兰州大学利用脑电和眼动技术多证据融合揭示轻度抑郁症识别方法

兰州大学使用EGI高密度脑电图结合EyeLink眼动仪同步融合进行轻度抑郁症检测的文章。该文章发表在学术期刊《Computer Methods and Programs in Biomedicine》，影响因子：7.027分。

抑郁症是一种严重的神经系统疾病，已成为世界范围内的一大健康问题。轻度抑郁症的检测对于早期抑郁症的诊断非常重要。本研究试图找到一种更精确的融合模型，该模型可用于使用脑电图和眼动数据检测轻度抑郁症。

方法

本研究提出了一种基于内容的多证据融合（CBMEF）方法，该方法在决策层融合脑电图和眼动数据。该方法主要包括两个模块，即分类性能矩阵模块和双权重融合模块。基于混淆矩阵和马氏距离的贝叶斯准则估计了不同模态的分类性能矩阵，并将这些矩阵用于校正分类结果。然后计算每个模态的相对冲突度，并根据该冲突度在决策融合层为上述模态分配不同的权重。

实验设备：

使用EGI高密度128通道HydroCel网状电极帽记录脑电图信号。根据HydroCel Net128通道图，在线参考Cz。所有电极的阻抗保持在60k以下。眼动仪使用EyeLink 1000台式眼动仪（SR Research）采集眼动数据。实验只收集了被试的左眼数据。为了实现EEG和EM数据的同步采集，当EyeLink程序执行某些步骤时，我们使用TTL信号脉冲向Netstation发送相应的TTL信号。刺激材料来自中国面部情感图片系统（CFAPS），选择了45张中性脸和15张否定脸，包括厌恶、悲伤、愤怒、惊讶和恐惧。所有图像均由Photoshop软件处理，以获得均匀的大小、灰度和分辨率。该实验由两个block组成，一个是中性区块（Neu_block），另一个是情绪区块（Emo_block），每个区块有15次试验。每个试验包含两张图片：中性脸+中性脸或中性脸+阴性脸（neu_block/Emo_block）。刺激显示在17英寸大小、1024×768分辨率的屏幕上。被试坐在离屏幕约60厘米的地方。实验过程如下图所示。每项试验进行6秒，两次试验之间的黑色背景间隔为2秒，并指示被试自由观看。Neu_block和Emo_block之间有2分钟的休息。

结果

实验结果表明，该方法优于其他融合方法以及单模态结果。最高准确率为91.12%，敏感性、特异性和精密度分别为89.20%、93.03%和92.76%。

结论

本研究的结果表明所提出的方法在检测轻度抑郁症方面具有潜力。将分类性能矩阵和双权重模型引入多模态生物信号融合的思想为抑郁症识别的研究提供了新的思路。

Jing Zhu, Shiqing Wei, Xiannian Xie, Changlin Yang, Yizhou Li, Xiaowei Li, Bin Hu, Content-based multiple evidence fusion on EEG and eye movements for mild depression recognition, Computer Methods and Programs in Biomedicine, Volume 226, 2022, 107100,  ISSN 0169-2607, https://doi.org/10.1016/j.cmpb.2022.107100.