融合PCC和MIC的多层动态脑网络抑郁症识别

摘要

抑郁症准确识别和分级具有重要现实意义。针对抑郁症识别准确率较低、可解释性差的问题，提出基于多层动态脑功能网络的抑郁症机器识别模型。该模型克服了传统的单一线性连接分析方法，通过融合皮尔逊相关系数和最大信息系数，采用脑电滑动时间窗口构建兼具线性与非线性动态连接特征的多层动态脑功能网络并提取网络特征，提供了更全面的脑功能特征信息，显著提高了抑郁症识别准确率。利用该模型对正常人以及轻度、中度、重度抑郁症患者进行识别，平均识别准确率达到97.46%。通过可视化脑网络拓扑结构和节点度分析，发现抑郁症大脑枕叶、前额叶、颞叶区域表现异常。分析脑网络特征可知，大脑beta节律在抑郁症识别中起关键作用，并且轻度抑郁症患者相比正常人的脑网络全局效率、平均最短路径长度和局部效率增加，聚类系数减少。实验结果表明该模型可提高抑郁症识别准确率并可进行抑郁分级，为抑郁症临床诊断、快速筛查提供新方法，为探索抑郁症的神经生理机制提供新的借鉴。

关键词

抑郁症识别 / 多层动态脑网络 / 脑电信号 / 皮尔逊相关系数 / 最大信息系数