TFAGL：一种基于时频EEG的智能体图学习抑郁症检测方法

重度抑郁症（MDD）是一种全球常见的精神障碍，其表现为悲伤、内疚和自尊心低下等症状，伴有兴趣丧失、生活热情、睡眠或食欲中断、疲劳和注意力难以集中。MDD的异常表现为大脑区域之间相互不平衡的连接，而不是一个特定区域的活动增加或减少。

现有研究工作主要是在对神经生理结构模拟不足的情况下调整脑电电极的分布。它们忽略了不同脑区之间的重要协作关系，这限制了MDD检测的性能。考虑到跨脑区和脑域的综合信息，本研究提出了一种新的基于脑电的MDD检测模型--时频智能体图学习（TFAGL），以捕获MDD的特定全脑协作机制。具体地说，该模型通过自适应生成代理节点，有效执行脑区间的全局交互，从而模拟主神经元的功能特性，构建动态的局部-全局连接网络，实现对脑区内及脑区间连接模式的精准捕捉。此外，通过将多尺度图卷积、跨不同感受野的交互式学习应用于每个域和每个连通性。同时还构造了时域和频域的特征提取器，并应用域内和域间约束来去除冗余，增强区分度，从而得到全面的信息表示。公开脑电MDD检测数据集上的大量实验结果表明，TFAGL方法具有较高的检测精度。

本文提出的TFAGL方法流程如下：

（1）特征提取

        首先，从原始EEG信号中提取时间序列特征和频谱特征；

（2）时间-频谱智能体图学习模块（AGL）

       将时间序列特征和频谱特征分别输入AGL模块，以捕获不同视图的有效嵌入。AGL模块通过多尺度GCN学习分层构建动态的潜在的和基于位置的代理图内和代理图间的大脑区域，有效增强了抑郁症特异性区域整体激活，以避免个体之间起始通道产生的连接偏差；

（3）双域特征聚合（DFA）

DFA模块对每个图嵌入的重要性进行编码，并聚合域内和域间信息，在具有域内和域间约束的时域和频域上提取充足的信息，从而增强MDD检测的模型性能。

图1 用于抑郁症检测的TFAGL的框架

表1 在MODMA数据集上与SOTA方法的比较

表2 在PRED+CT数据集上基于留一交叉验证与基本方法和SOTA方法的比较

图2 针对（a）MODMA和（b）PRED+CT数据集，对我们的方法和SOTA方法的结果进行了配对t检验。结果表明，不同方法的性能之间存在统计上的显著差异。（*：p <0.001，**：p <0.01，*：p <0.05）

表4  在MODMA数据集上使用不同模块的消融实验的实验结果

图4  基于TFAGL对（a）MODMA和（b）PRED+CT数据集的第一个时期和最后一个时期的特征进行t-SNE可视化，其中红色表示MDD，紫色表示NC。

图5  训练过程中大脑的动态潜在连接性（A latent）的热图可视化（由损失曲线示出）基于TFAGL在（a）MODMA和（b）SEED数据集上进行，其分别代表抑郁检测任务和情绪识别任务。(c)是前面的图中的矩阵的图示，其为9。每个矩阵的轴表示基于（a）中的10-10系统和（b）中的10-20系统的对应电极名称，并且颜色表示连接强度。矩阵中的颜色越深，连接强度越强。

图6：在（a）TDBRAIN和（b）MODMA数据集上，通过HC和MDD在时域中的高阶嵌入检测到的空间和潜在连接之间的脑网络差异。对于节点，代理节点用红色表示，而源节点用黑色表示。对于连接，具有最高强度的前30%以红色显示，而强度大于0.05的其他连接以黑色显示。

本研究创新提出TFAGL模型以捕捉MDD特定的全脑水平的协作机制，并验证了基于EEG的抑郁检测任务。该模型通过自适应生成代理节点，有效执行脑区间的全局交互，从而模拟主神经元的功能特性，构建动态的局部-全局连接网络，实现对脑区内及脑区间连接模式的精准捕捉。基于优化的大脑网络，通过多尺度图卷积跨不同感受野的交互式学习被应用于每个域和连接。此外，还构造了时域和频域的特征提取器，并应用域内和域间约束来去除冗余，增强区分度，从而获得全面的信息表示。未来的工作将集中在探索不同EEG电极之间的协作模式，并对大脑区域表征进行数据驱动的研究。

免责声明：原创仅代表原创编译，水平有限，仅供学术交流，如有侵权，请联系删除，文献解读如有疏漏之处，我们深表歉意。