面向精神病理维度预测的粒度感知EEG特征框架

# 一种面向精神病理学维度预测的粒度感知脑电图特征框架  
来源：https://arxiv.org/html/2607.02670  

胡菁菁，裴景蓉  
（合肥工业大学计算机与信息学院，合肥 230601，中国）  
付帅奇  
（合肥工业大学计算机与信息学院，合肥 230601，中国）  
沈美伦  
（第四军医大学预防医学研究所与医学创新中心，西安 710032，中国）  
方帅  
（合肥工业大学计算机与信息学院，合肥 230601，中国）  
王萌  
（合肥工业大学计算机与信息学院，合肥 230601，中国）  
（合肥工业大学大数据知识工程教育部重点实验室，合肥 230601，中国）  
郭丹  
（合肥工业大学计算机与信息学院，合肥 230601，中国）  
张杰  

---

###### 摘要  
脑电图（EEG）为非侵入性地研究维度精神病理学的神经生理相关性提供了可能，但跨EEG范式和特征粒度的系统性证据仍然有限。本文开发了一种粒度感知的EEG特征流程，将多尺度描述符组织为全局、区域和通道三个层级。利用健康大脑网络（Healthy Brain Network, HBN）队列，我们评估了对四个精神病理学维度（pp因子、内化、外化和注意力问题）的预测能力，覆盖四种EEG范式。鉴于儿童精神病理学的高度异质性以及问卷评分的中等可靠性，此设置更倾向于一种挑战性的可行性测试，而非临床筛查场景。在某些条件下，基于树的模型和粒度平衡的特征选择相比传统方法显示出有希望的改进，尽管效应量仍然有限。对所选择标记的可视化分析识别出与现有神经生理学知识一致的维度特异性空间和谱模式。对独立PEARL队列进行探索性跨数据集完整性检查表明，该选择原则在协议变更下仍然技术上可操作，但不宣称其通用性。总体而言，多尺度EEG特征包含与维度精神病理学相关的弱但可检测的信号，粒度感知的选择可能为未来的EEG表型研究提供一种有用的特征缩减策略。  
**关键词**：EEG；维度精神病理学；特征选择；儿童心理健康  

---

## 引言  
儿童和青少年的心理健康问题已成为日益重要的公共卫生关切，然而情绪、行为和注意力脆弱性往往以异质性、依赖情境的形式出现，这使得早期识别尤为困难。当前实践仍主要依赖自评问卷、家长或教师评定量表以及临床访谈。尽管这些工具必不可少，但它们易受回忆偏差、社会期望、评分者不一致以及对亚临床或早期阶段变化敏感性有限等问题影响，这促使精准精神病学转向超越症状层面观察的、客观且个体化的神经生物学标记[5,9]。  

越来越多的证据表明，精神病理学更适合被描述为连续维度——如一般pp因子、内化、外化和注意力问题——而非严格分离的诊断类别。虽然这些维度框架为临床症状与潜在神经机制之间提供了有用的桥梁，但它们仍然主要源自行为评定量表，在客观神经生理学验证方面存在关键空白，尤其是在功能性脑网络组织与认知变异性相关的儿童人群中[23]。  

脑电图（EEG）为弥补这一空白提供了有前景的工具。EEG无创、成本相对较低，并且能以毫秒级时间分辨率捕获神经活动，使其特别适用于大规模儿童研究。最近的综述强调了基于EEG的精神疾病生物标记潜力，同时也指出了在鲁棒性、异质性和临床转化方面的挑战[45]。脑机接口和神经生理信号分析的最新进展进一步证明了EEG用于客观认知和情感评估的潜力[21,22]。例如，已开发出自适应时空编码网络用于基于静息态EEG的认知评估[39]，静息态EEG也被探索用于解码个体心理特质[20]。基于EEG的建模在情绪识别[44,27,38]、驾驶状态检测[36]和道德认知分析[3]中已显示出有效性。超出EEG范畴，关于微妙行为和情感线索的相关研究，如微观动作识别，进一步强调了客观多模态标记对于理解人类心理和行为状态的重要性[15]。最近，EEG情绪识别受益于高级表示学习策略，包括面部表情符号代理建模[19]以及结合稀疏图卷积的空间能量感知动态滤波[18,40]，这表明结构化的EEG表示能够捕获有意义的情感和认知信息。  

尽管取得了这些进展，基于EEG的精神病理学预测仍面临若干挑战。首先，大多数现有研究集中于单一症状领域、临床标签或心理构念，而跨多个精神病理学维度的系统性预测仍然有限。其次，许多研究依赖于特定任务EEG范式或相对较小的样本，这可能降低跨记录条件和发展人群的泛化性。静息态EEG因其易于管理、无任务且较少受表现相关混杂因素影响而具有吸引力；然而，任务态范式也可能包含与自然视听处理或视觉上下文调制相关的互补信息。因此，需要更多跨多种EEG范式的比较。第三，尽管已有工作探索了数据增强和信号处理策略以在有限样本设置下提高模型鲁棒性[11,42]，但EEG特征跨空间尺度的组织仍未充分研究。最近关于多维EEG特征集成和特征选择的工作表明，结合异质EEG描述符可以改善精神疾病背景下的精准诊断[31]。然而，传统的特征选择策略往往将所有特征汇集在一起，这可能导致高维通道级描述符主导所选特征集，并抑制低维但可能稳定的全局或区域标记。这在不同空间粒度捕获不同的神经现象并表现出固有权衡时尤为问题：通道级特征保留了精细的拓扑细节，但对解剖变异性敏感；全局特征则提供鲁棒性，但代价是可能对症状特异性模式拟合不足。现有方法很少考虑这种多尺度冲突，在平衡表示的策略方面存在空白。  

另一个重要问题是基于EEG计算流程的可靠性和可解释性。神经影像和神经生理学研究日益强调透明和可重复的分析实践[35]。在医学AI中，面向性能的模型也可能因可解释性有限而受阻，这会妨碍临床信任和实际部署[30]。这些关切在儿童精神病理学预测中尤为重要，因为模型不仅要实现预测性能，还应提供稳定且可解释的证据，说明哪些频带、脑区和空间粒度贡献于不同的精神病理学维度。  

为解决这些局限性，我们提出了一种粒度感知的EEG特征框架，用于从多范式EEG记录中预测维度精神病理学评分。其核心思想是将全局、区域和通道级描述符视为独立信息池，而非可互换的候选者，每个池捕获神经活动中互补但潜在冲突的方面。我们的框架不是通过扁平选择让高维通道特征主导，而是通过为每个粒度分配独立的特征预算来强制实现平衡的多尺度表示。使用大规模健康大脑网络（HBN）队列作为主要基准，我们研究了四种EEG范式：静息态闭眼、静息态睁眼、观看电影和环绕抑制。对于每种范式，我们提取多尺度特征集，涵盖谱功率、频带功率比、微分熵、非周期性活动、信号复杂度、微状态动力学、区域不对称性、连接性和时间动态。这些特征按三个空间粒度组织：全局、区域和通道。然后，我们系统评估它们对四个精神病理学维度（包括pp因子、内化、外化和注意力问题）的预测能力。为进一步检验所提出的框架在HBN儿童队列之外的泛化性，我们还在PEARL数据集上进行了探索性跨数据集评估[14]，其中使用静息态EEG在相同的特征提取和粒度感知选择流程下预测临床相关的抑郁和神经质相关指标。作为评估的一部分，我们将GSTS与多种特征选择策略在所有四种EEG范式上进行比较（图3），提供了不同记录条件下粒度感知选择相对优势和局限性的实证证据。  

本研究的主要贡献总结如下：  
1. 我们建立了基于HBN数据集的大规模多范式评估协议，系统比较了四种EEG范式和四种精神病理学维度，以评估在儿童群体中基于EEG预测的可行性。  
2. 我们提出了一种粒度感知的稳定性选择策略（GSTS），该策略在全局、区域和通道级描述符上分别进行特征选择。比较实验（图3）和所选标记的可视化（图5）展示了其竞争性性能和可解释性。  
3. 我们实现了一个包含折叠内评估的流程，集成模型筛选、特征选择、超参数调优和消融分析，所有操作限于训练折叠以实现无偏泛化估计，并在PEARL队列上进行探索性跨数据集评估，以检查协议变更下的可迁移性。  

![图1: 实验数据集概览。 (a) 静息态闭眼 (RS-EC)。 (b) 静息态睁眼 (RS-EO)。 (c) 被动观看电影 (MW)。 (d) 环绕抑制 (SuS)。 (e) 从儿童行为量表（CBCL）通过双因子模型导出的四个精神病理学维度分数：pp因子、内化、外化和注意力。数据集包含约2600名5-21岁参与者，129通道高密度EEG记录，每种范式超过80,000个4秒的片段。](caption)

---

## 材料与方法  
![图2: 提出框架概览。该流程包括四个阶段：(1) 来自HBN队列的数据集准备，包含四种EEG任务和四个精神病理学维度；(2) 粒度感知的特征-模型选择引擎，包括跨任务模型家族筛选（CMFS）、粒度感知的基于稳定性的特征选择（GSTS）和折叠内嵌套交叉验证；(3) 优化多粒度流程，包含性能评估和可解释输出；(4) 折叠内嵌套交叉验证协议，确保跨候选模型家族（逻辑回归、ElasticNet、线性SVM、随机森林、XGBoost）的无偏泛化估计。](caption)

表1: HBN数据集中四种EEG范式总结。每个片段是4秒长、100 Hz采样、129通道。环绕抑制采用块设计SSVEP范式（约5-10分钟/被试），每个被试产生的片段数约为静息态（约2.5分钟）和观看电影（约2-3分钟）的10倍。

| 任务 | #被试 | #片段 | 片段数/被试 | 描述 |
|------|-------|-------|-------------|------|
| 闭眼（EC） | 2,575 | 82,814 | 32.2 | 静息态，闭眼 |
| 睁眼（EO） | 2,592 | 85,521 | 33.0 | 静息态，睁眼 |
| 观看电影（MW） | 2,295 | 88,258 | 38.5 | 自然视听加工 |
| 环绕抑制（SuS） | 1,925 | 780,587 | 405.5 | 视觉对比度整合，run-1 |

---

### 实验数据集  
我们使用了健康大脑网络（HBN）数据集[37]中的四种EEG范式，这是一项基于社区的大规模儿童和青少年（5-21岁）精神及学习障碍研究（经Chesapeake IRB批准），采用了版本2处理后数据（Release 1-11）。这四种范式包括两种静息态任务——闭眼（EC）和睁眼（EO）——以及两种自然/任务态范式——观看电影（MW，神偷奶爸片段）和环绕抑制（SuS，run-1，块设计SSVEP，约5-10分钟/被试）。经过特定任务质量筛选后，可用样本量为：闭眼2,575名参与者、睁眼2,592名、观看电影2,295名、环绕抑制1,925名。由于任务可用性和数据质量因参与者而异，这些样本是部分重叠而非完全相同的子集。EEG使用129通道EGI GSN-HydroCel系统以1000 Hz记录，降采样至100 Hz，每个任务提取4秒无重叠片段。主要结果为从儿童行为量表（CBCL）通过双因子模型导出的四个精神病理学维度分数：pp因子、注意力、内化和外化，全部在整个队列上进行z评分（2,541名参与者有完整标签；其余34名被排除在监督分析之外）。如表1总结