基于fNIRS信号的多模态分类模型识别老年抑郁症神经影像生物标志

本文探讨了功能性近红外光谱成像（fNIRS）在老年抑郁症神经影像学生物标志物开发中的应用潜力。随着fNIRS技术的发展，它作为一种非侵入性的神经影像手段，对于评估精神疾病患者，特别是老年抑郁症患者的大脑功能变化具有独特优势。抑郁症患者在执行认知任务时通常显示出大脑活动异常，这为研究者提供了有价值的线索。 在本文中，研究团队针对这一现象，提出了一种基于fNIRS信号的多变量模式分类鉴别模型。该模型主要关注老年人在进行口头流畅性任务时的脑血流变化，这些变化被认为是抑郁状态的重要指标。他们选择口头流畅性任务作为研究设计的一部分，因为这种任务涉及到多个脑区的协同工作，特别与语言处理和情绪调控相关，而在抑郁症患者中这些功能可能会受到损害。 通过伪Fisher线性判别分析（Pseudo-Fisher Linear Discriminant Analysis, PFLDA），研究人员试图找到一组能够最大程度区分健康对照组和老年抑郁症患者的特征性脑激活模式。PFLDA是一种统计方法，用于降低维度并增强不同类别之间的差异，这对于处理高维fNIRS数据集尤其有效。 在实验部分，他们可能收集了两组受试者的fNIRS信号，包括抑郁患者和健康对照组，在完成口头流畅性任务时记录的血氧水平依赖（Blood Oxygen Level Dependent, BOLD）信号。然后，通过特征提取、预处理和模型训练，他们分析了这些信号的变化，并确定了那些最能反映抑郁症特征的特定脑区域和信号模式。 该研究的结果不仅有助于理解老年抑郁症的神经机制，也为开发fNIRS作为抑郁诊断和病情追踪的生物标志物提供了一种可能性。如果模型表现出较高的准确性和稳定性，那么它有可能成为未来临床实践中抑郁症早期识别和治疗的重要工具。然而，值得注意的是，由于fNIRS信号可能受到个体差异、任务难度以及测量误差等因素的影响，进一步的验证和重复研究是必不可少的，以确保结果的可靠性和通用性。