Depression Detection Based on Electroencephalography Using a Hybrid Deep Neural Network CNN-GRU and MRMR Feature Selection

本研究探讨了利用深度学习方法对抑郁与非抑郁状态进行检测与分类。抑郁症是一种常见的精神健康障碍，会显著影响生活质量，而早期诊断可大幅提高治疗效果和患者照护水平。然而，传统的诊断方法主要依赖于患者自述的评估量表，这类方法往往具有主观性，且可靠性不足。因此，亟需发展客观且准确的技术手段来识别抑郁状态。本文提出了一种基于深度学习的框架，用于利用脑电图（EEG）信号实现抑郁症的早期检测。EEG信号能够捕捉大脑底层的神经活动，不受外部行为因素干扰，因而可以揭示与抑郁症相关的细微神经变化。所提出的方法结合卷积神经网络（CNN）和门控循环单元（GRU），以协同提取脑电信号中的空间与时间特征。随后采用最小冗余最大相关（MRMR）算法筛选最具信息量的特征，并通过全连接神经网络进行分类。实验结果表明，该模型在准确识别抑郁状态方面表现出色，总体准确率达到98.74%。通过有效融合时序与空间信息，并结合优化的特征选择策略，该方法在临床应用中展现出良好的可靠性潜力。总体而言，该框架不仅有助于实现抑郁症的精准早期检测，还有望为优化治疗方案和改善患者预后提供有力支持。

论文旨在解决抑郁症传统诊断方法依赖主观自评量表、缺乏客观可靠性的难题，探索利用深度学习结合脑电图（EEG）信号实现抑郁状态的自动、准确检测。该问题在精神健康领域具有现实紧迫性，虽然已有研究尝试使用生理信号辅助诊断，但如何有效融合EEG的时空特征并提升分类性能仍是一个活跃且具挑战性的问题，并非全新但极具改进空间。

提出一种融合卷积神经网络（CNN）与门控循环单元（GRU）的深度学习框架，利用CNN提取EEG信号的空间特征，GRU捕捉时间动态变化，实现对脑电信号时空信息的联合建模；进一步引入最小冗余最大相关性（MRMR）算法进行特征选择，优化输入以提升分类精度。相比现有方法，其创新在于CNN-GRU的协同架构设计与MRMR特征选择的结合，增强了模型对抑郁相关神经模式的敏感性和鲁棒性。

实验在真实EEG数据集上进行，结果显示模型在抑郁与非抑郁状态分类任务中达到98.74%的准确率，性能优越；研究有效整合了深度学习与特征选择技术，验证了EEG结合AI用于精神疾病筛查的巨大潜力；目前摘要未提及是否开源代码，未来可深入探索模型在跨被试、跨设备场景下的泛化能力，以及向临床部署的实际路径。

1. Depression Detection from EEG Signals Using Convolutional Neural Networks 2. A Hybrid LSTM-CNN Model for Emotion Recognition from EEG Data 3. Feature Selection Approaches for EEG-Based Brain-Computer Interfaces: A Review 4. Deep Learning for Mental Health: A Survey on Affective Computing and Clinical Applications