《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》
传统的精神分裂症（SZ）诊断往往采用问卷调查的方式进行，医生会依据一定的标准(如DSM-5)询问患者一系列问题，以此来判定患者是否符合SZ的标准。但是这种传统的诊断方式往往具有一定的主观性，如患者可能会隐藏或可以回避一些问题，使得诊断出现一定的偏差。因此，研究者一直致力于寻找客观、定量的方法来实现SZ的分类和诊断。研究者采用EEG/ERP技术发现，SZ患者在某些任务中的ERP成分、功能连接或某些频段的振荡活动等都会出现异常。一些研究者尝试把上述EEG的标志物与机器学习结合起来，实现SZ的诊断和分类。比如说，有研究者利用Oddball任务诱发的ERP成分的幅值作为特征值，实现了SZ高达79%的诊断正确率。但是，上述这些研究都是利用电极水平（sensor-level）的特征来进行分类，而利用溯源水平（source-level）特征来对SZ进行机器学习诊断的研究似乎还很少。本次，笔者在这里分享一篇题目为《Machine-learning-based diagnosis of schizophrenia using combined sensor-level and source-level EEG features》的研究论文，该论文发表于Schizophrenia Research杂志，其联合使用EEG电极和溯源空间特征实现精神分裂症的机器学习诊断。 材料与方法 1.被试。从医院募集34个SZ患者和34个健康人，被试的临床资料如表1所示。
表12.EEG采集和预处理。采用经典的听觉Oddball实验范式（标准刺激85%，偏差刺激15%），在被试执行任务的同时采集62导联的EEG信号，同时记录垂直眼电和水平眼电；采样频率1000Hz，带通0.1-100Hz，同时去除60Hz工频干扰。 EEG的预处理流程如下：采用Scan 4.3软件，首先，眨眼干扰用软件自带的工具去除，其他的大的干扰用视觉检测去除；然后，数据进行1-30Hz的带通滤波，并且以target刺激前100ms和后900ms进行分段；最后，分段后的epoch，如果信号的绝对值超过±75uV，则去除相应的epoch。 3.电极空间的特征值提取。分别提取62个电极上的P300成分的幅度和潜伏期作为特征值，因此，每个被试可以获得124个特征值（62个P300幅值和62个P300潜伏期）。 4.溯源空间的特征值提取。为了提取溯源空间的特征，首先数据进行1-55Hz的滤波，然后采用eConnectome工具包进行溯源分析。获得314个偶极子的时间序列信号，然后把每个偶极子的时间序列信号在0-500ms时间范围内进行平均。最后，每个被试可以获得314个溯源空间上的特征值。 5.特征选择和分类。电极和溯源空间上的特征值共计124 314=438个，研究者采用F score的方法（关于Fscore方法参见我们之前推送的文章：
机器学习中如何用F-score进行特征选择（附Matlab代码））选取1到20个特征值。分类算法采用支持向量机SVM。图1展示了该研究的整个研究流程。
图1结果 1.最大和平均分类精确度。表2总结了1-20个特征值下，三种特征集（只有电极空间、只有源空间、结合电极和源空间）得到的分类精确度。可以看出，当联合使用电极和溯源空间特征时可以获得最大的分类精确度88.24%。此外，三种特征集（只有电极空间、只有源空间、结合电极和源空间）所得到的平均精确度分别为：72.72%，71.40和78.24%，并且统计分析表明三种特征集得到的分类精确度之间具有统计学差异，如图2所示。另外需要说明的一点是，联合使用电极和溯源空间特征得到的分类精确度稳定性好，对特征值数目依赖性少，并且最低的分类精确度也在70%以上。总之，这些结果说明，当联合使用电极和溯源空间特征时可以获得最好的分类结果（相比只采用电极空间或溯源空间特征）。
表2
图22.特征值的空间分布。当特征值的数量为15时并且联合使用溯源和电极空间特征值可以获得最大88.24%的分类准确度。此时，所选择的15个特征包括8个电极空间的特征和7个溯源空间的特征，如图3所示。这8个电极空间的特征位于以下8个电极：AF4, F1, Fz, F2, F3, F8, FC6, FT8。进一步的研究发现，对于SZ被试，这些电极上的P300幅度显著小于健康对照组，如图4所示。而7个溯源空间的特征主要位于左侧颞叶。
图3
图4总结 总之，本文通过联合采用电极和溯源空间的EEG特征实现了SZ的高准确度分类和诊断（最高准确度88.24%）。联合采用电极和溯源空间特征似乎比单独使用电极或溯源空间的特征值可以获得更高的分类准确度。这说明，溯源空间的信息也可以作为SZ的EEG生物标志物。此外，当获得最大分类准确度时，所选择的溯源空间的特征主要位于左侧颞叶，而电极空间的特征主要位于额叶，而大量的研究已经表明SZ患者在这两个区域出现了显著的异常变化。
参考文献： Shim M , Hwang H J , Kim D W , et al. Machine-learning-based diagnosis of schizophrenia using combined sensor-level and source-level EEG features[J]. Schizophrenia Research, 2016:S0920996416302274.
