IEEE trans:利用空间信息增强基于EEG的抑郁症患者分类

抑郁症是最常见的抑郁障碍，以显著而持久的心境低落为主要临床特征，是心境障碍的主要类型。根据世卫组织统计，到2030年，抑郁症会成为全球的主要疾病之一。郁症发现得越早，越容易治疗。脑电图作为一种低成本、无创、高时间分辨率的采集技术，被广泛应用于抑郁症诊断。本文主要研究了、情感特征提取、特征选择、机器学习以及用于训练和测试的数据集，特别是空间信息特征的提取和选择对于抑郁症的分类和诊断。之所以选择这一点，是因为许多研究表明，抑郁症患者在受到刺激时，与健康对照组相比，在神经生理学信号方面表现出不同的空间反应。

在这项研究中， 对Dep（抑郁）组和HC（健康）组进行了情绪诱导实验，他们在人群任务刺激中对六种人类面部表情做出反应。 使用了两种类型的情绪刺激：积极的和消极的。采用差分熵（DE）和遗传算法（GA）进行特征提取和特征选择，使用支持向量机（SVM）对抑郁症患者进行分类。  

脑电信号处理框图

Dep组包括16例右利手抑郁症患者。HC组包括14名右利手健康参与者。 参与者都接受了一次访谈，其中汉密尔顿抑郁量表（HAMD）。焦虑自评量表（SASHC）。人群中的人脸任务刺激由六张人脸组成。每个受试者整个实验大约用了30分钟。从64通道表面电极（QuickCap）以1000hz的采样频率记录脑电信号。 通过小波包分解提取δ（1–4 Hz）、θ（4–8 Hz）、α（8–13 Hz）、β（13–30 Hz）和γ（30–80 Hz）波和宽带脑电图（EEGW）。使用支持向量机进行分类。

为了观察TCSP在不同情绪诱导实验中的表现，我们提供了两种任务刺激：积极情绪和消极情绪。。采用TCSP（空间信息增强）对正、负刺激下的任务脑电进行分类，分类结果分别为84%和85.7%，与未使用TCSP时的分类结果分别为81.7%和83.2%相比，差异有统计学意义。此外，这些结果在统计学上显著高于使用所有没有特征选择的通道时的66.5%和68.6%。基线脑电图也有类似的趋势。空间信息有助于提高分类性能，而TCSP可以在特征提取前增强空间差异，从而获得更高的分类性能。

为基于频率信息滤波、时间信息特征提取和空间信息特征选择的群体任务刺激实验中的人脸， 提出了一种改进的基于EEG的空间信息特征分类方法，用于抑郁症患者的检测。TCSP的应用显著提高了分类性能，表明TCSP能够增强特征提取前的空间差异，是一种有潜力的诊断方法。

C. Jiang, Y. Li, Y. Tang and C. Guan, "Enhancing EEG-Based Classification of Depression Patients Using Spatial Information," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 29, pp. 566-575, 2021, doi: 10.1109/TNSRE.2021.3059429.