近日，脑机团队成员刘捷等在潘家辉教授指导下，和广州医科大学附属脑科医院合作的研究成果“Depression Detection Using an Automatic Sleep Staging Method with an Interpretable Channel-Temporal Attention Mechanism”被SCI期刊IEEE Transactions on Cognitive and Developmental Systems（影响因子: 5.0, CAA A类期刊）正式录用。

近年来，神经网络已被广泛应用于自动抑郁症检测并取得了较高的准确率，大多数现有的基于脑电信号的自动抑郁症检测研究都直接使用额区静息态脑电信号的相关特征进行检测，这可能与抑郁症期间身体向大脑释放皮质醇对额叶造成了验证影响有关，然而，过量的皮质醇不仅会影响额叶，还会使存在于颞叶的杏仁核扩大，导致躁狂和睡眠障碍，这表明睡眠结构特征也是检测抑郁症的可行生物标志物。相关临床研究也显示抑郁症患者的睡眠潜伏期比健康人群要长、抑郁症患者的快速眼动潜伏期要明显短于健康人群等，然而却鲜有利用睡眠脑电进行抑郁症检测的研究，这给基于睡眠脑电信号的自动抑郁症检测留下了极大的研究空白。

作为评估睡眠质量的金标准，睡眠分期方法被广泛研究，而基于单通道生理信号的睡眠分期方法并不适用于需要高睡眠分期准确率的患者，与局限于单个区域的单通道方法相比，能同时观察多个区域的基于多通道生理信号的自动睡眠分期方法更适合应用于患者的诊断和评估。然而，现有的多通道方法研究中大多数多通道方法只是单通道方法的简单叠加，忽略了各生理信号之间的相互依赖性。因此，如何有效地利用各通道数据之间的依赖性是提高多通道方法准确率的关键问题。

针对以上问题，本研究提出了一种基于通道-时间注意机制的自动睡眠分期方法和一种根据睡眠分期结果检测抑郁症的方法。总的来说，该论文主要有以下3点贡献：

1. 为了补充常用的时间注意机制，我们设计了一种基于各睡眠阶段置信分数的通道注意机制，有利于在不同时间自适应地关注对分类更有价值的通道数据。
2. 结合睡眠分期结果和睡眠结构差异，对单相抑郁症（UDD）患者、躁郁症（BD）患者和健康受试者进行了区分。据我们所知，这是首次尝试使用基于睡眠分期的方法对UDD和BD这两个易混淆的抑郁症类别进行区分。
3. 睡眠分期算法在公开数据集上取得了优秀的成果，并成功应用到抑郁症检测上，在包含20个健康受试者、21个UDD患者和13个BD患者的抑郁症检测任务中准确率达到92.6%。

该算法主要包含两部分：一种基于通道-时间注意机制的自动睡眠分期方法和基于睡眠结构特征的抑郁症检测方法，如下图所示，在睡眠分期方法中，先采用时间注意机制更新特征矩阵，估计每个睡眠阶段类别的置信分数，根据这些置信分数调整每个通道的权重，并通过时间卷积网络获得最终结果。在抑郁症检测中，根据睡眠分期结果提取七个睡眠结构特征，用于UDD患者、BD患者和健康受试者之间的抑郁症检测。为了验证本文提出的算法有效性及可解释性，我们在两个公共睡眠数据集Sleep-EDF 和 MASS上进行了五分类实验。提出的睡眠分期方法在 Sleep-EDF 数据集上的平均准确率达到91.8% ，在 MASS 数据集上的平均准确率达到85.23% 。我们还在自采抑郁症患者睡眠数据集上对抑郁症检测方法进行了UDD患者、BD患者和健康受试者三分类实验平均准确率为92.6% ，证明了本文抑郁症检测方法的可靠性。此外，我们将睡眠分期算法使用的注意机制的参数以及抑郁症检测算法使用的特征对分类结果的贡献程度进行了可视化，结果与人工睡眠分期规则及抑郁症相关临床研究的结论相一致，一定程度证明了本文方法的可解释性。