[论文解读] Major Depressive Disorder Recognition and Cognitive Analysis Based on Multi-layer Brain Functional Connectivity Networks

Xiaofang Sun, Xiangwei Zheng+3 more|arXiv (Cornell University)|Nov 2, 2021

Functional Brain Connectivity Studies参考文献 5被引用 10

一句话总结

本研究提出一种基于相位滞后指数（PLI）和相位锁相值（PLV）的多层脑功能连接网络（MBFCN），以提升重度抑郁症（MDD）的识别能力。通过在特征层面融合基于PLI与PLV的特征并应用支持向量机（SVM），该方法实现了92.86%的准确率，识别出Alpha-Beta1频段为MDD检测的关键频段，右前额叶-颞叶连接功能缺陷则被确定为认知生物标志物。

ABSTRACT

On the increase of major depressive disorders (MDD), many researchers paid attention to their recognition and treatment. Existing MDD recognition algorithms always use a single time-frequency domain method method, but the single time-frequency domain method is too simple and is not conducive to simulating the complex link relationship between brain functions. To solve this problem, this paper proposes a recognition method based on multi-layer brain functional connectivity networks (MBFCN) for major depressive disorder and conducts cognitive analysis. Cognitive analysis based on the proposed MBFCN finds that the Alpha-Beta1 frequency band is the key sub-band for recognizing MDD. The connections between the right prefrontal lobe and the temporal lobe of the extremely depressed disorders (EDD) are deficient in the brain functional connectivity networks (BFCN) based on phase lag index (PLI). Furthermore, potential biomarkers by the significance analysis of depression features and PHQ-9 can be found.

研究动机与目标

• 为解决单层脑功能连接网络在捕捉MDD复杂脑功能关系方面的局限性。
• 通过融合基于PLI与PLV的功能连接网络的特征，提升MDD识别的稳定性和准确性。
• 通过功能连接模式的认知分析，识别与MDD相关的关键频段和脑区。
• 利用PHQ-9评分与网络拓扑特征，发现与抑郁严重程度相关的潜在神经生理生物标志物。

提出的方法

• 使用db20小波的高斯小波包变换（WPT）将EEG信号预处理并分解为六个频段（Theta、Alpha、Beta1、Beta2、Alpha-Beta1、All bands）。
• 利用PLI测量EEG导联间相位同步不对称性，利用PLV评估相位锁定程度，构建脑功能连接网络（BFCN）。
• 应用基于张量的阈值化方法，将加权连接矩阵转换为二值脑网络，以提取拓扑特征。
• 从二值网络中提取五个全局特征（聚类系数、平均最短路径长度、度相关性、全局效率、局部效率）和两个局部特征（介数中心性、节点度）。
• 在特征层面融合基于PLI与PLV的特征，以增强识别的稳定性和鲁棒性。
• 在单层与融合的多层BFCN特征上训练支持向量机（SVM）分类器，实现MDD与正常对照组的分类。

实验结果

研究问题

• RQ1 在多层功能连接网络中，EEG信号的哪个频段最具有区分MDD的能力？
• RQ2 MDD患者（尤其是重度抑郁障碍（EDD）亚组）与健康对照组在脑功能连接模式上存在哪些差异？
• RQ3 右前额叶与颞叶区域在与MDD相关的功能连接缺陷中起何作用？
• RQ4 基于PLI与PLV的BFCN拓扑特征能否作为与PHQ-9抑郁严重度评分显著相关的生物标志物？
• RQ5 与单层网络相比，基于PLI与PLV的BFCN在特征层面的融合是否能提升MDD识别的准确率？

主要发现

• 多层BFCN融合方法在Alpha-Beta1频段实现了最高的MDD识别准确率（92.86%），性能优于单层网络。
• Alpha-Beta1频段被确定为MDD识别中最具区分力的子频段，在单层与多层配置中均表现最优。
• 在基于PLI的BFCN中，重度抑郁障碍（EDD）患者表现出右前额叶与颞叶之间显著的连接缺陷，提示该区域存在关键神经功能障碍。
• 基于PLI的BFCN提取的全部七个拓扑特征均与PHQ-9评分存在显著差异（p < 0.005），表明其具有潜在生物标志物价值。
• 基于PLV的BFCN在All bands中除节点度外其余特征均显示显著差异，表明其具有部分生物标志物潜力，但一致性低于基于PLI的特征。
• 认知分析显示，抑郁严重程度越高，功能连接的破坏程度越显著，尤其体现在右额叶与颞叶区域。