malaysia, HUSM）公开EEG数据集，原始队列包含30例MDD患者和28例健康对照；因两名MDD受试者的有效分段数不足，最终纳入28例MDD和28例健康对照。EEG按国际10-20系统以19通道采集，采样率256 Hz，数据提供方已完成带通滤波、工频陷波和伪迹校正。研究人员将每段5分钟数据分割为十个30秒不重叠段，对每个通道独立提取58个时域和频域特征，包括统计特征、熵、复杂度、分形维数、频带统计、谱熵和频带功率等。随后采用随机森林（random forest, RF）、梯度提升（gradient boosting, GB）和支持向量机（support vector machine, SVM）三类经典机器学习模型进行分类；超参数通过内层LOSO和贝叶斯优化调整，并以阈值法将片段级预测转换为受试者级判定。特征选择基于RF重要性得分，在每一外层LOSO折内仅使用训练受试者进行排序，并评估前5、10、15、20个特征子集；同时开展时域（time-domain, TD）与频域（frequency-domain, FD）特征的消融分析，以及区域和受试者通道一致性分析。
在分类性能与最优通道方面，RF在所有分类器中表现最稳定。中央区通道C3和Cz取得最高分类准确率93.8%，敏感性96.4%，特异性91.1%；C4准确率为92.0%。额区Fp2在RF和GB下分别达到92.9%和92.1%，颞区T3在RF下达到92.9%，枕区O1在GB和SVM下均达到92.9%。区域分析显示，中央区准确率最高，为93.9%，颞区为93.4%，额区为93.3%，枕区为91.6%，顶区相对较低，为89.7%。阈值分布分析显示，阈值0.5附近被选择频率最高，极端阈值分类稳定性较差。
在特征选择与消融分析方面，频域特征在各通道中持续排名靠前，表明频谱特征对MDD判别贡献更大。使用前5、10、15、20个特征时，分类准确率波动仅约1%至3%，说明较小的高信息特征子集即可维持与完整特征集相当的分类性能。消融分析显示，FD特征单独使用时的准确率比TD特征高约7%至10%，但TD与FD组合的特征集在多数通道上取得最佳结果，表明两类特征具有互补性。
在区域与受试者通道分析方面，区域内的多通道组合并未显著优于该区域最优单通道。受试者层面的回顾性通道选择分析表明，C3在闭眼和睁眼条件下均是最常被识别为最优的通道，中央区电极在不同记录条件下具有较强一致性。进一步的通道间相关分析显示，C3、C4和Cz之间的多个频域特征存在较高相关性，提示相邻中央通道信息存在冗余，这也解释了多通道组合收益有限的原因。
讨论部分指出，与已有单通道研究相比，Bachmann等人使用Pz通道取得92%准确率，Zhu等人使用T4通道取得92%准确率，而本研究在更严格的嵌套受试者级LOSO框架下，以中央区C3和Cz取得93.8%的准确率，体现了评估方法严谨性对结果可信度的影响。中央区优势并不否定额区异常在MDD中的重要性，额区同样达到93.3%的区域准确率。研究局限性包括样本量较小、来自单一公共数据集，且缺少性别分布、用药状态和精神共病等详细信息；未来需在更大规模、多中心、人口学多样化的独立队列中验证。
研究结论可译为：本研究在严格嵌套受试者级LOSO评估策略下，提出了基于单通道EEG信号进行MDD分类的系统性通道与区域分析框架。结果表明，使用简化EEG配置可以可靠区分MDD与非MDD受试者，其中中央区域持续提供最强的判别性能。在评估通道中，C3和Cz使用RF分类器达到最高93.8%的分类准确率，突显了其作为简化感知系统候选电极的潜力。特征选择与消融分析进一步表明，使用相对较小的信息特征子集可实现同等分类性能，且频域特征比时域特征对MDD判别贡献更大。此外，区域分析显示，区域内多通道组合相比最优单通道仅提供有限增益，受试者分析在闭眼和睁眼条件下一致识别中央通道（特别是C3）为最具信息性的通道。总体而言，本研究表明，使用最小脑电感知配置即可实现可靠的受试者级MDD检测。这些结果支持开发轻量、计算高效且可穿戴的EEG系统，用于自动化抑郁筛查和长期心理健康监测。
