目录1 引言2 数据与方法2.1 数据来源与分组2.2 脑电信号预处理与特征提取2.2.1 信号预处理2.2.2 特征提取2.3 脑电特征综合评分EFCS算法2.3.1 组间效应量计算2.3.2 方向校正与特征筛选2.3.3 标准化融合与评分3 结果3.1 个体EFCS与组间比较3.2 可视化结果3.2.1 组间效应量对比3.2.2 各组EFCS箱线图3.2.3 特征贡献3.2.4 频带相对功率分布3.2.5 EEG特征标准化热图4 讨论4.1 EFCS算法的理论定位与创新性4.2 入选特征的生理学意义4.3 频带分布与通道侧化的矛盾统一5 结论参考文献摘要本文提出了脑电特征综合评分EEG Feature Composite Score, EFCS算法。该算法不依赖大规模训练样本而是基于组间效应量Cohen’s *d*进行特征筛选与方向校正通过标准化加权融合生成0~3分的连续量化指标。为全面验证EFCS的构造效度与组间区分能力本文从统计推断、群体分布、特征权重、频带生理模式及个体异质性五个维度进行分析。基于9名被试四类分组的实验结果表明EFCS能有效反映异常程度递进趋势重度组均值2.796中度组1.353正常组0.714且入选特征集中于θ/δ频段及Hjorth活动度与经典抑郁症EEG研究一致。关键词脑电特征EFCS 算法综合评分效应量特征筛选抑郁症脑电频段1 引言脑电图Electroencephalography, EEG作为一种非侵入性、高时间分辨率的神经电生理记录手段被广泛用于认知神经科学和临床精神疾病研究。近年来基于静息态EEG的频带功率、复杂度及功能连接等特征已展现出在抑郁症、焦虑症等情感障碍辅助评估中的潜在价值Olbrich Arns, 2013Newson Thiagarajan, 2019。然而EEG数据受个体差异、记录环境和预处理方法影响显著且临床样本往往规模有限构建稳定且可解释的量化指标仍面临挑战。为此我们设计并实现了“脑电特征综合评分EFCS”算法。EFCS不依赖大量训练样本而是借助组间效应量筛选具有区分能力的关键特征并通过方向校正和标准化融合生成个体化连续评分。同时为系统验证算法性能我们开发了多维可视化模块从效应量分布、组间评分差异、特征贡献度、频带能量轮廓以及个体特征模式等角度提供全面的分析证据。2 数据与方法2.1 数据来源与分组原始数据为9个EDF文件每个文件对应一名被试的静息态EEG记录采样率各异时长约3分钟。EDF文件中包含两个主要脑电通道EEG1、EEG2以及辅助通道EMG、Activ。辅助通道仅用于记录质量控制不参与主评分特征筛选。根据临床标签将被试分为四组并重新编号以便展示如下表所示展示编号组别严重度标签1正常对照组02正常对照组03正常对照组04轻度异常组15轻度异常组16中度异常组27中度异常组28重度异常组39重度异常组3为捕捉异常程度的递进关系本研究设定三组核心比较方向正常对照组 vs 中度异常组预期中度组评分更高中度异常组 vs 重度异常组预期重度组评分更高轻度异常组 vs 重度异常组预期重度组评分更高这些比较将用于后续特征筛选和方向校正。2.2 脑电信号预处理与特征提取2.2.1 信号预处理针对每个被试的EEG1和EEG2通道执行以下预处理步骤去中心化与去趋势减去中位数并进行常数趋势去除。带通滤波采用四阶Butterworth滤波器通带为0.545 Hz消除直流漂移和高频噪声。陷波滤波若工频50 Hz低于奈奎斯特频率则使用IIR陷波滤波器Q30抑制工频干扰。重采样将所有信号统一重采样至目标采样率如250 Hz保证后续分段长度一致。分段Epoch以2秒为窗口重叠50%的方式将连续信号切分为多个时段。伪迹剔除基于峰峰值和均方根的稳健Z-score剔除超过阈值的坏段阈值设为6确保后续特征计算不受明显噪声干扰。2.2.2 特征提取对每个通道的保留时段分别计算如下特征频带绝对功率使用Welch法窗口长度2秒估计功率谱密度在δ0.54 Hz、θ48 Hz、α813 Hz、β1330 Hz、γ3045 Hz五个频带上积分得到绝对功率。频带相对功率绝对功率除以总功率145 Hz。频带对数功率绝对功率取以10为底的对数。频带比值θ/α、β/α等。谱熵在145 Hz范围内计算功率谱的归一化香农熵反映频谱平坦度。Hjorth参数活动度方差、移动性一阶差分方差与方差之比、复杂度二阶差分方差与一阶差分方差之比再除以移动性。每个通道所有时段的特征值取中位数作为该通道的汇总值。随后生成跨通道特征通道不对称性对每个频带的相对功率计算log(EEG1/EEG2)作为不对称指标。平均特征对两通道的频带相对功率、θ/α比值、β/α比值、谱熵、Hjorth复杂度等取均值作为全脑整体指标。通道差异两通道指标的差值。最终每个被试得到数百个原始特征其中剔除与EMG、Activ、epoch等无关字段后形成候选特征集。2.3 脑电特征综合评分EFCS算法EFCS的核心思想是利用组间效应量评估每个特征的区分能力自动校正方向筛选稳定特征融合为一个连续评分。2.3.1 组间效应量计算对候选特征集合中的每个特征分别计算三个预设比较组的Cohen’s *d* 效应量其中 L 和 R 分别代表左侧组和右侧组按比较方向定义。正值表示右侧组的特征均值高于左侧组负值则相反。2.3.2 方向校正与特征筛选不同特征的自然方向可能不一致例如θ频段功率越高可能越接近异常而α频段功率越低可能越接近异常。为使最终评分具有统一解释——即“分数越高越接近高异常程度组”——我们需要判断每个特征的主方向。具体地将三个比较中效应量的总和作为方向指示若总效应量 0则方向为 1即数值越大越“差”否则为 -1数值越小越“差”。随后将所有效应量乘以方向得到“对齐效应量”使正值均表示支持预期方向。为综合评估特征质量定义特征共享分数其中为对齐后的平均效应量为最差比较中的最小效应量对齐后效应量为正的比较个数。该分数同时考虑了平均区分能力、稳定性最弱环节以及方向一致性。按该分数降序排列选取前个特征本研究取8进入最终评分模型。2.3.3 标准化融合与评分对选出的个特征计算其Z-score其中、为第个特征在所有被试上的均值和标准差。然后根据方向1或-1对Z-score进行校正即若方向为-1则取使得校正后的值均具有“越大越接近异常”的含义。最后对被试取所有特征校正Z-score的均值得到原始综合分由于原始分可能为负值且范围不定我们将其线性缩放到03区间便于展示和解释最终分值越高表示该被试的脑电特征越接近高异常程度组的表现。3 结果3.1 个体EFCS与组间比较应用EFCS算法于全部9名被试计算得到个体评分如下表展示编号组别严重度EFCS2正常对照组00.0001正常对照组01.0393正常对照组01.1045轻度异常组10.1684轻度异常组11.1707中度异常组21.3166中度异常组21.3908重度异常组32.5919重度异常组33.000各组均值正常对照组0.714轻度异常组0.669中度异常组1.353重度异常组2.796结果显示重度异常组EFCS均值接近3.0显著高于其他三组中度异常组高于正常对照组轻度异常组与正常对照组均值接近但个体差异较大。整体趋势与预设的异常程度递进方向基本一致。3.2 可视化结果3.2.1 组间效应量对比图1显示入选的8个特征在“中度vs重度”比较中均呈现较大的正值效应量表明这些特征能强效区分中度和重度异常组在“正常vs中度”比较中效应量中等在“轻度vs重度”比较中除个别特征外大多数呈正效应。所有条形均未出现显著的蓝色负值条说明入选特征的方向一致性良好EFCS的方向校正策略有效。图1组间效应量对比图3.2.2 各组EFCS箱线图如图2所示重度异常组箱体位于2.5~3.0区间均值2.796显著高于其他组中度异常组均值1.353箱体集中且与正常组均值0.714无过多重叠轻度异常组均值0.669略低于正常组箱体跨度较大个体2号评分为0.1684号评分为1.170提示轻度组内部异质性较高。该图清晰揭示了EFCS随异常程度递增的单调趋势。图2各组EFCS箱线图3.2.3 特征贡献特征贡献图展示了EFCS算法最终筛选出的8个特征的“特征共享分数”排序。横轴为该分数纵轴为特征名称。具体数值如下EEG1 theta 对数功率得分最高3.63其次为EEG1 theta/alpha 比值3.23、EEG1 Hjorth 活动度3.14、EEG1 theta 绝对功率3.06、EEG1 delta 对数功率2.79、EEG1 delta 绝对功率2.53、EEG2 theta 绝对功率2.17EEG1 theta 相对功率得分最低1.75。图3特征贡献图该排序清晰显示所有入选特征均来源于左侧脑区EEG1或低频段θ、δ其中对数功率和比值指标θ/α贡献尤为突出。这表明在本数据集中左侧额叶的慢波活动尤其是θ频段能量及其与α的比值是区分异常组与正常组最敏感的电生理标记。Hjorth活动度作为时域复杂度指标的高贡献进一步提示信号幅度变异性的组间差异也具有重要价值。3.2.4 频带相对功率分布由下图4可知θ频带并非重度组最高而是轻度组最高0.375重度组0.245低于正常组0.325呈倒U型提示θ功率随异常程度呈非线性变化。α频带未出现正常组典型“峰优势”其功率在四组间差异极小0.110~0.165且中度组反高于正常组。δ频带仅重度组明显升高0.235。高频方面重度组γ功率0.090显著高于其他组0.060β功率在中度组最高0.215。总体频带图未能呈现单调递变趋势这与EFCS筛选出的左侧化EEG1低频特征形成对比表明关键区分信息被对侧通道EEG2均值稀释EFCS的通道侧化选择有效捕获了左侧额叶异常信号。图4各组EEG频带相对功率分布3.2.5 EEG特征标准化热图重度异常组编号8、9在平均theta相对功率和theta/alpha比值上呈高Z值红色在平均alpha相对功率上呈低Z值蓝色形成典型“红蓝对冲”模式与高EFCS评分对应正常对照组编号1~3模式相反低theta/alpha比值、高alpha功率与低EFCS评分一致。轻度异常组内部异质性显著编号4接近正常组编号5接近重度组解释了该组较大的评分方差。中度异常组6、7处于过渡状态。图5EEG特征标准化热图4 讨论4.1 EFCS算法的理论定位与创新性EFCS区别于传统机器学习分类器不依赖大样本训练而是基于效应量驱动的特征筛选机制在N9的极端小样本条件下仍能输出具有生理学解释性的连续评分。其核心创新在于1将Cohen‘s *d*从描述性统计量提升为特征选择的主动力避免过拟合2引入方向校正机制统一不同特征的生理极性3通过“最小效应量”惩罚项确保特征在多个比较方向上的稳定性而非仅追求平均最优。4.2 入选特征的生理学意义本研究中EFCS筛选出的8个特征高度集中于左侧脑区EEG1的θ/δ频段这与抑郁症患者左侧前额叶皮层功能减退、慢波活动增多的经典发现一致。值得注意的是Hjorth活动度作为时域特征的高贡献贡献分3.14提示除频域能量外信号幅度的时变波动性也是区分异常程度的重要维度可能反映皮层兴奋性的动态失衡。4.3 频带分布与通道侧化的矛盾统一图4的总体频带分布未能呈现单调递变趋势尤其是θ频带呈现“轻度组最高、重度组回落”的倒U型模式而EFCS评分却仍能有效分离重度组。对此我们认为存在以下解释1通道侧化效应EFCS入选特征均来自EEG1左侧通道而图4使用的是双通道均值右侧通道EEG2可能携带无关或噪声信息稀释了组间差异2非线性关系的线性化EFCS通过方向校正和Z-score融合将非线性频带变化转化为线性评分实现了异常的累积表征3轻度组异质性轻度异常组内个体差异大编号4评分1.170、编号5评分0.168导致组均值不能代表组内典型模式热图已揭示此问题。5 结论本文围绕小样本静息态EEG数据设计并实现了脑电特征综合评分EFCS算法。该算法基于组间效应量进行特征筛选与方向校正通过标准化加权融合生成0~3分的连续评分。通过对9名被试四组的实验验证EFCS能有效反映异常程度递进趋势重度组2.796、中度组1.353、正常组0.714。特征贡献分析显示左侧额叶θ频段能量及θ/α比值是区分异常组与正常组最敏感的指标。多维度可视化效应量对比图、箱线图、特征贡献图、频带分布图、个体热图从不同层面验证了EFCS的构造效度与可解释性。参考文献[1] Bao C, Zou H, Xia Y, et al. Source-level EEG dysconnectivity in drug-naïve patients with major depressive disorder: Bridging neural oscillations with potential neuroelectrophysiological markers[J]. Progress in Neuro-Psychopharmacology and Biological Psychiatry, 2026: 111767.[2] Wang Y, Chen Y, Cui Y, et al. Alterations in electroencephalographic functional connectivity in individuals with major depressive disorder: a resting-state electroencephalogram study[J]. Frontiers in Neuroscience, 2024, 18: 1412591.[3] Liu X, Zhang H, Cui Y, et al. EEG-based major depressive disorder recognition by neural oscillation and asymmetry[J]. Frontiers in neuroscience, 2024, 18: 1362111.[4] Miljevic A, Bailey N W, Murphy O W, et al. Alterations in EEG functional connectivity in individuals with depression: A systematic review[J]. Journal of Affective Disorders, 2023, 328: 287-302.[5] Lin H, Fang J, Zhang J, et al. Resting-state electroencephalogram depression diagnosis based on traditional machine learning and deep learning: a comparative analysis[J]. Sensors, 2024, 24(21): 6815.Tips下一讲我们将进一步探讨脑电信号分析的其他内容。以上就是脑电抑郁相关分析算法——脑电特征综合评分EFCS的全部内容啦~我们下期再见拜拜(⭐v⭐) ~Ps有代码实现需求请见下列【微信名片】或【主页信息】谢谢支持~