尽管有大量文献报道，但现有的技术依赖于数个通道和特殊的的系统。

本文首次采用邻域成分分析(NCA)方法分析了各脑电通道对抑郁症的诊断能力。团队的结果表明，仅从一个脑电通道中采集两个特征就足以进行可靠的诊断。为了评估该方法的性能，团队使用了一个包含84名受试者7分钟脑电信号的数据集。将数据分为两组，一组用于特征选择，另一组用于诊断分类。团队标明了与抑郁症诊断相关的具有最强辨别能力的脑区。因此，团队确定了位于额叶的一个电极(即AF4)，该电极可较准确地诊断抑郁症。在对一系列浅层机器学习方法进行评估后，通过来自一个电极的两个特征，团队实现了80.8%的分类准确率、60%的灵敏度和99.7%的特异性。团队还通过两个电极和三个特征实现了91.8%的最高分类准确率、93.5%的特异性和 90%的灵敏度。

团队的研究结果表明，基于高可获得性可穿戴设备的使用动机，有可能显著降低抑郁症诊断算法的复杂性。

丨介绍

不幸的是，早期诊断一直是一个挑战，因为抑郁症的本质和测试的复杂性，主要是主观的和耗时的，所以它们不能作为常规测试的一部分。目前还没有一种技术可以作为门诊常规检查的一部分来诊断抑郁症。同样的情况也适用于那些可以送到患者家中定期监测情绪和其他与抑郁有关的变化的技术。因此，抑郁通常在不被注意的情况下发生，增加了不良事件的可能性。

目前临床诊断抑郁症的标准程序是基于结构化主观临床访谈和问卷。在此背景下，精神障碍诊断与统计手册(DSM-V)和临床试验，简易精神状态检查(MMSE)测试被用于诊断抑郁症。其他常见的心理测量问卷，如贝克抑郁量表(Beck Depression Inventory, BDI)和汉密尔顿抑郁评定量表(Hamilton Depression Rating Scale, HDRS)，也被用于支持临床诊断。然而，抑郁评估很复杂，目前的临床评估耗时、主观，只捕捉低频快照，不能检测日常变化，并且不能作为常规检查的一部分收集。这些局限性导致了不确定的可靠性、可疑的准确性和高成本。这些测试无法发现非结构化(例如家庭)环境下的变化和给定时间段内发生的高频变化。这些测试只是展示患者对问题的反应的低频快照(有时每年一次)。

由于上述挑战，在目前的临床评估中存在四个问题:

丨方法

• 数据集

表. 对照组和抑郁组的组均值和标准差。

• 预处理和特征处理

在当前的研究中，七分钟的脑电图数据用于特征提取和分析。首先，用0.5Hz高通滤波器和50Hz低通FIR滤波器对EEG信号进行滤波。EEG信号在记录过程中会受到眼睛和肌肉伪影、ECG和电源线干扰的影响。团队使用独立成分分析（ICA）算法去除眼部、肌肉、心电图和通道噪声。

表. 从7分钟脑电信号中提取的特征特征

• 用于电极选择的NCA

本研究中使用的特征选择算法基于邻域成分分析（NCA）特征加权算法。

NCA是一种非参数算法，它使用梯度上升来提高分类器的准确性。该算法的根基于最近邻的数学运算，因为它根据新点的最近邻选择参考点。NCA过程显示为该工作数据处理的完整伪代码的一部分，在算法1和2中给出。

算法1 数据集处理

该算法通过为每个特征分配一个加权因子来创建加权特征空间。如图所示。接近零的特征权重表明这些在区分患者方面的信息量较少，从而使团队能够删除不相关的特征。

• 诊断模型

为了生成所提出的诊断模型，团队使用了几种机器学习分类算法并结合NCA特征加权算法来区分两组抑郁和健康的受试者，并找到相关的电极、特征和频带。

为了评估和系统地比较这些模型的性能，团队使用了10倍交叉验证，消除了任何数据泄露的可能性。在每个阶段，使用九组受试者来拟合模型，并使用被排除在外的患者组来验证模型。这个过程迭代地重复，直到每十个折叠用于验证。最后，这个过程重复100次迭代，平均模型的性能。

丨结果

• 邻域成分分析权重分布

使用NCA特征加权算法，计算所有特征的权重得分。这些评分显示了每个特征在区分抑郁症和对照组方面的诊断能力的重要性。团队根据电极、频带和光谱时间特征进一步分割了团队的结果。下表显示了前30个特征，根据它们的平均NCA评分由高到低排序。根据其权重分布，表中的第一个特征具有最大的权重值。基于NCA数学的判别能力，均值最大的特征最强。结果显示了诊断抑郁症的特征之间的区分能力是如何分布的。

下表显示了基于邻域成分分析权重分布的最大权重值。表中显示了每个电极的分辨功率、频带和诊断抑郁症的特征。根据以上结果，初步观察到具有Hjorth迁移率的Alpha频率(8-13Hz)的P4电极的权重值最高，为2.086，而具有Mean频率的Alpha频率(8-13Hz)的P4电极的权重值次之，为1.693。表3显示P4、AF4、FP1、TP7、F7、C4、CP3、POZ、TP8、FC1、P2、FZ、F3、FC4、C1、CZ、C6和CP3具有显著较高的权重值。以上信息揭示了可以从脑电信号中提取的最重要的生物标志物。

• 其他研究比较

为了考虑最先进的技术进行比较研究，研究团队将提出的模型的分类性能与其他研究进行了比较，如下表所示。虽然部分研究取得了与本研究相似的性能指标，但研究团队提出的算法显著降低了输入数据的维数和分类过程的复杂性。

• 地形分析

在每个阶段，从21个特征开始，一定数量的特征被用于开发地形图像。头表地形图像中的红色区域是区分抑郁症和健康受试者辨别能力最高的区域。使用团队提出的特征加权算法，团队区分出三个具有最高性能指标的特征区分抑郁症和健康受试者。

三个具有最高性能指标的电极及其特征和频带如下:(a) AF4在Theta (4-8Hz)频率下具有“最大PSD”， (b) AF4在Alpha (8-10Hz)频率具有“Hjorth 复杂度”， (c) FP1在Alpha1 (8-10Hz)频率具有“Hjorth 复杂度”。

以上结果表明，位于布罗德曼分区9 (上额区)的AF4传感器和位于布罗德曼分区10 (上额区)的FP1传感器在区分抑郁症和健康受试者方面具有很大的潜力。分析表明，选择这两个区域可以将准确率提高到91.8%，特异度提高到93.5%，灵敏度提高到90%，精密度提高到93%，f值提高到91.4%。

丨讨论

抑郁症脑电分析的大多数研究基于高度复杂的信息处理管道，依赖于进行空间滤波和信号空间增强所需的大量电极。然而，这将显著增加方法的复杂性，降低实践的转移能力(如部分常规检查)。

目前数据仅为42名抑郁与42名健康受试者，样本数量是研究的限制性因素之一，第二个限制因素则是没有将数据根据抑郁症严重程度进行分类。未来团队将会对抑郁程度进行分级。

综上所述，在本研究中，团队对邻域成分分析在脑电信号检测抑郁症中的应用进行了全面、系统的研究。一组最小但信息量最大的电极和信号特征已被确定，可以可靠地检测抑郁症。团队的研究结果证实，使用可穿戴EEG传感器检测抑郁症是可能的。