基于时频图像的融合技术用于预测 rTMS 抑郁症治疗效果

arXiv:2610.00380v1 公告类型：新 摘要：抑郁症是一种可能导致自杀和自伤的精神疾病。预测抑郁症治疗效果是临床医生面临的最困难任务之一。在各种治疗方案中，重复经颅磁刺激（rTMS）是一种广泛应用的非侵入性方法。由于个体间差异较大，且单一域分析所能提取的特征有限，利用脑电图（EEG）数据预测 rTMS 疗效反应具有较大难度。为克服这些局限并从 EEG 生成的时频（TF）图像中提取更丰富的特征，我们引入了两种融合技术：Montage 和 blending。随后，我们提出了一种轻量级定制卷积神经网络（CNN），在融合后的 TF 表征上进行训练。我们使用了一个包含 15 名患者的主要数据集和一个包含 46 名患者的次要数据集，并开展了两组实验。第一组采用分段级 10 折交叉验证。在这种设置下，同一患者的片段可能同时出现在训练集和测试集中。Montage CWT_ST 在主要数据集和次要数据集上的准确率分别达到 99.90% 和 91.90%。第二组采用严格的受试者独立交叉验证。同一患者的所有片段均被分配到同一折中，且训练集和测试集中不会出现同一患者。此时模型性能大幅下降。我们测试了四种时频方法、六种融合机制和十四种模型架构。除一个例外外，两组数据集中的每种配置的 AUC 均介于 0.31 和 0.54 之间，且每个 95% 置信区间都包含 0.5。对表现最佳的独立方法进行患者级置换检验后，得到 $p = 0.703$。最佳的受试者级结果来自主要队列中的 Montage CWT_ST，其 AUC 达到 $0.874 \pm 0.183$，准确率为 82.7%。