2025 年 5 月 25 日，清华大学生物医学工程学院高小榕教授团队在Journal of NeuroEngineering and Rehabilitation在线发表题为 “A data-centric and interpretable EEG framework for depression severity grading using SHAP-based insights” 的研究论文。团队开发出一种以数据为中心且具有可解释性的脑电图（EEG）框架，用于抑郁症严重程度分级。该框架具备高准确性与良好的可解释性，结合创新的混合特征选择策略，在大规模多中心静息态 EEG 数据集上实现了稳定可靠的抑郁症严重程度评估，可用于抑郁症的客观诊断、治疗规划与监测，为基于 EEG 的心理健康评估工具走向临床实用化提供了关键技术与方法支持。

图1 研究流程概览

研究提出一种新型的以数据为中心、可解释的基于 EEG 的抑郁症严重程度分级方案，采用混合特征选择策略，结合 p 值与 SHapley Additive exPlanations（SHAP）方法，筛选出既具有独立统计显著性又包含联合信息价值的特征。该系统在大规模、多中心静息态 EEG 数据集上完成训练与评估，采用随机森林算法进行分类与回归任务，并通过 SHAP 可解释人工智能技术，推断与重度抑郁症（MDD）机制相关的关键电生理特征及脑区，进一步提升模型的临床可解释性。

图2 混合特征选择的可视化及其对模型性能的影响

研究进一步系统验证了该框架在抑郁症严重程度评估中的性能与适用性。在分类任务中，该系统实现 74.5%（95% CI [70.97%,78.80%]，p<0.001）的十折交叉验证准确率，宏平均 AUC 为 0.83；在严重程度估计的回归任务中，相关系数达 0.56（95% CI [0.407,0.683]，p<0.001），平均绝对误差（MAE）为 3.09。SHAP 分析识别出左顶叶相对 β 功率、顶中线时域特征、1/f 频谱拟合截距、左枕叶相对 β 功率等关键特征，以及左枕叶、顶叶等与抑郁症严重程度相关的关键脑区，结果与已知的神经生理模式一致，具有明确的临床意义。

图3 通过不同电极配置

定位关键脑区的数据实验流程及性能表现

该框架在抑郁症评估中展现出多项关键优势：以数据为中心，强调可解释性而非算法复杂性，通过精选特征与简单透明的分类器实现良好性能；混合特征选择策略兼顾统计显著性与模型信息，能捕捉 EEG 特征的独立与交互贡献；基于大型多中心、多设备数据集构建，具有良好的泛化性与临床相关性；可提供抑郁症严重程度相关的 EEG 特征与脑区的可解释性见解，助力开发更透明的神经生理分级工具。

本研究主要作者为清华大学生物医学工程学院沈安若、孙劲男、陈小刚及高小榕。该研究得到国家自然科学基金（No. U2241208）、广东省重点领域研发计划（No. 2018B030339001）及宁夏回族自治区重点研发计划（No. 2023BEG02063）的支持。

论文链接：https://doi.org/10.1186/s12984-025-01645-5

来源：脑机接口产业联盟

仅用于学术分享，若侵权请留言，即时删侵！

欢迎加入脑机接口AI星球，获取更多脑机接口+AI等领域的知识和资源。

合作咨询请添加微信:RoseBCI【备注：姓名+行业/专业】。

   欢迎来稿   

1.欢迎来稿。投稿咨询，请联系微信：RoseBCI

点击投稿：脑机接口社区学术新闻投稿指南

2.加入社区成为兼职创作者，请联系微信：RoseBCI

一键三连「分享」、「点赞」和「在看」

不错过每一条脑机前沿进展