如何實現快速準確的識別和有效的非藥物干預是目前抑郁癥領域亟待解決的難題。腦電信號蘊藏豐富的抑郁癥定量標記，但全腦腦電信號的采集操作過程繁瑣，不易應用于大規模人群。本文基于筆者課題組自主研發的可穿戴額葉腦電信號監測設備及其在抑郁癥識別和干預中的應用展開討論，介紹可穿戴腦電信號監測設備的技術原理和常見類型，綜述基于可穿戴腦電信號的抑郁癥識別關鍵技術及其存在的技術瓶頸。最后，本文提出一種面向抑郁癥個性化干預的閉環腦機音樂接口系統，并進一步探討了其所面臨的技術挑戰。本文有助于促進相關理論和技術從基礎研究向應用轉化，推動抑郁癥篩查和個性化干預的進程。
引用本文： 崔興然, 秦澤光, 高之琳, 萬旺, 顧忠澤. 可穿戴腦電信號在抑郁癥識別和個性化音樂干預中的應用與挑戰. 生物醫學工程學雜志, 2023, 40(6): 1093-1101. doi: 10.7507/1001-5515.202210065 復制
版權信息： ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有，未經授權不得轉載、改編
0 引言
抑郁癥是全球范圍內發病率最高的一類精神疾病，然而只有不足50%的患者接受有效治療。2021年《柳葉刀》的一項研究表明，在中國僅有9.5%的抑郁癥患者曾接受衛生服務機構治療，得到充分治療的患者只有0.5%[1]。據世界衛生組織披露，全球約有2.8億人患有抑郁癥[2]，且近年來全球抑郁癥患病率大幅增加[3]，嚴重危害個人身心健康，造成了巨大的社會、經濟負擔。加強對抑郁癥等精神疾病的防治已被明確列入《“健康中國2030”規劃綱要》《健康中國行動（2019-2030年）》。目前，如何實現快速準確的抑郁癥識別和有效的非藥物干預是抑郁癥領域亟待解決的難題。
抑郁癥的臨床診斷，當前主要依靠醫患面對面的溝通和量表評估，迫切需要增加精準的個性化定量評測指標來輔助臨床診斷。腦電圖（electroencephalogram，EEG）是通過電極以無創方式從頭皮上測量的腦部神經元群的自發性、節律性電活動信號。研究表明，從采集到的EEG信號里可以提取表征抑郁癥的定量指標，但實驗室或臨床常用的標準全腦EEG信號采集設備需要專業人員操作且數據采集過程繁瑣，不易用于大樣本監測或動態長程監測[4]。可穿戴EEG信號監測設備是近二十年發展起來的小巧、便攜化設備，可滿足日常監測需求。EEG信號的質量直接影響特征指標提取的成功與否，為保證可穿戴EEG信號質量滿足科研或臨床應用的需求，所有可穿戴EEG信號監測設備采集的信號都需經過嚴格的信號質量評估。借助可穿戴EEG信號監測設備獲取表征抑郁癥的特征指標，有助于抑郁癥的快速準確識別，有望成為未來輔助醫生進行抑郁診斷和治療的新方法。
當前抑郁癥的治療主要依靠藥物，但不同個體對藥物的治療反應存在很大差異，且抗抑郁藥物具有一定的副作用。現代音樂治療對抑郁癥患者的療效已得到臨床證實，被正式寫入國家醫療行業標準，是抑郁癥非藥物干預的重要手段之一。然而，音樂治療效果存在明顯的個性化差異。提取音樂干預過程中患者的EEG信號特征指標，以此作為神經反饋信息來調節音樂參數，形成新的個性化音樂，從而實現抑郁癥的個性化干預，有望成為抑郁癥非藥物治療的新方向。
本文圍繞筆者課題組自主研發的可穿戴額葉EEG信號監測設備及其在抑郁癥識別和干預中的應用展開討論，首先介紹可穿戴EEG信號監測設備的技術原理和常見類型；接著介紹抑郁癥的腦機制，綜述基于可穿戴EEG信號監測設備用于抑郁癥識別所涉及的關鍵技術，包括信號質量評估技術、偽跡去除技術以及基于非線性、非平穩信號分析算法的抑郁癥EEG信號特征提取技術，并討論存在的關鍵技術瓶頸；然后介紹音樂干預抑郁癥的神經機制及其現狀。在此基礎上，提出一種面向抑郁癥個性化干預的閉環腦機音樂接口（brain-computer music interface，BCMI）系統，并進一步探討其所面臨的技術挑戰。最后，對可穿戴EEG信號監測設備在抑郁癥識別和干預中的應用前景及面臨的挑戰進行剖析和展望。本文相關綜述內容有助于深入挖掘抑郁癥EEG數據的潛在應用價值，促進可穿戴EEG信號監測設備和相關EEG信號分析技術在抑郁癥的識別、個性化干預和健康管理中的應用。
1 可穿戴EEG信號監測設備
1.1 技術原理
可穿戴EEG信號監測設備是一種小型化、便攜式的系統，可以直接佩戴在頭上監測EEG信號。傳統EEG信號監測設備是一種龐大而笨重的系統，僅限于在實驗室或臨床中對相對靜止的受試者進行EEG信號監測。可穿戴EEG信號監測設備是從傳統笨重的設備演變而來的，并不斷向低負荷、微型化、集成化、智能化方向發展，能夠監測受試者在實驗室之外非劇烈運動時的EEG信號。
可穿戴EEG信號監測設備主要包括硬件和軟件兩部分。硬件主要包括信號采集模塊、信號放大模塊、信號處理模塊、微控制模塊、通信模塊、電源模塊等；軟件主要包括移動或計算機終端分析模塊、顯示模塊、云存儲模塊等。可穿戴EEG信號監測設備一般通過鹽水電極、干電極或銀/氯化銀凝膠電極采集頭皮表面的EEG信號；原始信號經過內置放大器放大之后傳輸到數據處理模塊進行硬件濾波等初步預處理；之后通過藍牙或無線網絡（WiFi）等無線通信技術將EEG信號傳輸到手機、計算機、云平臺等終端進行數據分析、顯示及存儲；微控制模塊相當于中央處理器，協調各個模塊之間的運行和傳輸。
以筆者課題組研發的可穿戴額葉EEG信號監測設備——深腦守望（Mindeep）為例[5]，其使用具有低功耗、低噪聲特性的集成模擬前端ADS1294（TexasInstruments Inc.，美國）實現4通道EEG信號的同步采樣。微控制單元控制集成模擬前端采集到的EEG數據，支持250、500、1 000 Hz三種采樣率，數據記錄精度為24位。數據的保存和傳輸方式包含以下三種：① 通過單晶片微控制器ESP32（Espressif Inc.，中國）的WiFi模塊向局域網內的計算機實時無線傳輸數據；② 將數據保存在本地安全數碼（secure digital，SD）存儲卡中；③ 通過USB向計算機實時有線傳輸數據。系統由可充電的鋰電池供電，鋰電池通過USB接口進行充電。
1.2 常見類型
目前可穿戴EEG信號監測設備種類繁多，大體分為兩大類：① 多通道便攜EEG信號監測設備，這類設備具有較長的電池壽命和全腦EEG信號監測功能，通常設備體積和重量較大，例如：B-Alert（X10/X24，BIOPAC Systems Inc.，美國）；② 可用于日常生活的更美觀、輕便易攜的可穿戴EEG信號監測設備，如Emotiv（EPOC+，Emotiv Inc.，澳大利亞）、Muse（Gen 2，InteraXon Inc.，加拿大）、Mindwave（Mobile 2，NeuroSky Inc.，美國）等[6]。這些可穿戴設備在醫療、睡眠管理、情緒控制、抑郁癥診療和疲勞監測等領域都有很好的表現。其中Emotiv系列憑借完整成熟的硬件設計和軟件支持，成為目前科研和商業中應用最廣泛的可穿戴EEG信號監測設備之一。盡管當前已經有幾種可穿戴EEG信號監測設備實現了商品化，但它們在使用過程中仍然存在一些局限性，例如采樣率低、不能提供原始EEG數據、沒有電極皮膚阻抗檢查和監測功能等。
針對當前可穿戴設備存在的問題，筆者課題組自主研發了可穿戴額葉EEG信號監測設備——Mindeep，可用于科研或日常EEG信號監測。與其他常見可穿戴EEG信號監測設備（Emotiv、Muse、Mindwave和B-Alert）相比，Mindeep克服了目前可穿戴EEG信號監測設備在實際應用過程中普遍存在的一些問題，其硬件具有以下特點：① 同時支持干電極和濕電極兩種采集方式；② 電池續航時間長達12 h；③ 提供阻抗檢測功能；④ WiFi無線傳輸。Mindeep的軟件系統具有以下特點：① 提供原始數據；② 采樣率可調（250、500、1 000 Hz）；③ 有事件標記功能；④ 具備多設備同步采集功能。
2 抑郁癥的腦機制
抑郁癥是一種以情緒功能障礙為特征的嚴重精神疾病，以持續的情緒低落為核心特征并伴有失眠和認知功能障礙等其他癥狀。了解抑郁癥的腦機制對于抑郁癥的診斷和治療至關重要。從解剖學角度來看，抑郁癥與前額葉皮層和邊緣系統—丘腦—皮層通路的結構和功能異常有關[7]。海馬體是抑郁癥領域中研究最廣泛的大腦結構，與抑郁癥引起的認知障礙有關。大量的研究表明，抑郁癥患者的海馬體體積會萎縮，且隨著抑郁癥的持續、復發或惡化，萎縮的程度逐漸變大[8]。此外，腦功能連接研究表明，抑郁癥主要與情感網絡、獎勵網絡、默認模式網絡和認知控制網絡等異常相關。
毫無疑問，抑郁癥與大腦聯系密切。而頭皮EEG信號是大腦皮層億萬神經元電活動的綜合體現，能夠反映大腦各種思維活動狀態和情緒變化，且具有高時間分辨率、非侵入式、采集成本低等優勢，故成為研究抑郁癥的重要手段[9]。
3 基于可穿戴EEG信號的抑郁癥識別關鍵技術
3.1 可穿戴EEG信號質量評估關鍵技術
EEG信號質量是影響抑郁癥識別準確率的關鍵因素。可穿戴EEG信號監測設備必須經過嚴格的信號質量評估認證，以證明其采集的EEG數據質量滿足科研或臨床應用的要求。科研和臨床中應用的標準EEG信號監測設備具備高精度的信號質量和數據采集能力，同時也具有多種功能和可擴展性，通常被稱為金標準EEG信號監測設備，例如SynAmps RT（Compumedics Neuroscan Inc.，澳大利亞）。與現有的金標準設備進行信號質量對比，是評估可穿戴EEG信號質量的有效方法。筆者結合現有的評估方法，提出一套完整的信號質量評估方案，具體包括：
（1） 模擬信號測試實驗。利用模擬信號對可穿戴EEG信號監測設備的硬件進行測試，驗證其放大電路的可靠性和穩定性。目前基礎醫學和臨床實踐上尚無專用的EEG信號模擬器，而且對于驗證EEG數據放大電路的模擬信號尚無專用的醫學計量檢測標準。實踐過程中，可采用商用的EEG信號模擬器（MiniSim EEG Simulator，Netech Inc.，美國）或者使用任意函數發生器，模擬不同頻率、不同幅值的正弦波、方波、三角波等作為模擬輸入信號；將EEG信號模擬器或任意函數發生器的輸出與可穿戴EEG信號監測設備的電極相連，設定采樣頻率進行信號采集，通過計算模擬信號與采集信號之間的歸一化互相關系數并設定閾值來判斷可穿戴EEG信號監測設備硬件的信號采集能力。
（2）靜息睜、閉眼任務。計算可穿戴EEG信號監測設備在靜息態（包含睜眼和閉眼狀態）下EEG信號的相對功率譜密度（power spectral density，PSD），根據是否能夠復現伯格效應[10]，即EEG信號在α頻段（8～13 Hz）的相對PSD在閉眼靜息態時顯著高于睜眼靜息態，來對信號質量進行評判。
（3）聽覺怪球范式（oddball）任務。受試者佩戴耳機聽1 000 Hz的高音（偏差音）和500 Hz的低音（標準音），通過信號疊加對比觀察事件相關電位來對可穿戴EEG信號監測設備采集的信號進行質量評估。
（4）AX型持續性操作范式（AX version of continuous performance task，AX-CPT）任務。AX-CPT任務是測量持續注意和認知控制的經典實驗范式[11]。受試者執行該任務時，同時用可穿戴EEG信號監測設備和金標準EEG信號監測設備采集EEG信號，通過對比兩種信號的時頻分析結果對信號質量進行評估。
總之，睜、閉眼靜息態EEG信號差異分析和事件相關電位分析是可穿戴EEG信號質量評估應用最為廣泛的方法。當閉眼狀態下α頻段的相對PSD明顯高于睜眼狀態時，即復現伯格效應，可認為在頻域上EEG信號質量符合要求；當通過事件相關電位分析技術疊加出失匹配負波等成分時，可認為在時域上EEG信號質量符合要求。通過與金標準EEG信號進行比較，若可穿戴EEG信號分析結果符合以上兩條要求且與金標準EEG信號的結果無明顯區別，便可以認為EEG信號質量符合要求。為了進一步驗證可穿戴EEG信號的質量，可以增加特定應用場景下的任務，如情緒誘發任務、斯特魯普（Stroop）實驗或筆者所用的AX-CPT任務等[12-13]。
3.2 可穿戴EEG信號預處理關鍵技術
可穿戴EEG信號監測設備采集到的EEG信號非常微弱，且極易受各種偽跡（如眼電、肌電、運動偽跡等）干擾，而且可穿戴EEG信號監測設備的通道數量少，大多數情況下無法采用全腦EEG信號的偽跡去除方法[14]。因此，如何實現少通道EEG信號的偽跡去除是可穿戴EEG信號分析的難點之一，也是提取抑郁癥患者EEG信號的關鍵特征指標的基本前提。
通常情況下，可以通過巴特沃斯等濾波器對原始EEG信號進行無相移數字帶通濾波，以去除EEG信號中的高低頻噪聲干擾。但眼電等偽跡與EEG信號在頻域上混雜在一起，無法通過簡單的數字濾波進行去除。盲源分離被證明可以有效去除多通道EEG信號中的眼電偽跡[15-16]，但可穿戴EEG信號監測設備通道數量少，不能直接應用該方法。為了克服盲源分離的局限性，可以通過小波變換或經驗模態分解等將單通道EEG信號分解為多通道信號，再進行盲源分離去除偽跡。Cheng等[17]提出一種奇異譜分析結合二階盲辨識的方法去除單通道的各種偽跡，通過半模擬研究表明該方法可以有效去除單通道EEG信號的各種偽跡。Kumaravel等[18]通過偽跡子空間重建用于腦機接口系統進行在線偽跡校正，使穩態視覺誘發電位響應進一步提高到45%以上。筆者課題組也提出了一種可穿戴EEG信號的偽跡去除和信號質量評估方法，主要通過偽跡識別和自適應偽跡裁剪和拼接得到干凈的EEG信號。此外，還可以通過小波分解進行閾值去噪來降低噪聲比例以去除偽跡。
3.3 抑郁癥EEG信號特征識別關鍵技術
當前抑郁癥的臨床診斷主要依靠醫患面對面的溝通和量表評估。由于患者回答醫生或量表中的問題時存在主觀性，并且抑郁癥具有異質性，因此迫切需要增加個性化定量評測指標，如EEG信號特征指標，輔助臨床診斷。
EEG信號的線性特征識別是抑郁癥研究中常用的分析方法之一。EEG信號頻段可以細分為：δ（< 4 Hz）、θ（4～8 Hz）、α（8～13 Hz）、β（13～30 Hz）、γ（30～100 Hz）。現有研究表明，抑郁癥患者的特定腦區相對于正常人群存在異常的腦活動，可以通過EEG信號特定頻段的功率直觀顯示出來。然而，由于數據來源和采集場景等不同，現有相關結論并不統一，甚至相悖。例如，與健康組相比，Lin等[19]發現重度抑郁癥組在靜息狀態下的δ和θ頻段功率較低，β頻段功率較高；Bachmann等[20]發現抑郁癥患者具有更高的γ頻段相對功率。但是，杜雪云等[21]發現慢性失眠伴焦慮抑郁癥患者的γ頻段相對功率較低；Lee等[22]發現18～25歲有抑郁癥傾向的青年人中央腦區和左半球的β頻段能量降低。研究還發現抑郁癥患者額葉α頻段偏右側化，健康人偏左側化[23]，但是α頻段偏側化會受到性別和當前焦慮情緒的影響，額葉α頻段偏側化指標并不穩定。
大腦是一個高度復雜和非線性的系統。近年來，許多研究證明EEG信號的非線性指標對抑郁癥患者大腦動力學的變化高度敏感，因此非線性指標有望成為有效的抑郁癥定量生物標記[24]。例如，Ahmadlou等[25]發現重度抑郁癥患者的β和γ頻段信號的分形維數高于健康人，基于EEG信號非線性指標的重度抑郁癥患者和健康人分類準確率為91.30%。Faust等[26]分析抑郁癥患者和健康人EEG信號的近似熵、樣本熵、瑞麗熵和雙譜相位熵，發現抑郁癥患者EEG信號的熵高于健康人。?uki?等[27]證實抑郁癥患者在額葉和頂葉區域的EEG信號具有更高的分形維數和樣本熵。
3.4 基于可穿戴額葉EEG信號的抑郁癥識別
當前，基于EEG信號的抑郁癥相關研究大都使用32通道以上的全腦EEG信號，但是全腦EEG信號的采集需要專業人士操作，且過程繁瑣，不適合非實驗室環境或者日常情景。將便攜且通道數較少的可穿戴EEG信號監測設備應用于抑郁癥識別，有助于大樣本人群篩查或日常環境下的長程、動態監測。其中，可穿戴額葉EEG信號監測設備因其不受頭發影響且便于固定，比頭皮其他部位的可穿戴設備更易操作。
基于額葉EEG信號的抑郁癥識別是一種極有前景的方案。額葉位于大腦的前半部分，是最大的腦葉。額葉主管人類的高級認知功能，如決策、注意力、情緒控制等。此外，額葉與人格特征的形成和社會行為調節等密切相關，額葉的損傷可能導致行為和性格的改變，如沖動、情緒不穩定等。許多認知神經科學研究一致證實，額葉與人類情緒，尤其是消極情緒的產生和調節機制相關。抑郁癥患者的額葉異常也已經被大量腦影像研究證實[28]。
目前，抑郁癥患者的額葉EEG信號研究已經取得了許多成果，主要是利用額葉EEG信號特征指標區分健康對照組和抑郁癥組。例如，Ahmadlou等[25]利用額葉7個通道EEG信號的小波熵和分形維數特征區分重度抑郁癥組和健康對照組，準確率達到91.30%；Wan等[29]在抑郁癥篩查中，將前額葉Fp1的EEG信號特征與遺傳算法結合，發現利用凝膠電極（準確度為94.29%）采集前額葉EEG信號比利用干電極（準確度為86.67%）表現更好；Koo等[23]使用額葉和頂葉的α頻段功率不對稱性指標，區分重度抑郁癥組和健康對照組的準確率為81.00%；蘭州大學開發了一款使用貼片電極的可穿戴EEG信號監測設備，抑郁癥識別的最高準確率為86.98%[30]；筆者課題組基于Mindeep設備采集額葉EEG信號，分別應用多元多尺度熵、共空間模式和EEG信號各個頻段的PSD識別抑郁患者，輕中度抑郁癥識別準確率為95.76%。
4 基于可穿戴EEG信號的抑郁癥識別存在的關鍵技術瓶頸
基于上述各種線性和非線性信號分析技術，提取能夠精準表征抑郁癥嚴重程度的EEG信號特征指標，可以輔助醫生做出更準確的診斷，進而制定或調整治療措施。相比于重度抑郁癥，輕中度抑郁癥更容易被治愈，但是更難通過現有方法被準確識別。重度抑郁癥患者的EEG信號特征較為明顯，而輕中度抑郁癥患者的EEG信號特征提取更加困難，急需發展更精進的EEG信號分析技術和抑郁癥評估模型。
現有研究基于EEG信號較為成功地實現了抑郁癥患者和健康人群的分類識別，但尚未精細地區分出輕中度和重度抑郁，且幾乎都未對所提特征代表的抑郁癥唯一性進行論證。Newson等[31]整理了184篇關于靜息態EEG信號不同頻段的研究文獻，涵蓋了抑郁癥、注意力缺陷多動癥、自閉癥、成癮、雙相情感障礙、焦慮癥、恐慌癥、創傷后應激障礙、強迫癥和精神分裂癥，統計結果表明特定頻段內功率變化的特征模式不是任何一種疾病所獨有的，不同的精神疾病之間存在特征重疊，而且同一種疾病也會因嚴重程度不同而發生變異。
筆者認為，要實現基于可穿戴EEG信號的抑郁癥識別從理論研究走向實際應用，主要面臨以下瓶頸：① 抑郁癥的異質性和復雜性，即抑郁癥不僅在不同患者個體間存在差異；甚至同一患者因不同疾病引起的抑郁癥，其從基因到發病機制到臨床表現也都存在差異；導致一些關于抑郁癥的EEG信號研究結果缺乏一致性且重復性差。② 以往關于抑郁癥的EEG信號研究中存在許多相互矛盾和沖突的結論，且大部分研究僅利用某個特定的EEG數據庫進行了分析，難以評估其結果的可靠性和穩定性。同時，也說明目前常用的EEG信號特征指標在不同抑郁癥數據庫中的結果不穩定。③ 可穿戴EEG信號的質量是影響其應用的主要因素。目前針對抑郁癥的EEG信號研究大都在實驗室里采用標準全腦EEG信號，可穿戴EEG信號更適合非實驗室環境或者日常情景的使用，但是局限于其信號質量不穩定，抗噪聲干擾能力弱，導致計算的指標不穩定。④ 目前基于EEG信號的抑郁癥相關研究樣本量比較小，導致相關指標無法達到統計學分析要求的數據量，因而缺乏統計意義。
面對以上挑戰，一方面需要對可穿戴EEG信號監測設備采集的信號質量進行嚴格評估，同時優化數據處理和分析方法，通過整合不同分析方法提取多個指標進行特征融合，通過優勢互補來降低特征指標對數據質量的依賴性，提高研究結果的可靠性；另一方面，設計研究方案時需要增加樣本量，根據抑郁癥的不同亞型進行分類研究，提取不同亞型所對應的EEG信號特征指標。另外，抑郁癥和其他精神疾病在某些EEG信號特征上存在相似性，因此需要提取多個指標進行綜合評估。
5 基于可穿戴EEG信號的抑郁癥個性化音樂干預
5.1 音樂干預抑郁癥的神經機制及其現狀
音樂治療是抑郁癥非藥物干預的重要手段之一。音樂的功能性神經成像研究表明，音樂可以調節一系列腦區的功能，例如杏仁核、伏隔核、下丘腦、腦島、扣帶回皮層和眶額葉皮層，這些腦區都與情緒的產生和調節有密切關系[32]。音樂可以調節幾乎所有的腦邊緣結構系統的活動，這些結構在情感的起始、產生、檢測、維持、調節和終止過程中起著至關重要的作用。音樂的神經機制研究表明，音樂能夠激活并增強特定腦區（如運動皮層、聽覺皮層、情感腦區和小腦等）之間的功能連接強度，促進神經重塑[33]。這些研究為音樂作為抑郁癥的輔助干預提供了神經機制和理論基礎，對于音樂輔助治療抑郁癥具有重要意義。
如何利用現代化技術實現無音樂治療師參與的個性化音樂干預是重要的研究方向，且極具應用前景。音樂治療抑郁癥的研究和實踐在歐美國家相對成熟，而在中國由于音樂治療師的稀缺使得該方法的研究相對較少，是音樂治療面臨的困難之一。其次，音樂干預對抑郁癥的改善具有顯著作用，然而目前對音樂療效的評價多數集中在臨床癥狀改善、相關量表分值變化等主觀評價指標上，缺乏個性化標準和客觀性、過程性評價指標。
5.2 基于可穿戴EEG信號和音樂的BCMI關鍵技術
音樂治療抑郁癥的效果存在明顯的個性化差異。通常情況下，音樂治療師根據患者的初始情況和治療過程中患者的狀態進行實時評估來匹配合適的音樂。治療師依靠患者的反應來判斷當前音樂是否有效，這是實施音樂治療的關鍵。然而，在缺少音樂治療師的現狀下，亟需發展能為患者匹配個性化音樂的干預技術。對此，需要解決以下兩個關鍵問題：①如何在聆聽音樂的過程中對患者進行實時客觀評估；②如何根據評估反饋結果及時為患者匹配合適的音樂。
在“實時評估—反饋—音樂匹配”這一雙向閉環調節過程中包含兩方面。首先，在患者“實時評估—反饋”方面，音樂對患者精神心理狀態的影響可以通過EEG信號的動態變化反映出來。因此，借助可穿戴設備，在音樂干預過程中實時采集患者的EEG信號，并提取相關特征指標，量化患者對音樂的生理和心理反應，是極具潛力的實時反饋和干預效果評估手段，對探索個性化音樂干預新技術和解決個體差異問題具有重要指導意義。另外，在“音樂匹配”方面，現有音樂庫中的音樂難以有效匹配所有患者，而且同一位患者在不同狀態下對音樂的需求也不相同，因而難以滿足匹配需求。要實現最佳的音樂干預效果，可以根據患者EEG信號的實時反饋，自適應調整音樂特征（如音高、音長、音強等）或智能生成新的音樂。
BCMI技術可為以上兩個問題提供有效解決途徑。利用可穿戴EEG信號監測設備（如筆者課題組研發的Mindeep）可以構建如圖1所示的雙向閉環交互BCMI系統，提供交互式方法捕獲音樂干預過程中患者的神經活動信息，實現非侵入式、自適應、個性化的音樂干預。首先，采集患者聆聽音樂過程中的EEG信號，并借助多種線性、非線性信號分析和特征融合算法，實時提取音樂干預過程中患者的EEG信號特征指標作為音樂干預效果的實時反饋。然后，通過音樂參數自動調節模型將EEG信號特征映射為對應的音樂參數，最后通過智能算法生成與患者當前狀態匹配的音樂，實現抑郁癥的個性化音樂調節。
圖1
基于可穿戴EEG信號監測設備的BCMI系統原理圖
Figure1.
Schematic diagram of brain-computer music interface system based on wearable EEG device
因此，建立一套精確的EEG信號特征參數和音樂參數的映射模型，將是基于BCMI系統的抑郁癥個性化音樂干預面臨的核心問題。其中，有效表征并實時反饋音樂干預效果的線性、非線性EEG信號特征融合、音樂參數自動調節和音樂參數映射生成新的音樂，將是該系統的關鍵。
5.3 BCMI技術的研究現狀及其用于抑郁癥干預所面臨的挑戰
基于音樂情感的神經科學研究目前主要集中于音樂響應的腦機制，尚未提出音樂治療中實現個性化調節的神經生理學測量指標及工具。BCMI是音樂干預抑郁癥等精神心理疾病的新方向，它通過研究音樂干預過程中的EEG信號特征來增進對音樂誘導機制的理解，捕獲神經反饋，促進個性化的音樂調節。與許多其他類型的刺激（如圖片、視頻）相比，BCMI 可以依照時間進程以特定方式合成音樂，形成個性化的音樂干預手段。
當前的BCMI技術還停留在由EEG信號創作音樂的技術階段，用于抑郁癥等精神疾病的音樂干預相關的閉環BCMI研究甚少。目前的一些閉環BCMI模型幾乎沒有評估其臨床療效，并且驗證模型是否具有足夠的應用價值還需要更多的臨床證據。例如，Tsekoura等[34]使用鋼琴八度音階中的12個音符作為音符刺激，基于事件相關光譜擾動和支持向量機分類模型對Emotiv EPOC+設備記錄的EEG信號進行了12類分類。Deuel等[35]實現了基于α頻段和μ頻段的功率激活水平實時生成不同音階音符的BCMI，其主要問題是神經響應與音樂參數的映射模型較為簡單，準確率不高。Daly等[36]提出了根據人的情感狀態生成音樂的混合BCMI，生成了分別對應三種效價和三種喚醒度的9種類型的音樂刺激，該研究準確度較高，但是這種混合BCMI的開環過程是為基于視覺模式的情感刺激而設計的，難以與大腦構建準確的閉環輸入。Ehrlich等[37]基于Emotiv EPOC+設備研究了個性化閉環BCMI，構建了一套可參數化音樂合成算法，將情感的效價和喚醒度映射到五種音樂結構參數，然后采用基于規則的概率算法來控制虛擬樂器合成音樂。
筆者認為，要實現面向抑郁癥治療的BCMI音樂干預技術，面臨以下重要挑戰：① 理論機制角度，因EEG信號特征與音樂效應之間的內在機制尚未完全理解，如何顯性建模實現EEG信號特征參數和音樂參數之間的精準映射是首先面臨的關鍵挑戰，故需要先借助全腦多通道EEG信號探究BCMI的內在機制，然后在此基礎上簡化通道數量，優化模式識別算法，解決最優化匹配問題。② 未來應用角度，即如何獲取高質量的可穿戴EEG信號。便攜式的可穿戴EEG信號監測設備是BCMI技術應用發展的趨勢甚至是必經之路，所以需要研發高信號質量的可穿戴EEG信號監測設備（包括電極）、用于真實環境下的優異的硬件去噪技術和少通道或單通道EEG信號的軟件去噪算法，而且要保證穩定的信號傳輸、最小化的系統延遲、與音樂刺激設備的穩定通信以及數據的實時處理等。③ 此外，BCMI系統需要合成與EEG信號變化特征高度相關的實時音樂（如將EEG信號特征參數映射到旋律、和聲、節奏等），并讓用戶感受到自身對音樂表現的影響，而個性化、記憶等參與音樂體驗的多模態因素，對BCMI的映射模型提出了更高的要求。
6 結語
雖然醫學科學在過去一個世紀進步很多，但抑郁癥等精神疾病的診斷與治療進展相對滯后。輕中度抑郁癥最初的癥狀可能僅是情緒和認知上細微的變化，相較于量表和行為觀察，EEG信號是更能直接了解大腦活動的有效工具。抑郁癥患者EEG信號的個性化精準解讀可以輔助醫生實現更快速有效的診療。采用可穿戴EEG信號監測設備提取精準表征抑郁癥的EEG信號定量指標來輔助醫學決策，是未來的發展趨勢。目前，關于表征抑郁癥的EEG信號定量指標的國內外研究已趨向于成熟穩定，但通過可穿戴EEG信號監測設備提取的指標還存在一定的不穩定性。一方面是由于可穿戴EEG信號監測設備采集的EEG數據質量參差不齊，部分數據的信噪比過低，而且EEG信號的自動去噪方法存在很大程度的不穩定性，例如：去噪過度或殘留噪聲過多；另一方面，可穿戴EEG信號監測設備由于通道數量少，在后續特征提取過程中有些算法會受到限制。
通過構建BCMI系統可以實現對抑郁癥患者的個性化干預。雖然現在BCMI技術還處于起步階段，隨著可穿戴EEG信號監測設備和數據分析技術的成熟，以及人工智能的飛速發展，通過患者的EEG信號特征指標智能調節音樂參數從而實現個性化音樂干預的BCMI技術將會得到廣泛應用。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：崔興然負責文章構思，論文撰寫；秦澤光負責文獻調研，論文修改；高之琳負責抑郁癥相關內容調研；萬旺負責圖表繪制；顧忠澤負責論文審校。
0 引言
抑郁癥是全球范圍內發病率最高的一類精神疾病，然而只有不足50%的患者接受有效治療。2021年《柳葉刀》的一項研究表明，在中國僅有9.5%的抑郁癥患者曾接受衛生服務機構治療，得到充分治療的患者只有0.5%[1]。據世界衛生組織披露，全球約有2.8億人患有抑郁癥[2]，且近年來全球抑郁癥患病率大幅增加[3]，嚴重危害個人身心健康，造成了巨大的社會、經濟負擔。加強對抑郁癥等精神疾病的防治已被明確列入《“健康中國2030”規劃綱要》《健康中國行動（2019-2030年）》。目前，如何實現快速準確的抑郁癥識別和有效的非藥物干預是抑郁癥領域亟待解決的難題。
抑郁癥的臨床診斷，當前主要依靠醫患面對面的溝通和量表評估，迫切需要增加精準的個性化定量評測指標來輔助臨床診斷。腦電圖（electroencephalogram，EEG）是通過電極以無創方式從頭皮上測量的腦部神經元群的自發性、節律性電活動信號。研究表明，從采集到的EEG信號里可以提取表征抑郁癥的定量指標，但實驗室或臨床常用的標準全腦EEG信號采集設備需要專業人員操作且數據采集過程繁瑣，不易用于大樣本監測或動態長程監測[4]。可穿戴EEG信號監測設備是近二十年發展起來的小巧、便攜化設備，可滿足日常監測需求。EEG信號的質量直接影響特征指標提取的成功與否，為保證可穿戴EEG信號質量滿足科研或臨床應用的需求，所有可穿戴EEG信號監測設備采集的信號都需經過嚴格的信號質量評估。借助可穿戴EEG信號監測設備獲取表征抑郁癥的特征指標，有助于抑郁癥的快速準確識別，有望成為未來輔助醫生進行抑郁診斷和治療的新方法。
當前抑郁癥的治療主要依靠藥物，但不同個體對藥物的治療反應存在很大差異，且抗抑郁藥物具有一定的副作用。現代音樂治療對抑郁癥患者的療效已得到臨床證實，被正式寫入國家醫療行業標準，是抑郁癥非藥物干預的重要手段之一。然而，音樂治療效果存在明顯的個性化差異。提取音樂干預過程中患者的EEG信號特征指標，以此作為神經反饋信息來調節音樂參數，形成新的個性化音樂，從而實現抑郁癥的個性化干預，有望成為抑郁癥非藥物治療的新方向。
本文圍繞筆者課題組自主研發的可穿戴額葉EEG信號監測設備及其在抑郁癥識別和干預中的應用展開討論，首先介紹可穿戴EEG信號監測設備的技術原理和常見類型；接著介紹抑郁癥的腦機制，綜述基于可穿戴EEG信號監測設備用于抑郁癥識別所涉及的關鍵技術，包括信號質量評估技術、偽跡去除技術以及基于非線性、非平穩信號分析算法的抑郁癥EEG信號特征提取技術，并討論存在的關鍵技術瓶頸；然后介紹音樂干預抑郁癥的神經機制及其現狀。在此基礎上，提出一種面向抑郁癥個性化干預的閉環腦機音樂接口（brain-computer music interface，BCMI）系統，并進一步探討其所面臨的技術挑戰。最后，對可穿戴EEG信號監測設備在抑郁癥識別和干預中的應用前景及面臨的挑戰進行剖析和展望。本文相關綜述內容有助于深入挖掘抑郁癥EEG數據的潛在應用價值，促進可穿戴EEG信號監測設備和相關EEG信號分析技術在抑郁癥的識別、個性化干預和健康管理中的應用。
1 可穿戴EEG信號監測設備
1.1 技術原理
可穿戴EEG信號監測設備是一種小型化、便攜式的系統，可以直接佩戴在頭上監測EEG信號。傳統EEG信號監測設備是一種龐大而笨重的系統，僅限于在實驗室或臨床中對相對靜止的受試者進行EEG信號監測。可穿戴EEG信號監測設備是從傳統笨重的設備演變而來的，并不斷向低負荷、微型化、集成化、智能化方向發展，能夠監測受試者在實驗室之外非劇烈運動時的EEG信號。
可穿戴EEG信號監測設備主要包括硬件和軟件兩部分。硬件主要包括信號采集模塊、信號放大模塊、信號處理模塊、微控制模塊、通信模塊、電源模塊等；軟件主要包括移動或計算機終端分析模塊、顯示模塊、云存儲模塊等。可穿戴EEG信號監測設備一般通過鹽水電極、干電極或銀/氯化銀凝膠電極采集頭皮表面的EEG信號；原始信號經過內置放大器放大之后傳輸到數據處理模塊進行硬件濾波等初步預處理；之后通過藍牙或無線網絡（WiFi）等無線通信技術將EEG信號傳輸到手機、計算機、云平臺等終端進行數據分析、顯示及存儲；微控制模塊相當于中央處理器，協調各個模塊之間的運行和傳輸。
以筆者課題組研發的可穿戴額葉EEG信號監測設備——深腦守望（Mindeep）為例[5]，其使用具有低功耗、低噪聲特性的集成模擬前端ADS1294（TexasInstruments Inc.，美國）實現4通道EEG信號的同步采樣。微控制單元控制集成模擬前端采集到的EEG數據，支持250、500、1 000 Hz三種采樣率，數據記錄精度為24位。數據的保存和傳輸方式包含以下三種：① 通過單晶片微控制器ESP32（Espressif Inc.，中國）的WiFi模塊向局域網內的計算機實時無線傳輸數據；② 將數據保存在本地安全數碼（secure digital，SD）存儲卡中；③ 通過USB向計算機實時有線傳輸數據。系統由可充電的鋰電池供電，鋰電池通過USB接口進行充電。
1.2 常見類型
目前可穿戴EEG信號監測設備種類繁多，大體分為兩大類：① 多通道便攜EEG信號監測設備，這類設備具有較長的電池壽命和全腦EEG信號監測功能，通常設備體積和重量較大，例如：B-Alert（X10/X24，BIOPAC Systems Inc.，美國）；② 可用于日常生活的更美觀、輕便易攜的可穿戴EEG信號監測設備，如Emotiv（EPOC+，Emotiv Inc.，澳大利亞）、Muse（Gen 2，InteraXon Inc.，加拿大）、Mindwave（Mobile 2，NeuroSky Inc.，美國）等[6]。這些可穿戴設備在醫療、睡眠管理、情緒控制、抑郁癥診療和疲勞監測等領域都有很好的表現。其中Emotiv系列憑借完整成熟的硬件設計和軟件支持，成為目前科研和商業中應用最廣泛的可穿戴EEG信號監測設備之一。盡管當前已經有幾種可穿戴EEG信號監測設備實現了商品化，但它們在使用過程中仍然存在一些局限性，例如采樣率低、不能提供原始EEG數據、沒有電極皮膚阻抗檢查和監測功能等。
針對當前可穿戴設備存在的問題，筆者課題組自主研發了可穿戴額葉EEG信號監測設備——Mindeep，可用于科研或日常EEG信號監測。與其他常見可穿戴EEG信號監測設備（Emotiv、Muse、Mindwave和B-Alert）相比，Mindeep克服了目前可穿戴EEG信號監測設備在實際應用過程中普遍存在的一些問題，其硬件具有以下特點：① 同時支持干電極和濕電極兩種采集方式；② 電池續航時間長達12 h；③ 提供阻抗檢測功能；④ WiFi無線傳輸。Mindeep的軟件系統具有以下特點：① 提供原始數據；② 采樣率可調（250、500、1 000 Hz）；③ 有事件標記功能；④ 具備多設備同步采集功能。
2 抑郁癥的腦機制
抑郁癥是一種以情緒功能障礙為特征的嚴重精神疾病，以持續的情緒低落為核心特征并伴有失眠和認知功能障礙等其他癥狀。了解抑郁癥的腦機制對于抑郁癥的診斷和治療至關重要。從解剖學角度來看，抑郁癥與前額葉皮層和邊緣系統—丘腦—皮層通路的結構和功能異常有關[7]。海馬體是抑郁癥領域中研究最廣泛的大腦結構，與抑郁癥引起的認知障礙有關。大量的研究表明，抑郁癥患者的海馬體體積會萎縮，且隨著抑郁癥的持續、復發或惡化，萎縮的程度逐漸變大[8]。此外，腦功能連接研究表明，抑郁癥主要與情感網絡、獎勵網絡、默認模式網絡和認知控制網絡等異常相關。
毫無疑問，抑郁癥與大腦聯系密切。而頭皮EEG信號是大腦皮層億萬神經元電活動的綜合體現，能夠反映大腦各種思維活動狀態和情緒變化，且具有高時間分辨率、非侵入式、采集成本低等優勢，故成為研究抑郁癥的重要手段[9]。
3 基于可穿戴EEG信號的抑郁癥識別關鍵技術
3.1 可穿戴EEG信號質量評估關鍵技術
EEG信號質量是影響抑郁癥識別準確率的關鍵因素。可穿戴EEG信號監測設備必須經過嚴格的信號質量評估認證，以證明其采集的EEG數據質量滿足科研或臨床應用的要求。科研和臨床中應用的標準EEG信號監測設備具備高精度的信號質量和數據采集能力，同時也具有多種功能和可擴展性，通常被稱為金標準EEG信號監測設備，例如SynAmps RT（Compumedics Neuroscan Inc.，澳大利亞）。與現有的金標準設備進行信號質量對比，是評估可穿戴EEG信號質量的有效方法。筆者結合現有的評估方法，提出一套完整的信號質量評估方案，具體包括：
（1） 模擬信號測試實驗。利用模擬信號對可穿戴EEG信號監測設備的硬件進行測試，驗證其放大電路的可靠性和穩定性。目前基礎醫學和臨床實踐上尚無專用的EEG信號模擬器，而且對于驗證EEG數據放大電路的模擬信號尚無專用的醫學計量檢測標準。實踐過程中，可采用商用的EEG信號模擬器（MiniSim EEG Simulator，Netech Inc.，美國）或者使用任意函數發生器，模擬不同頻率、不同幅值的正弦波、方波、三角波等作為模擬輸入信號；將EEG信號模擬器或任意函數發生器的輸出與可穿戴EEG信號監測設備的電極相連，設定采樣頻率進行信號采集，通過計算模擬信號與采集信號之間的歸一化互相關系數并設定閾值來判斷可穿戴EEG信號監測設備硬件的信號采集能力。
（2）靜息睜、閉眼任務。計算可穿戴EEG信號監測設備在靜息態（包含睜眼和閉眼狀態）下EEG信號的相對功率譜密度（power spectral density，PSD），根據是否能夠復現伯格效應[10]，即EEG信號在α頻段（8～13 Hz）的相對PSD在閉眼靜息態時顯著高于睜眼靜息態，來對信號質量進行評判。
（3）聽覺怪球范式（oddball）任務。受試者佩戴耳機聽1 000 Hz的高音（偏差音）和500 Hz的低音（標準音），通過信號疊加對比觀察事件相關電位來對可穿戴EEG信號監測設備采集的信號進行質量評估。
（4）AX型持續性操作范式（AX version of continuous performance task，AX-CPT）任務。AX-CPT任務是測量持續注意和認知控制的經典實驗范式[11]。受試者執行該任務時，同時用可穿戴EEG信號監測設備和金標準EEG信號監測設備采集EEG信號，通過對比兩種信號的時頻分析結果對信號質量進行評估。
總之，睜、閉眼靜息態EEG信號差異分析和事件相關電位分析是可穿戴EEG信號質量評估應用最為廣泛的方法。當閉眼狀態下α頻段的相對PSD明顯高于睜眼狀態時，即復現伯格效應，可認為在頻域上EEG信號質量符合要求；當通過事件相關電位分析技術疊加出失匹配負波等成分時，可認為在時域上EEG信號質量符合要求。通過與金標準EEG信號進行比較，若可穿戴EEG信號分析結果符合以上兩條要求且與金標準EEG信號的結果無明顯區別，便可以認為EEG信號質量符合要求。為了進一步驗證可穿戴EEG信號的質量，可以增加特定應用場景下的任務，如情緒誘發任務、斯特魯普（Stroop）實驗或筆者所用的AX-CPT任務等[12-13]。
3.2 可穿戴EEG信號預處理關鍵技術
可穿戴EEG信號監測設備采集到的EEG信號非常微弱，且極易受各種偽跡（如眼電、肌電、運動偽跡等）干擾，而且可穿戴EEG信號監測設備的通道數量少，大多數情況下無法采用全腦EEG信號的偽跡去除方法[14]。因此，如何實現少通道EEG信號的偽跡去除是可穿戴EEG信號分析的難點之一，也是提取抑郁癥患者EEG信號的關鍵特征指標的基本前提。
通常情況下，可以通過巴特沃斯等濾波器對原始EEG信號進行無相移數字帶通濾波，以去除EEG信號中的高低頻噪聲干擾。但眼電等偽跡與EEG信號在頻域上混雜在一起，無法通過簡單的數字濾波進行去除。盲源分離被證明可以有效去除多通道EEG信號中的眼電偽跡[15-16]，但可穿戴EEG信號監測設備通道數量少，不能直接應用該方法。為了克服盲源分離的局限性，可以通過小波變換或經驗模態分解等將單通道EEG信號分解為多通道信號，再進行盲源分離去除偽跡。Cheng等[17]提出一種奇異譜分析結合二階盲辨識的方法去除單通道的各種偽跡，通過半模擬研究表明該方法可以有效去除單通道EEG信號的各種偽跡。Kumaravel等[18]通過偽跡子空間重建用于腦機接口系統進行在線偽跡校正，使穩態視覺誘發電位響應進一步提高到45%以上。筆者課題組也提出了一種可穿戴EEG信號的偽跡去除和信號質量評估方法，主要通過偽跡識別和自適應偽跡裁剪和拼接得到干凈的EEG信號。此外，還可以通過小波分解進行閾值去噪來降低噪聲比例以去除偽跡。
3.3 抑郁癥EEG信號特征識別關鍵技術
當前抑郁癥的臨床診斷主要依靠醫患面對面的溝通和量表評估。由于患者回答醫生或量表中的問題時存在主觀性，并且抑郁癥具有異質性，因此迫切需要增加個性化定量評測指標，如EEG信號特征指標，輔助臨床診斷。
EEG信號的線性特征識別是抑郁癥研究中常用的分析方法之一。EEG信號頻段可以細分為：δ（< 4 Hz）、θ（4～8 Hz）、α（8～13 Hz）、β（13～30 Hz）、γ（30～100 Hz）。現有研究表明，抑郁癥患者的特定腦區相對于正常人群存在異常的腦活動，可以通過EEG信號特定頻段的功率直觀顯示出來。然而，由于數據來源和采集場景等不同，現有相關結論并不統一，甚至相悖。例如，與健康組相比，Lin等[19]發現重度抑郁癥組在靜息狀態下的δ和θ頻段功率較低，β頻段功率較高；Bachmann等[20]發現抑郁癥患者具有更高的γ頻段相對功率。但是，杜雪云等[21]發現慢性失眠伴焦慮抑郁癥患者的γ頻段相對功率較低；Lee等[22]發現18～25歲有抑郁癥傾向的青年人中央腦區和左半球的β頻段能量降低。研究還發現抑郁癥患者額葉α頻段偏右側化，健康人偏左側化[23]，但是α頻段偏側化會受到性別和當前焦慮情緒的影響，額葉α頻段偏側化指標并不穩定。
大腦是一個高度復雜和非線性的系統。近年來，許多研究證明EEG信號的非線性指標對抑郁癥患者大腦動力學的變化高度敏感，因此非線性指標有望成為有效的抑郁癥定量生物標記[24]。例如，Ahmadlou等[25]發現重度抑郁癥患者的β和γ頻段信號的分形維數高于健康人，基于EEG信號非線性指標的重度抑郁癥患者和健康人分類準確率為91.30%。Faust等[26]分析抑郁癥患者和健康人EEG信號的近似熵、樣本熵、瑞麗熵和雙譜相位熵，發現抑郁癥患者EEG信號的熵高于健康人。?uki?等[27]證實抑郁癥患者在額葉和頂葉區域的EEG信號具有更高的分形維數和樣本熵。
3.4 基于可穿戴額葉EEG信號的抑郁癥識別
當前，基于EEG信號的抑郁癥相關研究大都使用32通道以上的全腦EEG信號，但是全腦EEG信號的采集需要專業人士操作，且過程繁瑣，不適合非實驗室環境或者日常情景。將便攜且通道數較少的可穿戴EEG信號監測設備應用于抑郁癥識別，有助于大樣本人群篩查或日常環境下的長程、動態監測。其中，可穿戴額葉EEG信號監測設備因其不受頭發影響且便于固定，比頭皮其他部位的可穿戴設備更易操作。
基于額葉EEG信號的抑郁癥識別是一種極有前景的方案。額葉位于大腦的前半部分，是最大的腦葉。額葉主管人類的高級認知功能，如決策、注意力、情緒控制等。此外，額葉與人格特征的形成和社會行為調節等密切相關，額葉的損傷可能導致行為和性格的改變，如沖動、情緒不穩定等。許多認知神經科學研究一致證實，額葉與人類情緒，尤其是消極情緒的產生和調節機制相關。抑郁癥患者的額葉異常也已經被大量腦影像研究證實[28]。
目前，抑郁癥患者的額葉EEG信號研究已經取得了許多成果，主要是利用額葉EEG信號特征指標區分健康對照組和抑郁癥組。例如，Ahmadlou等[25]利用額葉7個通道EEG信號的小波熵和分形維數特征區分重度抑郁癥組和健康對照組，準確率達到91.30%；Wan等[29]在抑郁癥篩查中，將前額葉Fp1的EEG信號特征與遺傳算法結合，發現利用凝膠電極（準確度為94.29%）采集前額葉EEG信號比利用干電極（準確度為86.67%）表現更好；Koo等[23]使用額葉和頂葉的α頻段功率不對稱性指標，區分重度抑郁癥組和健康對照組的準確率為81.00%；蘭州大學開發了一款使用貼片電極的可穿戴EEG信號監測設備，抑郁癥識別的最高準確率為86.98%[30]；筆者課題組基于Mindeep設備采集額葉EEG信號，分別應用多元多尺度熵、共空間模式和EEG信號各個頻段的PSD識別抑郁患者，輕中度抑郁癥識別準確率為95.76%。
4 基于可穿戴EEG信號的抑郁癥識別存在的關鍵技術瓶頸
基于上述各種線性和非線性信號分析技術，提取能夠精準表征抑郁癥嚴重程度的EEG信號特征指標，可以輔助醫生做出更準確的診斷，進而制定或調整治療措施。相比于重度抑郁癥，輕中度抑郁癥更容易被治愈，但是更難通過現有方法被準確識別。重度抑郁癥患者的EEG信號特征較為明顯，而輕中度抑郁癥患者的EEG信號特征提取更加困難，急需發展更精進的EEG信號分析技術和抑郁癥評估模型。
現有研究基于EEG信號較為成功地實現了抑郁癥患者和健康人群的分類識別，但尚未精細地區分出輕中度和重度抑郁，且幾乎都未對所提特征代表的抑郁癥唯一性進行論證。Newson等[31]整理了184篇關于靜息態EEG信號不同頻段的研究文獻，涵蓋了抑郁癥、注意力缺陷多動癥、自閉癥、成癮、雙相情感障礙、焦慮癥、恐慌癥、創傷后應激障礙、強迫癥和精神分裂癥，統計結果表明特定頻段內功率變化的特征模式不是任何一種疾病所獨有的，不同的精神疾病之間存在特征重疊，而且同一種疾病也會因嚴重程度不同而發生變異。
筆者認為，要實現基于可穿戴EEG信號的抑郁癥識別從理論研究走向實際應用，主要面臨以下瓶頸：① 抑郁癥的異質性和復雜性，即抑郁癥不僅在不同患者個體間存在差異；甚至同一患者因不同疾病引起的抑郁癥，其從基因到發病機制到臨床表現也都存在差異；導致一些關于抑郁癥的EEG信號研究結果缺乏一致性且重復性差。② 以往關于抑郁癥的EEG信號研究中存在許多相互矛盾和沖突的結論，且大部分研究僅利用某個特定的EEG數據庫進行了分析，難以評估其結果的可靠性和穩定性。同時，也說明目前常用的EEG信號特征指標在不同抑郁癥數據庫中的結果不穩定。③ 可穿戴EEG信號的質量是影響其應用的主要因素。目前針對抑郁癥的EEG信號研究大都在實驗室里采用標準全腦EEG信號，可穿戴EEG信號更適合非實驗室環境或者日常情景的使用，但是局限于其信號質量不穩定，抗噪聲干擾能力弱，導致計算的指標不穩定。④ 目前基于EEG信號的抑郁癥相關研究樣本量比較小，導致相關指標無法達到統計學分析要求的數據量，因而缺乏統計意義。
面對以上挑戰，一方面需要對可穿戴EEG信號監測設備采集的信號質量進行嚴格評估，同時優化數據處理和分析方法，通過整合不同分析方法提取多個指標進行特征融合，通過優勢互補來降低特征指標對數據質量的依賴性，提高研究結果的可靠性；另一方面，設計研究方案時需要增加樣本量，根據抑郁癥的不同亞型進行分類研究，提取不同亞型所對應的EEG信號特征指標。另外，抑郁癥和其他精神疾病在某些EEG信號特征上存在相似性，因此需要提取多個指標進行綜合評估。
5 基于可穿戴EEG信號的抑郁癥個性化音樂干預
5.1 音樂干預抑郁癥的神經機制及其現狀
音樂治療是抑郁癥非藥物干預的重要手段之一。音樂的功能性神經成像研究表明，音樂可以調節一系列腦區的功能，例如杏仁核、伏隔核、下丘腦、腦島、扣帶回皮層和眶額葉皮層，這些腦區都與情緒的產生和調節有密切關系[32]。音樂可以調節幾乎所有的腦邊緣結構系統的活動，這些結構在情感的起始、產生、檢測、維持、調節和終止過程中起著至關重要的作用。音樂的神經機制研究表明，音樂能夠激活并增強特定腦區（如運動皮層、聽覺皮層、情感腦區和小腦等）之間的功能連接強度，促進神經重塑[33]。這些研究為音樂作為抑郁癥的輔助干預提供了神經機制和理論基礎，對于音樂輔助治療抑郁癥具有重要意義。
如何利用現代化技術實現無音樂治療師參與的個性化音樂干預是重要的研究方向，且極具應用前景。音樂治療抑郁癥的研究和實踐在歐美國家相對成熟，而在中國由于音樂治療師的稀缺使得該方法的研究相對較少，是音樂治療面臨的困難之一。其次，音樂干預對抑郁癥的改善具有顯著作用，然而目前對音樂療效的評價多數集中在臨床癥狀改善、相關量表分值變化等主觀評價指標上，缺乏個性化標準和客觀性、過程性評價指標。
5.2 基于可穿戴EEG信號和音樂的BCMI關鍵技術
音樂治療抑郁癥的效果存在明顯的個性化差異。通常情況下，音樂治療師根據患者的初始情況和治療過程中患者的狀態進行實時評估來匹配合適的音樂。治療師依靠患者的反應來判斷當前音樂是否有效，這是實施音樂治療的關鍵。然而，在缺少音樂治療師的現狀下，亟需發展能為患者匹配個性化音樂的干預技術。對此，需要解決以下兩個關鍵問題：①如何在聆聽音樂的過程中對患者進行實時客觀評估；②如何根據評估反饋結果及時為患者匹配合適的音樂。
在“實時評估—反饋—音樂匹配”這一雙向閉環調節過程中包含兩方面。首先，在患者“實時評估—反饋”方面，音樂對患者精神心理狀態的影響可以通過EEG信號的動態變化反映出來。因此，借助可穿戴設備，在音樂干預過程中實時采集患者的EEG信號，并提取相關特征指標，量化患者對音樂的生理和心理反應，是極具潛力的實時反饋和干預效果評估手段，對探索個性化音樂干預新技術和解決個體差異問題具有重要指導意義。另外，在“音樂匹配”方面，現有音樂庫中的音樂難以有效匹配所有患者，而且同一位患者在不同狀態下對音樂的需求也不相同，因而難以滿足匹配需求。要實現最佳的音樂干預效果，可以根據患者EEG信號的實時反饋，自適應調整音樂特征（如音高、音長、音強等）或智能生成新的音樂。
BCMI技術可為以上兩個問題提供有效解決途徑。利用可穿戴EEG信號監測設備（如筆者課題組研發的Mindeep）可以構建如圖1所示的雙向閉環交互BCMI系統，提供交互式方法捕獲音樂干預過程中患者的神經活動信息，實現非侵入式、自適應、個性化的音樂干預。首先，采集患者聆聽音樂過程中的EEG信號，并借助多種線性、非線性信號分析和特征融合算法，實時提取音樂干預過程中患者的EEG信號特征指標作為音樂干預效果的實時反饋。然后，通過音樂參數自動調節模型將EEG信號特征映射為對應的音樂參數，最后通過智能算法生成與患者當前狀態匹配的音樂，實現抑郁癥的個性化音樂調節。
圖1
基于可穿戴EEG信號監測設備的BCMI系統原理圖
Figure1.
Schematic diagram of brain-computer music interface system based on wearable EEG device
因此，建立一套精確的EEG信號特征參數和音樂參數的映射模型，將是基于BCMI系統的抑郁癥個性化音樂干預面臨的核心問題。其中，有效表征并實時反饋音樂干預效果的線性、非線性EEG信號特征融合、音樂參數自動調節和音樂參數映射生成新的音樂，將是該系統的關鍵。
5.3 BCMI技術的研究現狀及其用于抑郁癥干預所面臨的挑戰
基于音樂情感的神經科學研究目前主要集中于音樂響應的腦機制，尚未提出音樂治療中實現個性化調節的神經生理學測量指標及工具。BCMI是音樂干預抑郁癥等精神心理疾病的新方向，它通過研究音樂干預過程中的EEG信號特征來增進對音樂誘導機制的理解，捕獲神經反饋，促進個性化的音樂調節。與許多其他類型的刺激（如圖片、視頻）相比，BCMI 可以依照時間進程以特定方式合成音樂，形成個性化的音樂干預手段。
當前的BCMI技術還停留在由EEG信號創作音樂的技術階段，用于抑郁癥等精神疾病的音樂干預相關的閉環BCMI研究甚少。目前的一些閉環BCMI模型幾乎沒有評估其臨床療效，并且驗證模型是否具有足夠的應用價值還需要更多的臨床證據。例如，Tsekoura等[34]使用鋼琴八度音階中的12個音符作為音符刺激，基于事件相關光譜擾動和支持向量機分類模型對Emotiv EPOC+設備記錄的EEG信號進行了12類分類。Deuel等[35]實現了基于α頻段和μ頻段的功率激活水平實時生成不同音階音符的BCMI，其主要問題是神經響應與音樂參數的映射模型較為簡單，準確率不高。Daly等[36]提出了根據人的情感狀態生成音樂的混合BCMI，生成了分別對應三種效價和三種喚醒度的9種類型的音樂刺激，該研究準確度較高，但是這種混合BCMI的開環過程是為基于視覺模式的情感刺激而設計的，難以與大腦構建準確的閉環輸入。Ehrlich等[37]基于Emotiv EPOC+設備研究了個性化閉環BCMI，構建了一套可參數化音樂合成算法，將情感的效價和喚醒度映射到五種音樂結構參數，然后采用基于規則的概率算法來控制虛擬樂器合成音樂。
筆者認為，要實現面向抑郁癥治療的BCMI音樂干預技術，面臨以下重要挑戰：① 理論機制角度，因EEG信號特征與音樂效應之間的內在機制尚未完全理解，如何顯性建模實現EEG信號特征參數和音樂參數之間的精準映射是首先面臨的關鍵挑戰，故需要先借助全腦多通道EEG信號探究BCMI的內在機制，然后在此基礎上簡化通道數量，優化模式識別算法，解決最優化匹配問題。② 未來應用角度，即如何獲取高質量的可穿戴EEG信號。便攜式的可穿戴EEG信號監測設備是BCMI技術應用發展的趨勢甚至是必經之路，所以需要研發高信號質量的可穿戴EEG信號監測設備（包括電極）、用于真實環境下的優異的硬件去噪技術和少通道或單通道EEG信號的軟件去噪算法，而且要保證穩定的信號傳輸、最小化的系統延遲、與音樂刺激設備的穩定通信以及數據的實時處理等。③ 此外，BCMI系統需要合成與EEG信號變化特征高度相關的實時音樂（如將EEG信號特征參數映射到旋律、和聲、節奏等），并讓用戶感受到自身對音樂表現的影響，而個性化、記憶等參與音樂體驗的多模態因素，對BCMI的映射模型提出了更高的要求。
6 結語
雖然醫學科學在過去一個世紀進步很多，但抑郁癥等精神疾病的診斷與治療進展相對滯后。輕中度抑郁癥最初的癥狀可能僅是情緒和認知上細微的變化，相較于量表和行為觀察，EEG信號是更能直接了解大腦活動的有效工具。抑郁癥患者EEG信號的個性化精準解讀可以輔助醫生實現更快速有效的診療。采用可穿戴EEG信號監測設備提取精準表征抑郁癥的EEG信號定量指標來輔助醫學決策，是未來的發展趨勢。目前，關于表征抑郁癥的EEG信號定量指標的國內外研究已趨向于成熟穩定，但通過可穿戴EEG信號監測設備提取的指標還存在一定的不穩定性。一方面是由于可穿戴EEG信號監測設備采集的EEG數據質量參差不齊，部分數據的信噪比過低，而且EEG信號的自動去噪方法存在很大程度的不穩定性，例如：去噪過度或殘留噪聲過多；另一方面，可穿戴EEG信號監測設備由于通道數量少，在后續特征提取過程中有些算法會受到限制。
通過構建BCMI系統可以實現對抑郁癥患者的個性化干預。雖然現在BCMI技術還處于起步階段，隨著可穿戴EEG信號監測設備和數據分析技術的成熟，以及人工智能的飛速發展，通過患者的EEG信號特征指標智能調節音樂參數從而實現個性化音樂干預的BCMI技術將會得到廣泛應用。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：崔興然負責文章構思，論文撰寫；秦澤光負責文獻調研，論文修改；高之琳負責抑郁癥相關內容調研；萬旺負責圖表繪制；顧忠澤負責論文審校。
