从脑电图（EEG）信号到定量评估：利用一种新型深度学习框架预测抑郁症的严重程度

摘要

目前对抑郁症严重程度的评估主要依赖于主观评分量表，缺乏客观的定量生物标志物。本研究旨在基于静息态脑电图（EEG）开发一种深度学习模型，以实现抑郁症严重程度的自动化和定量预测。研究收集了70名抑郁症患者（DD）和30名健康对照组（HC）的静息态EEG数据。提出了一种新的深度学习框架——PLI_GE_gMLP。该框架通过整合相位滞后指数（PLI）、图嵌入（GE）和门控多层感知器（gMLP），有效捕捉了EEG信号在时空上的依赖性及功能连接特征，从而用于抑郁症严重程度的预测。PLI_GE_gMLP模型在预测抑郁症严重程度方面的平均绝对误差（MAE）为4.30，显著优于多种传统的机器学习模型（如RF、XGBoost、LightGBM）和深度学习模型（如ResNet、GENet）。SHAP（Shapley Additive Explanations）可解释性分析进一步表明，额叶和颞叶的功能连接，尤其是Beta和Theta频段的PLI特征，对预测结果贡献最大，这与抑郁症的神经病理机制高度吻合。通过GE和gMLP的协同整合，所提出的PLI_GE_gMLP模型能够实现准确且可解释的抑郁症严重程度预测。