利用多模态心理生理计算研究抑郁症诊断和疗效评价方法

Depression is the fourth cause of disease burden in the world. The suicide rate for patients with depression is higher than the rate for national population several tens times. It is a serious threat to patients, families, and society. However, currently clinical diagnosis for depression is based on subjective evaluation and is lack of effective and objective diagnostic methods. Psychophysiological computing paves a new way for objective evaluation of depression. The project will utilize comprehensively near-infrared spectroscopy(NIRS) and EEG measurements. Its object is to present methods of diagnosis and treatment evaluation for depression from three aspects of social-behavioral characteristics, emotional face recognition, and long-term sleep monitoring. The research contents: (1) According to the universal behaviors (cooperation and competition) of social interaction for humans, a cooperation model and a competition model are established. Then a new mode based on human-computer interaction is set up for the study of social behavior characteristics of patients with depression. (2)With the help of emotional face recognition tasks, the negative bias information processing mechanisms for patients with depression are studied. (3)Investigation of neurovascular coupling relationship during sleep from different angles, which will give full play to the unique advantage of long-term multi-modal monitoring techniques. (4)Extracting sensitive features associated with depression by means of modern signal processing methods and synchronization analysis techniques. (5)Study of effective methods of clinical diagnosis and treatment evaluation of depression by the aid of multi-modal physiological data and feature fusion and classification technology. The Investigation has important social significance and scientific value.

抑郁症是全球第四大疾病，患者自杀率高于普通人群数十倍，对患者、家庭和社会造成严重危害。目前临床诊疗以主观评价为主，缺乏有效的客观诊断方法，心理生理计算为抑郁症客观诊断提供了一条崭新的研究途径。本课题综合应用近红外光谱技术和脑电图，从社会行为特性、情绪面孔识别、长时间睡眠监测三个方面，对抑郁症诊断和疗效评价方法进行多角度、多时间尺度研究。重点研究：从人类社会交往中普遍存在的合作、竞争行为出发，通过行为特征建模，建立基于人-机交互研究抑郁症患者社会行为特征的新模式；利用情绪面孔识别任务，研究抑郁症患者出现负性偏向的信息加工机制；充分发挥长时间多模态监测优势，从不同角度研究睡眠过程中的神经血管耦合关系；利用现代信号处理方法和信号同步分析技术，从多层次提取抑郁症敏感特征信息；利用多模态生理数据、特征融合和分类技术，研究有效的抑郁症临床诊断及疗效评价方法。课题研究具有重要的社会意义和科学价值。

抑郁症是一种以持续性情绪低落为临床症状的精神心理疾病，临床诊疗主要以临床观察、量表评定与患者自我描述等主观评价为主，很难进行客观把握，在抑郁症预防、诊断、治疗等方面，迫切需要有效的临床手段。本课题在构建多模研究平台的基础上，综合应用NIRS和EEG技术，从社会行为特性、情绪面孔识别、长时间睡眠监测等三个方面，利用多模态生理数据融合和机器学习等技术手段，研究了抑郁症分析技术与方法。.1）在对超低功耗与微型化设计、微弱信号提取、高可靠性设计等关键技术研究的基础上，开发构建了便携式多模研究实验平台，研究平台不但保证了本课题的顺利开展，还应用到了“绿航星际180天”实验数据采集，为研究人类未来长期星际飞行中可能出现的抑郁等生理和心理问题，提供了宝贵数据；2）利用NIRS超扫描测量技术，通过设计合作/竞争实验任务，从神经生理角度研究不同任务模式下参与者的社会行为特征。为了满足临床中单个病人合作与竞争实验的需求，研究了合作与竞争模型，用“人—机”实验范式代替传统的“人—人”实验范式；3）从抑郁症患者的情绪信息加工异常角度设计实验任务，通过采集情绪面孔识别和言语流畅性实验任务状态下，抑郁症患者和健康人前额区域的血液动力学信号，研究客观有效的抑郁症临床诊断方法；4）睡眠过程的多源生理信号中蕴含了丰富的信息，以睡眠多源信号为基础，利用多重分形去趋势波动分析、支持向量机等技术，研究了抑郁症患者、精神分裂症患者和健康人分类方法，取得了95.8%的分类精度，有望为临床提供一种可行的客观诊断方法。.在项目资助下，发表国际、国内期刊论文10篇；发表会议论文2篇、获青年论文竞赛二等奖1项；获授权发明专利6项、申请发明专利2项，提交国际PCT专利申请1项；获软件著作权3项；学生参加国际、国内科技竞赛获奖4项；培养研究生10名、其中7名获硕士学位。