背景抑郁症已成为世界性医学难题,任其发展将进一步加剧社会医疗负担,防控抑郁症势在必行。目前确诊抑郁症多依靠临床专业人员,参照美国精神障碍诊断和统计手册（Diagnostic and Statistical Manual of Mental Disorders,DSM）和国际精神疾病分类（International Classification of Diseases,ICD）这两套标准进行诊断,但仍会因带有主观评价而出现误诊、漏诊的情况,建立一种客观有效的抑郁症临床诊断方法成为目前研究的热点。脑电微状态（electroencephalogram microstate）是一种基于瞬时全局电位的神经活动指标,它与功能性磁共振的功能连接网络、脑磁图中的固定状态具有相同的生理基础,并且能够在一定程度上弥补脑电信号空间分辨率低的缺点,可以作为一种更加有效的信号指标,为精神神经疾病及情绪障碍的识别、诊断、治疗和预后分析提供参考依据。在人工智能技术飞速发展的今天,人工智能技术逐渐应用于医疗领域,智能算法能够通过分析病人的信息化资料达到精准诊疗的目的。卷积神经网络（convolutional neural network,CNN）作为常见的深度学习方式之一,能够自动提取精神神经疾病的生理信号特征,再根据这些信号特征进行疾病的分类和诊断,有助于探索各种精神神经疾病的客观生物标记。目前已在精神分裂症、癫痫、阿尔茨海默症等精神神经疾病当中得到了识别分类准确率较高的模型,为抑郁症识别方法提供了新思路。因此,面对抑郁症当下的诊疗难题,为在客观生物标记方面取得突破,本研究从不同抑郁状态个体的静息态和任务态脑电微状态特点着手,基于卷积神经网络构建抑郁症识别模型,为建立更加准确和适用的抑郁症识别方法提供新的视角。研究对象和方法1.研究对象从社区招募并纳入正常个体组26人,抑郁状态组26人,从医院招募并纳入抑郁症患者组26人。2.研究方法（1）一般信息采集及分组。在某直辖市内公开招募健康个体,采集工具包括一般人口学信息工具（自制）和汉密顿抑郁量表。汉密顿抑郁量表评分＜7分的纳入正常个体组,7≤评分＜17分的纳入抑郁状态组。在某医院招募抑郁症患者,经临床医生确诊为单相抑郁症的患者纳入抑郁症患者组。（2）脑电信号采集与预处理。采用Neuroscan 64导脑电采集系统和Curry 7.0记录系统收集脑电信号,包括睁眼和闭眼状态下各8min的静息态脑电数据和自由注视任务下的脑电数据。预处理包括:电极定位、滤波、坏导剔除、独立成分分析（ICA）、分段等,得到纯净同质的脑电数据。（3）自由注视任务范式构建。采用E-prime 2.0软件构建,随机选取中国人情绪面孔系统（Chinese facial affective picture system,CFAPS）正性、负性和中性情绪面孔图片共100张作为刺激材料,对每一类型刺激进行标记,图片出现时间为3000ms,间隔时间为1000ms。（4）静息态脑电微状态特点分析。使用Matlab进行静息态脑电微状态分析,采用AAHC原子聚类算法得到最佳聚类数为4,分别计算睁眼和闭眼状态下4类微状态参数值并进行统计学分析,得到不同抑郁状态个体静息态脑电微状态特点。（5）任务态脑电微状态特点分析。记录研究对象在自由注视任务下的脑电信号并进行预处理。根据刺激类型不同提取研究对象在正性、负性和中性刺激出现0~1000ms时的脑电数据,叠加平均后输入Cartool进行聚类分析,得到研究对象任务态下最优的脑电微状态聚类数和时间序列,计算任务态下的各类参数并进行统计学分析,得到不同抑郁状态个体任务态脑电微状态特点。（6）卷积神经网络模型构建。按照卷积神经网络结构搭建Res Net基础框架,包括卷积层和残差结构,输入层、标准化层、激活函数层、全连接层和输出层。在此基础上,分别依托最大池化（Maxpooling）、长短时记忆网络（LSTM）、一维卷积（1Dconv）和长短时记忆网络融合一维卷积（LSTM1Dconv）等四个框架构建完整的网络模型。分别绘制研究对象静息态和任务态下的脑电微状态二维图像,采用13倍交叉验证。通过对模型的调试和训练结果比较,初步构建基于脑电微状态的卷积神经网络抑郁症识别模型。3.统计学方法采用SPSS23.0进行统计学分析,主要包括描述性统计分析,配对样本t检验,混合方差分析等。检验水准:α=0.05。结果1.静息态脑电微状态最优聚类数为4类（ABCD）。闭眼状态下,不同抑郁状态个体的脑电微状态全局解释方差差异无统计学意义（p＞0.05）。睁眼状态下,三组个体的全局解释方差差异有统计学意义,抑郁症患者组全局解释方差低于正常个体组和抑郁状态组（p＜0.05）;正常个体组和抑郁状态组的脑电微状态A持续时间高于抑郁症患者组（p＜0.05）;抑郁状态组脑电微状态D的持续时间高于抑郁症患者组（p＜0.05）;正常个体组和抑郁状态组微状态D频率低于抑郁症患者组（p＜0.05）,抑郁状态组微状态A覆盖率高于抑郁症患者组（p＜0.05）。闭眼状态下,不同抑郁状态个体的微状态A、微状态B和微状态D的持续时间比睁眼状态时更长（p＜0.05）。不同抑郁状态个体的脑电微状态转换率差异有统计学意义（p＜0.05）。2.不同情绪面孔刺激下,不同抑郁状态个体的脑电微状态最佳聚类数为4类,相对高电势与静息态类别不同,为便于区别二者,将任务态脑电微状态命名为1~4类。任务态脑电微状态全局解释方差为49.61%~54.12%,不同抑郁状态个体间差异无统计学意义（p＞0.05）。不同抑郁状态个体在不同刺激条件下的脑电微状态参数差异有统计学意义（p＜0.05）,不同抑郁状态、不同刺激条件在脑电微状态的离散度和全局解释方差方面存在交互作用（p＜0.05）。中性情绪面孔刺激产生的脑电微状态总体电势场强（GFP）最高,离散度（Dis）最低,负性情绪面孔刺激产生的脑电微状态全局解释方差（GEV）最高,上述差异均有统计学意义（p＜0.05）。抑郁症患者组脑电微状态的总体电势场强（GFP）最低且离散度（Dis）最高,抑郁状态组全局解释方差（GEV）最高,其次为抑郁患者组,正常个体组最低（p＜0.05）,其余差异无统计学意义（p＞0.05）。微状态3在不同抑郁状态个体的不同刺激条件下,总体电势场强较高,全局解释方差较高且离散度低（p＜0.05）,微状态2仅在抑郁症患者组中出现,不同情绪面孔刺激条件下,总体电势场强高,全局解释方差较高且离散度低（p＜0.05）。3.静息态脑电微状态图像构建的卷积神经网络模型验证集、测试集准确率高于采用任务态图像构建的模型（p＜0.05）,不同模型与静息态、任务态采集条件存在一定交互作用（p＜0.05）。ConvNetmaxpool和ConvNet1DConv模型效能较高,ConvNetLSTM模型效能较低（p＜0.05）。静息态脑电数据模型和任务态脑电数据模型的效能在不同抑郁状态个体的差异有统计学意义,抑郁状态组分类效能较低（p＜0.05）。结论1.抑郁症患者静息态脑电微状态的全局解释方差在睁眼、闭眼状态下不同。静息态脑电微状态在睁眼状态下,不同类型脑电微状态发生和转换比较频繁,而闭眼时则维持一种稳态运行。微状态A持续时间减少、微状态B出现增加及微状态C的转换率可能与个体抑郁状态密切相关。2.任务态下脑电微状态聚类与静息态得到的微状态类型有所不同,全局解释方差较静息态低。不同抑郁状态个体在不同刺激条件下,任务态脑电微状态参数均有差异。微状态2可能是抑郁症患者在刺激条件下特有的微状态类型,微状态3在三组不同抑郁状态个体中稳定存在。3.基于脑电微状态构建抑郁症卷积神经网络识别模型能够得到较高的准确率,静息态脑电微状态图像构建的模型分类效能较高,ConvNetmaxpool和ConvNet1DConv模型效能较高,ConvNetLSTM模型效能较低（p＜0.05）。未来在对抑郁状态个体进行分类的模型构建、基于任务态脑电微状态图像构建分类模型等方面尚有较多的改进空间。