李丹陽(yáng) 張晶晶

（新疆師范大學(xué)，新疆 烏魯木齊830054）

1 概述

精神障礙（mental disorder）是由多種原因所引起的嚴(yán)重程度不同的腦功能失調(diào)或者紊亂的精神疾病，并伴有不同的臨床癥狀（張勁松，2012）。其特征為認(rèn)知、情緒、行為等方面發(fā)生改變，這些改變使得患者感到痛苦、功能受損或增加患者死亡、殘疾等的危險(xiǎn)性（張理義，&耿德勤，2018）。精神障礙可分為“器質(zhì)性”精神障礙（如腦炎、慢性臟器衰竭所致的精神障礙）和“功能性障礙”，而功能性障礙又分為精神病性障礙（如精神分裂癥）和輕性精神障礙（如焦慮、抑郁癥、應(yīng)激所致的精神障礙）。目前，我國(guó)約有精神病性障礙1600 萬(wàn)和3000 萬(wàn)抑郁癥患者，而精神障礙的識(shí)別率、治療率較低是我國(guó)的精神衛(wèi)生事業(yè)的巨大挑戰(zhàn)之一（郝偉，&于欣，2013）。

傳統(tǒng)精神障礙的主要診斷一般是采用結(jié)構(gòu)性訪談和家族史追溯等方式，臨床心理醫(yī)師在診斷病患時(shí)常常會(huì)面臨溝通困境，例如患者故意隱瞞真實(shí)近況而不能實(shí)現(xiàn)問(wèn)卷及訪談的信效度，而醫(yī)生在依據(jù)檢查形成癥狀學(xué)判斷時(shí)也有一定的主觀色彩，使得在不同的醫(yī)療環(huán)境背景下，診斷結(jié)果的一致性較低。

許多學(xué)者為此試圖運(yùn)用神經(jīng)影像學(xué)技術(shù)探索可以使精神疾病診斷標(biāo)準(zhǔn)客觀化和準(zhǔn)確化的生物標(biāo)記物，而在多種神經(jīng)影像技術(shù)中，腦電圖（EEG）由于其低成本和毫秒級(jí)時(shí)間分辨率得到了很多研究者的青睞（Miseon Shim，2016）。低成本可以使基于EEG 的輔助診斷投入臨床應(yīng)用成為可能，而高時(shí)間分辨率則能幫助研究者更好的監(jiān)測(cè)到各類精神障礙心理機(jī)制的動(dòng)態(tài)過(guò)程。

在精神障礙的神經(jīng)影像學(xué)研究中，機(jī)器學(xué)習(xí)由于圖像處理方面的突出優(yōu)勢(shì)而逐漸成為有力工具?；跈C(jī)器學(xué)習(xí)和神經(jīng)影像的計(jì)算機(jī)輔助診斷研究也成為領(lǐng)域熱點(diǎn)（張家寧，2017）。我們期望通過(guò)EEG 的數(shù)據(jù)結(jié)合機(jī)器學(xué)習(xí)算法建立精神障礙的分類模型來(lái)輔助或完成臨床診斷，進(jìn)而提高精神類疾病的整體診斷效率、降低醫(yī)療成本、提高醫(yī)療資源的普惠性。

2 機(jī)器學(xué)習(xí)概念及優(yōu)勢(shì)

機(jī)器學(xué)習(xí)（machine learning）是一門涉及多領(lǐng)域的交叉學(xué)科，它是人工智能的核心，涉及到算法的選擇、分類器的構(gòu)建。計(jì)算機(jī)程序基于經(jīng)驗(yàn)E 學(xué)習(xí)任務(wù)T，完成任務(wù)的表現(xiàn)記為性能P，如果其習(xí)得性能P 隨著經(jīng)驗(yàn)E 的增大而不斷增長(zhǎng)，則稱為機(jī)器學(xué)習(xí)（Tom Mitchell，1997）。廣義上說(shuō)，機(jī)器學(xué)習(xí)即無(wú)需進(jìn)行明確的編程而讓計(jì)算機(jī)具有學(xué)習(xí)的能力。

機(jī)器學(xué)習(xí)有多種類型，可以根據(jù)：（1）其用來(lái)訓(xùn)練算法的訓(xùn)練數(shù)據(jù)是否包含標(biāo)簽，分為監(jiān)督學(xué)習(xí)（多用于分類和回歸問(wèn)題）、非監(jiān)督學(xué)習(xí)（如可視化算法和異常檢測(cè)）和半監(jiān)督學(xué)習(xí)（如圖片存儲(chǔ)標(biāo)記服務(wù)）；（2）是否可以動(dòng)態(tài)漸進(jìn)學(xué)習(xí)，分為在線學(xué)習(xí)和離線學(xué)習(xí)；（3）是否只是通過(guò)簡(jiǎn)單地比較新的數(shù)據(jù)點(diǎn)和已知的數(shù)據(jù)點(diǎn)，或者在訓(xùn)練數(shù)據(jù)中進(jìn)行模式識(shí)別，以建立一個(gè)預(yù)測(cè)模型，分為基于實(shí)例學(xué)習(xí)和基于模型學(xué)習(xí)；（4）根據(jù)是否需要人工提取特征，分為傳統(tǒng)淺層學(xué)習(xí)（支持向量機(jī)、K 近鄰等）和深度學(xué)習(xí)（卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等）（Géron，2017）。

機(jī)器學(xué)習(xí)較傳統(tǒng)方法的優(yōu)勢(shì)表現(xiàn)在以下幾點(diǎn)：（1）對(duì)于需要進(jìn)行大量傳統(tǒng)編程調(diào)整或需要有復(fù)雜規(guī)則才能解決的問(wèn)題，機(jī)器學(xué)習(xí)算法通?？梢院?jiǎn)化代碼、提高效率。（2）當(dāng)環(huán)境波動(dòng)時(shí)，機(jī)器學(xué)習(xí)算法可以適應(yīng)新數(shù)據(jù)，而無(wú)需人工進(jìn)行繁瑣的修正維護(hù)。（3）使用機(jī)器學(xué)習(xí)方法可以挖掘大量數(shù)據(jù)，發(fā)現(xiàn)原本數(shù)據(jù)中并不顯著但重要的規(guī)律，有時(shí)可能會(huì)發(fā)現(xiàn)新穎的關(guān)聯(lián)和趨勢(shì)，有助于對(duì)問(wèn)題本身更好的理解。

20 世紀(jì)80 年代至今，機(jī)器學(xué)習(xí)達(dá)到了一個(gè)繁榮時(shí)期，由于這一時(shí)期物聯(lián)網(wǎng)大數(shù)據(jù)以及硬件GPU 的出現(xiàn)，使得機(jī)器學(xué)習(xí)開(kāi)始爆炸式發(fā)展，也由于其本身較傳統(tǒng)方法的優(yōu)勢(shì)，成為了一門獨(dú)立熱門學(xué)科并被應(yīng)用到數(shù)據(jù)標(biāo)記類別、推薦系統(tǒng)、信息檢索與排序、醫(yī)療決策支持等各個(gè)領(lǐng)域。

3 研究現(xiàn)狀

精神障礙患者疾病意識(shí)的不足、早期篩查方法的缺乏及傳統(tǒng)診斷方式的固有缺陷導(dǎo)致患者在被診斷時(shí)大多已發(fā)展至重性障礙。為改善現(xiàn)狀，近年來(lái)機(jī)器學(xué)習(xí)被逐漸應(yīng)用到多種精神障礙的預(yù)測(cè)、識(shí)別、輔助診斷和治療決策中。

3.1 抑郁癥

抑郁癥（Depression），也稱抑郁障礙（Depressive disorder）（American Psychiatric Association，2013），其主要特征為持久而顯著的情緒低沉，具有慢性、反復(fù)發(fā)作、遷延不愈、自殺率高的特點(diǎn)。大約有8%的男性和15%的女性在他們的一生中會(huì)患上抑郁障礙，嚴(yán)重影響生活質(zhì)量，且其中有近15%的人選擇了自殺（Gold，Machado Vieira，& Pavlatou，2015）。

據(jù)世界衛(wèi)生組織（World Health Organization，WHO）預(yù)測(cè)，到2020 年，抑郁癥將代替癌癥成為世界第二大疾病。因此，對(duì)抑郁癥患者的診斷精度的提升需求迫在眉睫。

結(jié)合機(jī)器學(xué)習(xí)算法及EEG 數(shù)據(jù)建立抑郁癥輔助診斷模型的基本原理為采集抑郁癥患者及健康對(duì)照組的EEG 數(shù)據(jù)，將進(jìn)行預(yù)處理和歸一化后的數(shù)據(jù)按一定比例分為訓(xùn)練集和測(cè)試集，訓(xùn)練集數(shù)據(jù)用于對(duì)機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練，測(cè)試集數(shù)據(jù)則用于對(duì)模型進(jìn)行性能評(píng)估，并在驗(yàn)證評(píng)估過(guò)程中對(duì)模型進(jìn)行不斷優(yōu)化。其思路框架如圖。

基于EEG 的機(jī)器學(xué)習(xí)抑郁癥預(yù)測(cè)模型思路框圖

劉巖、李幼軍和陳萌（2017）對(duì)重度抑郁患者及健康對(duì)照組的EEG 進(jìn)行特征提取，并建立支持向量機(jī)和線性分類模型，其分類準(zhǔn)確度最高達(dá)到90.0%；該團(tuán)隊(duì)又基于僅進(jìn)行濾波降噪處理的腦電信號(hào)建立深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)分類模型，分類準(zhǔn)確度達(dá)96.7%，由此得到基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的抑郁癥分類效果比需要進(jìn)行特征提取的傳統(tǒng)機(jī)器學(xué)習(xí)模型更好。

Bailey 等（2019）研究顯示利用支持向量機(jī)基于抑郁癥患者治療一周時(shí)的靜息腦電信號(hào)EEG 的PSD、wPLI、theta cordance值的特征，可以預(yù)測(cè)患者對(duì)rTMS 治療是否應(yīng)答，從而指導(dǎo)無(wú)應(yīng)答患者盡早選擇其他適合的治療方法，避免其盲目接受無(wú)效、延誤治療時(shí)期且昂貴的rTMS 治療。

Hasanzadeh 等（2019）研究顯示利用K 近鄰基于抑郁癥患者治療前的靜息腦電信號(hào)EEG 的非線性特征可以預(yù)測(cè)其對(duì)rTMS 治療是否應(yīng)答，其基于Beta 頻率的能量譜特征的分類精度達(dá)到91.3%，高于Bailey 團(tuán)隊(duì)，并省去了患者為期一周的rTMS 高額治療費(fèi)用。

3.2 注意缺陷多動(dòng)障礙（ADHD）

注意缺陷多動(dòng)障礙（attention deficit and hyperactivity disorder）是最具危害性的兒童青少年精神障礙之一，發(fā)病率在學(xué)齡兒童的3%～8%，近半數(shù)起病于4 歲以前，男孩多于女孩（張家寧，2017）。注意缺陷多動(dòng)障礙患者多表現(xiàn)為明顯的注意力不集中，注意持續(xù)時(shí)間短暫，活動(dòng)過(guò)度和沖動(dòng)，并常伴有學(xué)習(xí)困難或品行障礙，ADHD 患者與品行障礙的同病率高達(dá)30%～58%。遺傳、生物化學(xué)因素、神經(jīng)解剖和神經(jīng)生理、發(fā)育異常、心理社會(huì)因素等都為本病的發(fā)病相關(guān)因素。（張理義，&耿德勤，2018）。

研究表明，ADHD 患者中65%的病例持續(xù)到成年期（Faraone SV，Biederman J，&Mick E，2006），而成年ADHD 患者的臨床癥狀又易與精神分裂或人格障礙等精神疾病產(chǎn)生混淆，使得傳統(tǒng)診斷方法下，成年ADHD 的誤診率偏高。

在多動(dòng)癥患者感覺(jué)和認(rèn)知處理缺陷的背景下，有大量證據(jù)表明患者事件相關(guān)電位（ERP）發(fā)生了改變。Andreas Mueller（2010）采用支持向量機(jī)分類方法，用年齡和性別匹配的兩組成人（74 名ADHD 患者，74 名對(duì)照組）進(jìn)行視覺(jué)雙刺激GO/NOGO任務(wù)。利用獨(dú)立成分分析方法（ICA）將ERP 數(shù)據(jù)分解為獨(dú)立成分。特征選擇算法定義了一組獨(dú)立的成分特征，這些特征被輸入到支持向量機(jī)中，采用10 倍交叉驗(yàn)證方法，其分類準(zhǔn)確率達(dá)92%。該研究首次嘗試使用支持向量機(jī)對(duì)成人ADHD 進(jìn)行分類，并證實(shí)基于ERP 數(shù)據(jù)非線性特征的分類模型在臨床診斷中的可行性。

3.3 考試焦慮癥

高度考試焦慮在各級(jí)學(xué)生中的比例都超過(guò)20%（陳睿，劉瀟楠，周仁來(lái)，2011），在一些地區(qū)的初中生中這一比例甚至高達(dá)35%（陳祉妍，2002）。

考試焦慮對(duì)個(gè)體的身心健康有著嚴(yán)重危害。首先，在面臨重要考試的時(shí)候，考試焦慮者會(huì)體會(huì)到一種強(qiáng)烈的擔(dān)憂和情緒反應(yīng)，包括心慌、緊張的情緒體驗(yàn)及一系列生理反應(yīng)，如出現(xiàn)與植物性神經(jīng)活動(dòng)失調(diào)相關(guān)的身體反應(yīng)癥狀（如心跳加快、出冷汗、呼吸急促、顫抖等），并且由此影響個(gè)體的生理健康，影響內(nèi)分泌，降低免疫功能，增加感染性疾病、胃部不適及睡眠障礙等軀體疾?。ㄩZ慧，盧莉，2014）。

高度的考試焦慮往往與抑郁情緒相聯(lián)系（陳睿等，2011），而抑郁癥發(fā)病得越早，越可能影響至終生，且復(fù)發(fā)率和自殺率越高（王瑋文，謝希，邵楓，2008）。因此，對(duì)考試焦慮進(jìn)行早期的準(zhǔn)確診斷十分必要。

章文佩、沈群倫（2019）使用ERPs 技術(shù)采集并分析高、低考試焦慮者在情緒Stroop 中對(duì)考試相關(guān)威脅詞與中性詞下的ERP成分（P1，P2，N2，P3 和LPP），結(jié)合7 種常見(jiàn)的機(jī)器學(xué)習(xí)算法對(duì)個(gè)體考試焦慮程度進(jìn)行進(jìn)一步的診斷。結(jié)果表明相較6 種淺層學(xué)習(xí)算法，深度學(xué)習(xí)算法中的卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)考試焦慮診斷的分類效果最好，其準(zhǔn)確率達(dá)86.5%。

3.4 精神分裂癥

精神分裂癥是一種病因不明、臨床分類眾多且多發(fā)病于青壯年的重性精神障礙，患病率約為1%，患者表現(xiàn)出思維方式和行為舉止怪異、感知覺(jué)扭曲、認(rèn)知失調(diào)等癥狀并且常伴有情感遲鈍、社會(huì)退縮等特征（Carpenter & Buchanan，1994）。精神分裂癥可在發(fā)病后持續(xù)發(fā)展。個(gè)別患者的進(jìn)展可能有顯著差異。早期發(fā)現(xiàn)精神分裂癥的發(fā)病和發(fā)展階段，對(duì)于及時(shí)有效地預(yù)防或減輕疾病的進(jìn)一步惡化具有重要意義。

最近，越來(lái)越多的研究人員嘗試使用腦電生物標(biāo)記的機(jī)器學(xué)習(xí)方法來(lái)區(qū)分精神分裂癥患者和健康對(duì)照組。其中一些研究使用了傳感器水平的腦電生物標(biāo)志物。比如ERP 的振幅和潛伏期作為分類的特征。Neuhaus（2011）使用視覺(jué)和聽(tīng)覺(jué)異常范式誘發(fā)了被試N100 和P300 的振幅/潛伏期來(lái)區(qū)分40 個(gè)精神分裂癥患者和40 個(gè)健康對(duì)照組，得到了72.4%的分類準(zhǔn)確率。2013年，Neuhaus 改變實(shí)驗(yàn)任務(wù)，使用視覺(jué)目標(biāo)鎖定范式誘發(fā)的ERP成分作為數(shù)據(jù)源，將分類準(zhǔn)確率提高至79%。

Miseon（2016）使用從聽(tīng)覺(jué)oddball 任務(wù)誘發(fā)的ERP 信號(hào)中提取的傳感器級(jí)和源級(jí)特征來(lái)對(duì)精神分裂癥患者和健康對(duì)照組進(jìn)行分類。研究人員記錄了34 名精神分裂癥患者和34 名健康對(duì)照組的腦電圖信號(hào)，同時(shí)要求他們注意奇怪的音調(diào)。結(jié)果表明，當(dāng)源級(jí)特征與傳感器級(jí)特征一起使用時(shí)，與僅使用傳感器級(jí)特征時(shí)相比，具有更高的分類準(zhǔn)確率，為88.24%。

3.5 阿爾茲海默癥（AD）

阿爾茲海默癥（Alzheminer's disease，AD）是一種原發(fā)性退行性腦病變疾病，多起病于老年期，臨床上以智能損害為主（郝偉，&于欣，2013）。它的特點(diǎn)是下降至少兩個(gè)認(rèn)知域（例如失去記憶、注意、語(yǔ)言、執(zhí)行功能），嚴(yán)重到影響患者的社會(huì)或職業(yè)功能。隨著社會(huì)老齡化的發(fā)展，全球范圍內(nèi)該病的發(fā)病率呈逐年上升的趨勢(shì)。預(yù)計(jì)在2050 年，AD 患者的數(shù)量預(yù)計(jì)將從4440 萬(wàn)增加到1 億3550 萬(wàn)（宋昕，洪羽蓉，&胡秋瑩，2015）。

AD 已經(jīng)與心腦血管疾病、腫瘤、腦卒共同成為老年人的四大殺手，嚴(yán)重的危害老年人的身體健康和老年生活質(zhì)量。提高AD 的早期診斷率，可以避免病患錯(cuò)失最佳的治療時(shí)期，及時(shí)選取合適的治療緩解癥狀病情的惡化。

Lucas R. Trambaiolli 等（2011）開(kāi)發(fā)了定量腦電圖（qEEG）的處理方法，并結(jié)合支持向量機(jī)建立了AD 分類模型，用以區(qū)分AD 患者與健康對(duì)照組。該研究記錄了19 名正常受試者（14 名女性/5 名男性，平均年齡71.6 歲）和16 名可能有輕度至中度癥狀的AD 患者（14 名女性/2 名男性，平均年齡73.4 歲）的腦電圖進(jìn)行模型的建立，最終得到87%的高分類準(zhǔn)確率。

Sonja Simpraga 等（2017）利用接受東莨菪堿（scopolamine）治療的受試者的EEG 數(shù)據(jù)，建立了由14 個(gè)腦電圖生物標(biāo)志物組成的鼠毒堿乙酰膽堿受體拮抗劑（mAChR）指數(shù)。研究得出mAChR 指數(shù)比單一腦電圖生物標(biāo)志物具有更高的分類性能。該研究將mAChR 指數(shù)結(jié)合機(jī)器學(xué)習(xí)算法建立了AD 診斷模型，獲得了92%的分類準(zhǔn)確率。這一研究證實(shí)可以通過(guò)整合多個(gè)腦電圖生物標(biāo)記物的方式提高疾病或藥物干預(yù)的模型識(shí)別準(zhǔn)確率。

4 局限與展望

基于EEG 技術(shù)的機(jī)器學(xué)習(xí)在精神障礙的計(jì)算機(jī)輔助診斷研究目前仍存在一定的局限性。

4.1 樣本量不足。樣本量不足是現(xiàn)階段精神障礙診斷領(lǐng)域機(jī)器學(xué)習(xí)研究面臨的一大問(wèn)題（Bailey，2018）。樣本量不足的主要原因包括數(shù)據(jù)提取成本高、樣本的特殊性和數(shù)據(jù)共享困難。精神障礙患者受到臨床癥狀和藥物副作用的影響，在采集數(shù)據(jù)時(shí)需要耗費(fèi)更多的人力和物力，采集難度大，因此與精神障礙有關(guān)的腦神經(jīng)科學(xué)研究樣本量通常較小。

4.2 樣本及特征代表性有限。對(duì)精神障礙如自閉癥、精神分裂癥等亞類型的樣本選擇偏歧會(huì)導(dǎo)致樣本類內(nèi)差異過(guò)大而影響分類模型的效能。而利用機(jī)器學(xué)習(xí)選擇不同的生物標(biāo)志物作為預(yù)測(cè)特征，其預(yù)測(cè)準(zhǔn)確度會(huì)存在差別。我們應(yīng)在同時(shí)考慮準(zhǔn)確度和成本情況不斷尋找最佳的預(yù)測(cè)特征來(lái)構(gòu)建精神障礙診斷分類模型。

不可否認(rèn)的是，近年來(lái)機(jī)器學(xué)習(xí)在精神障礙智能診斷及預(yù)測(cè)研究中進(jìn)步巨大，并有很大的研究空間。

未來(lái)，多個(gè)研究機(jī)構(gòu)可以建立能夠保障被試隱私和數(shù)據(jù)安全的協(xié)議，規(guī)范數(shù)據(jù)入組標(biāo)準(zhǔn)，在不違背倫理的情況下實(shí)現(xiàn)多中心數(shù)據(jù)共享，增大樣本量，以解決當(dāng)前與精神障礙有關(guān)的腦神經(jīng)科學(xué)研究樣本量通常較小的問(wèn)題。研究者在需要利用降維和特征選擇的方法保留有用的大數(shù)據(jù)特征，從而提高特征的有效性。研究者更可以在獲得大樣本數(shù)據(jù)的基礎(chǔ)上，嘗試使用更高分類能力的深度學(xué)習(xí)算法進(jìn)行建模，以期提高機(jī)器學(xué)習(xí)算法診斷模型的準(zhǔn)確率和泛化能力。

據(jù)國(guó)務(wù)院發(fā)布的《全國(guó)精神衛(wèi)生工作規(guī)劃（2015-2020年）》，目前我國(guó)精神衛(wèi)生服務(wù)資源十分短缺且分布不均，全國(guó)僅有精神衛(wèi)生專業(yè)機(jī)構(gòu)1650 家，精神科醫(yī)師2 萬(wàn)余名。我們期待當(dāng)EEG 技術(shù)、精神診斷與機(jī)器學(xué)習(xí)算法各領(lǐng)域的合作日趨成熟后，在醫(yī)療資源有絕對(duì)優(yōu)勢(shì)的地區(qū)訓(xùn)練、驗(yàn)證精神障礙的計(jì)算機(jī)輔助診斷模型，而后在欠發(fā)達(dá)地區(qū)投入使用，以期平衡我國(guó)精神障礙診治水平的地域差異性，促進(jìn)醫(yī)療資源共享，推動(dòng)精神衛(wèi)生事業(yè)全面均衡發(fā)展。