Skip to content

README_zh.md

Latest commit

 

History

History
73 lines (53 loc) · 2.53 KB

README_zh.md

File metadata and controls

73 lines (53 loc) · 2.53 KB
Raw

中文 | English

MODMA EEG 抑郁症分类

基于 MODMA 128通道 ERP 数据集的 MDD vs HC 二分类研究。通过 QC 修复、P300 特征提取、电极选择、时间窗消融和特征重要性分析，实现了统计显著的分类结果。

核心发现

模型 维度 BA p-value 显著
hcue P300 均值幅度 128 0.670 0.022 Yes
顶叶子集 (Pz/P3/P4/Cz/CPz) 5 0.634 0.045 Yes
250-300ms 时间窗 128 0.673 0.018 Yes
  • hcue dot-probe P300 均值幅度是唯一统计显著的 MDD 分类特征
  • E55 (Cz-adjacent) 通道权重最高，HC 方向正偏转
  • 特征丰富化和多条件融合均导致性能下降
  • 跨数据集泛化（TDBRAIN 静息态）失败（BA=0.500）

数据集

MODMA 128通道 ERP 数据集：

  • 53 受试者（24 MDD + 29 HC），128通道 EGI HydroCel，250Hz
  • Dot-probe 情绪注意偏向范式（hcue/fcue/scue 条件）
  • QC 后保留 52 人（动态 12% 坏通道阈值 + 球面样条插值）

方法

  • 预处理: 1.0Hz 高通 + 0.5-40Hz 带通 + pyprep PREP 标准坏通道检测
  • 特征: P300 均值幅度（250-500ms 窗口，128通道）
  • 分类器: PCA(20) + LogisticRegression(C=1.0, balanced)
  • 验证: Leave-One-Subject-Out CV + 1000次置换检验

项目结构

scripts/modma/
  run_modma_erp.py              # ERP pipeline（P300/N200、分类、消融）
  modma_mdd_real_experiment.py  # 静息态 pipeline（QC、频段功率）
  run_modma_real.py             # 静息态分类入口
  run_modma_reproduce.py        # 复现脚本
  modma_mdd_classification.py   # 早期分类实验
tests/                          # 单元测试
docs/PRE_REGISTRATION.md        # 跨数据集复制预注册文档

负结果记录

尝试 结果 结论
P300+N200 丰富特征 (256-dim) BA 0.670→0.554 维度诅咒
三条件融合 (384-dim) BA 0.670→0.521 融合引入噪声
静息态频段功率 (640-dim) BA=0.391 低于随机水平
TDBRAIN 跨数据集复制 BA=0.500 静息态特征不泛化

局限性

  • N=52 样本量限制泛化性
  • 无同范式外部验证数据集
  • BA=0.670 为中等性能，临床应用价值有限

运行

pip install mne scikit-learn pyprep numpy scipy joblib pandas matplotlib
python scripts/modma/run_modma_erp.py

需要先从 MODMA 下载数据到 data/ 目录。

License

MIT