科技趋势最新新闻：近期山东大学信息科学与工程学院刘琚教授与吴强教授在IEEE Transactions on Affective Computing （TAFFC，Q1/1区）在线发表题为“Major Depressive Disorder Detection Using Graph Domain Adaptation With Global Message-Passing Based on EEG Signals”的研究成果。山东大学信息科学与工程学院Wang Hui在读博士为第一作者，刘琚教授和吴强教授为共同通讯作者。
成果简介
脑电 (EEG) 已被广泛用于检测重度抑郁症 (MDD)。目前，已经提出了几种利用深度学习算法处理脑电信号进行MDD检测的方法，并取得了一些优势。然而，提取用于MDD检测的EEG特征仍然具有挑战性，大多数方法难以提取被试者脑电信号的共同特征。本研究提出了一种具有全局消息传递 (GMP-GDA) 的图域适应方法，用于 MDD 检测。此外，在全局消息传递模块中设计了一种邻接矩阵加权算法来学习不同邻接矩阵的权重组合，而不是特征变换矩阵，以实现多源域和目标域之间的跨域全局消息传递。实验结果表明，与基线方法相比，该框架在每个频段都取得了较好的检测结果。同时，消融实验证明了该框架的有效性。
主要贡献
-
为了缓解由于难以记录高质量的脑电图数据进行MDD检测而产生的小样本问题，本框架通过每4次试验进行一次任务状态数据平均的策略，显著降低了对大规模脑电图数据的依赖。与现有方法常用的数十到数百个平均试验相比，在仅使用少量试验进行平均的情况下，本方法仍然表现出卓越的分类性能。该策略在有限数据量的背景下有效地提高了模型的检测能力，克服了对大量样本的依赖，并证明了其在小样本条件下的鲁棒性和有效性。
-
为了解决跨主体MDD检测任务中EEG信号个体差异较大的问题，本文提出了一种用于多源域自适应的消息传递模块，该模块旨在促进源域和目标域之间的高效交互。与传统的利用潜在空间中的信息来减少潜在空间中源域和目标域之间的距离的多源域适应算法相比，该方法可以利用原始数据的信息直接与数据交互。跨域的数据共享和融合效率更高，有效降低了个体差异对模型性能的影响，提高了算法在跨主体脑电信号处理中的性能。
-
本研究进一步提出了一种基于邻接矩阵自适应加权的算法，该算法以学习不同邻接矩阵的自适应组合的能力为中心，而不依赖于图神经网络的特征变换矩阵。通过自适应地组合多个邻接矩阵，该模型可以引入更多与脑电信号相关的先验知识，构建更准确的图结构。这种方法不仅显著减少了模型的参数数量，而且加速了网络的训练过程，从而提高了算法的计算效率。
方法
图1：GMP-GDA算法的框架。其中，GMP 是全局消息传递模块，CFE 是常见的特征提取模块，DFE 是特定领域的特征提取模块，DC 是特定领域的分类模块。本框架将EEG信号划分为多个域。来自多个域的数据经过跨域GMP模块进行跨域消息传递，然后CFE模块提取脑电信号的通用特征，几个特定于域的DFE模块从每个域中提取EEG信号的单个特征，最后，几个特定于域的DC模块进行分类。在这个过程中，总共计算了三个损失函数，即测量潜在空间中不同领域距离的距离损失 mmd-loss、测量源域分类精度的分类损失 cls-loss 和测量目标域波动的差异损失 dics-loss。
如图1和图2所示，该方法的具体流程可详细分解为以下核心步骤：首先，将每4次试验叠加平均后的脑电信号通道总功率作为节点特征，构建1×128维度的图结构，并基于15种统计特征（如功率谱密度、相干性等）计算边权重，生成多个1920×1920维度的邻接矩阵；其次，在全局消息传递模块中，设计自适应权重算法学习不同邻接矩阵的权重组合，并实现多图融合，进一步使用归一化邻接矩阵进行跨域消息传递，聚合不同域的节点信息；接着，通过公共特征提取模块（采用3层MLP结构，输入128维特征，输出64维域不变特征）和域特定特征提取模块（为每个源域设计独立的全连接层，将64维特征压缩至32维）并行处理，既保留共享特征又捕获个体差异；然后，使用N个独立的softmax分类器对应N个源域，通过交叉熵计算分类损失；同时，结合最大均值差异损失（LMMD）衡量源域与目标域在潜在空间的距离、分类损失评估预测准确性、差异损失约束目标域预测稳定性。
图2：GMP模块的框架。GMP是全局消息传递模块，CFE是常见的特征提取模块。本框架使用不同的统计特征形成多个EEG信号图，然后将多个图作为输入数据输入到GMP模块中，该模块对每个图执行自适应加权，然后对数据执行跨域消息传递，最后将消息传递后的数据输入CFE模块。
数据来源
Modma 数据集是由 UAIS 实验室发布的用于分析精神障碍的多模态数据集。数据集中的受试者包括临床抑郁症患者（诊断和由医院精神病学家诊断）和健康对照。该数据集包括三个部分:128通道脑电图数据、可穿戴3通道脑电图数据和语音数据。这包括在休息和点探针任务状态(53名受试者)期间记录的128通道脑电图信号;静息状态(55名受试者)记录的3通道脑电图信号;以及访谈、阅读和观看图片(52名受试者)期间记录的音频信号。本研究使用了Modma 数据集中的 Dot-probe 任务,即恐惧中性面部刺激状态期间记录的 128 通道EEG信号相关数据。该数据库包含来自 53 名受试者的 EEG 数据，24 名患有 MDD，29 名患有健康控制 (HC)。
结果
研究结论
本文提出了一种基于脑电信号的全局消息传递全局图域自适应的MDD检测方法。在该方法中，提出了一种新的GMP模块，并设计了一种邻接矩阵加权算法来学习不同邻接矩阵的权重组合，而不是特征变换矩阵，以实现跨多个源域和目标域的全局消息传递。结果表明，与基线系统相比，本研究提出的方法在所有波段上都取得了最好的检测结果，最大准确率为 73.75%。在传统的波段中，β 节律具有最佳的检测结果，比基线系统提高了 5.41%。在首选的新波段中，波段 II 的最佳检测结果比基线系统提高了 4.01%。本研究为基于脑电信号的MDD检测提供了新的思路。尽管该方法比基线系统实现了更好的检测性能，但模型训练会消耗更多的时间。因此，在接下来的研究中，将重点关注模型压缩等方法，以减少模型的硬件要求。
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。
