基于EEG功能连接的多变量模式分析：抑郁症的分类研究

《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》

抑郁症(depressive disorder, MDD)是一种已经影响到全球超过3.5亿人的常见精神疾病，其主要特征是持久和严重的情绪低落或躁狂。患者很难控制自己的情绪，表现出情绪低落，从而降低了患者对所有活动的兴趣。到目前未知，抑郁症的病理生理机制仍不十分清楚。目前，临床上对抑郁症的诊断主要基于临床医生对患者的问卷量表调查，但是这种方法有一定的主观性。因此，研究者试图运用多种神经成像技术如EEG、MRI、MEG、PET等来实现对抑郁症的客观评价和诊断。在这些成像技术中，EEG似乎具有得天独厚的优势，如设备价格低、时间分辨率超高等。运用EEG技术，研究者发现抑郁症患者的不同频段震荡活动以及多个脑区之间的功能连接网络等表现出不用于正常人的特征。 近些年来，随着机器学习的兴起，机器学习结合抑郁症的EEG信号特征用于抑郁症的分类研究越来越受到研究者的青睐。尽管静息态EEG研究已经证实抑郁症和健康人的脑功能网络存在统计学差异，但是，到目前为止，基于机器学习的多变量模式分析能否捕获整体的EEG功能连接模式以实现高准确率区分抑郁症患者与正常对照者还尚未可知。近期，兰州大学相关研究团队在《IEEE Access》杂志发表题为《Multivariate pattern analysis of EEG-based functional connectivity: a study on the identification of depression》的研究论文，对上述问题进行了研究。本文对该项研究进行解读。

研究方法 1.被试 该研究最终包含27个MDD患者和28个相匹配的健康被试，两组被试的相关临床资料如表1所示。

表1

2.EEG数据采集和预处理 在被试清醒闭眼状态下，采用128通道的静息态EEG信号，采样频率250Hz，参考电极位于Cz电极。 静息态EEG的预处理采用EEGlab工具包。首先，对EEG信号进行1-40Hz的带通滤波；其次，肌电和眼电等噪声用TrimOutlier插件去除；第三，插补坏道；第四，采用REST方法对EEG信号进行重参考；第五，EEG中包含高频噪声成分的数据点使用Artifact Subspace Reconstruction (ASR)插件去除。经过上述预处理步骤，得到干净的EEG信号被滤波成delta (1-4 Hz), theta (4-8 Hz),alpha (8-13 Hz)和beta (13- 30 Hz)4个频段，并对整个1-40Hz频率段的信号进行了研究。 3.功能连接矩阵的构建 该研究采用相滞指数（Phase Lag Index，PLI）来计算两两通道信号之间的功能连接。x,y两个通道之间的PLI计算公式如下：

总之，经过上述计算，可以得到一个128128的PLI功能连接矩阵，其中128是通道数。 4. 采用Kendall’s tau相关系数对特征进行降维 对于每个被试每个频率段，都可以得到一个128128的对称PLI功能连接矩阵，相当于128*（128-1）/2=8128个特征属性。因此，需要对特征进行降维操作。该研究采用Kendall’s tau相关系数去除分类能力弱的特征。 Kendall’s tau相关系数定义如下：

其中，nc、nd分别表示concordant pairs和discordant pairs的数目，m、n分别表示病人和健康人的数目；concordant pairs和discordant pairs分别定义为两个被试的标签之差与特征值之差的符号相同和不同。 这样，每个特征属性都会计算出一个Kendall’s tau相关系数，把这个系数的绝对值作为这个特征的分类能力，绝对值越大，表示这个特征的分类能力越大。 5.分类器和性能评价 该研究使用支持向量机 (SVM)、K邻近、决策树 (DT)和朴素贝叶斯(NB)4种分类器。分类的性能采用灵敏度sensitivity, 特异性specificity, 准确度accuracy, 受试者工作特征曲线(ROC) 和曲线下面积 (AUC)来评价。 此外，分类器的分类显著性采用置换检验的方法计算相应p值。 该研究的分析流程如图1所示：

图1

结果与讨论 1.功能连接矩阵 患者组、健康对照组、患者组-健康对照组以及健康对照-患者组的组平均功能连接矩阵如图2所示。患者组和健康对照组的功能连接表现出相似的模式（图2a和2b），但是从图2c和2d可以看出，与健康对照组相比，MDD患者组在大部分脑区之间表现出降低的同步化水平，而在小部分脑区之间表现出增加的同步化水平。

图2

为了进一步明确，MDD患者相对于正常对照组来说增加和降低的功能连接位于哪些脑区之间，研究者在头模型上画出了不同频段的功能连接，如图3所示。图3所示为MDD患者相对于正常对照组来说增加和降低的功能连接（稀疏度设置为0.05）。从图中可以看到，对于全频率段的功能连接，MDD患者大部分增加的功能连接主要位于左侧额叶、颞叶、顶叶和右侧枕叶，而大部分降低的功能连接主要位于右侧额叶。对于delta频段，增加的功能连接主要分布于左侧颞叶，而降低的功能连接则位于全脑。对于theta频段，大部分增加的功能连接位于右侧枕叶，而降低的位于左侧额叶。对于alpha频段，增加的功能连接位于左侧额叶，而降低的位于左侧顶叶。对于beta频段，大部分增加的功能连接位于左侧顶叶，而大部分降低的位于左侧额叶和颞叶。 总之，这些结果表明，MDD患者主要在左半脑，特别是额叶、颞叶和顶叶脑区表现出较高的同步化水平，而在右半脑，特别是额叶表现出较低的同步化水平。

图3

2.分类结果 采用不同的分类器得到不同的分类准确度，具体如表2所示。从图2可以看出，当采用SVM分类器，从全频段的PLI功能连接中选择Kendall’s tau相关系数最大的249个特征进行分类时，可以获得最高的分类准确度，即92.73%（AUC=0.98，P<0.0001）。

表2

3.异常的功能连接 上述的结果表明，当采用SVM分类器，从全频段的PLI功能连接中选择Kendall’s tau相关系数最大的249个特征进行分类时，可以获得最高的分类准确度。因此，通过画出这249个特征功能连接的位置，可以研究MDD患者哪些脑区之间的功能连接出现了异常。这249个功能连接如图4所示，可以看出，这249个功能连接特征主要分布于左侧额叶和顶叶之间。因此，该研究认为MDD患者的左侧额叶和顶叶之间功能连接出现了异常。

图4

总结 总之，该研究结合SVM分类器和全频带功能连接特征获得了准确率高达92%的MDD分类，并且该文还研究了这些具有最大分类能力的功能连接特征的空间分布，发现其主要位于左侧额叶和整个顶叶，这说明了MDD患者在左侧额叶和整个顶叶之间的功能连接出现了异常。

参考文献： Multivariate pattern analysis of EEG-based functional connectivity: a study on the identification of depression. IEEE Access PP(99):1-1,July 2019,DOI: 10.1109/ACCESS.2019.2927121