Background: Depression has become a leading mental disorder worldwide. Evidence has shown that subjects with depression exhibit different spatial responses in neurophysiological signals from the healthy controls when they are exposed to positive and negative stimuli. Methods: We proposed an effective electroencephalogram-based detection method for depression classification using spatial information. A face-in-the-crowd task, including positive and negative emotional facial expressions, was presented to 30 participants, including 16 depression patients and 14 healthy controls. Differential entropy and the genetic algorithm were used for feature extraction and selection, and a support vector machine was used for classification. A task-related common spatial pattern (TCSP) was proposed to enhance the spatial differences before the feature extraction. Results and discussion: We achieved a leave-one-subject-out cross-validation classification result of 84% and 85.7% for positive and negative stimuli, respectively, using TCSP, which is statistically significantly higher than 81.7% and 83.2%, respectively, acquired without the TCSP (p < 0.05). We also evaluated the classification performance using individual frequency bands and found that the contribution of the gamma band was predominant. In addition, we evaluated different classifiers, including k-nearest neighbor and logistic regression, which showed similar trends in the improvement of classification by employing TCSP. Conclusion: The results show that our proposed method, employing spatial information, significantly improves the accuracy of classifying depression patients.

中文翻译：

---

使用空间信息增强基于脑电图的抑郁症患者分类

背景：抑郁症已成为全球主要的精神障碍。有证据表明，患有抑郁症的受试者在受到正向和负向刺激时，在来自健康对照的神经生理信号中表现出不同的空间反应。方法：我们提出了一种有效的基于脑电图的抑郁症分类的空间信息检测方法。向30名参与者（包括16名抑郁症患者和14名健康对照者）展示了面对人群的任务，包括正面和负面的情绪面部表情。使用微分熵和遗传算法进行特征提取和选择，并使用支持向量机进行分类。提出了一种与任务相关的公共空间模式（TCSP），以增强特征提取之前的空间差异。结果与讨论：使用TCSP，我们分别对阳性和阴性刺激的留一生交叉验证分类结果分别为84％和85.7％，这在统计学上显着高于分别为81.7％和83.2％。无需TCSP即可获得（p <0.05）。我们还使用单个频带评估了分类性能，发现伽马频带的贡献占主要地位。此外，我们评估了不同的分类器，包括k最近邻和逻辑回归，这些分类器在采用TCSP的分类改进中显示出相似的趋势。结论：结果表明，我们提出的方法利用空间信息可以显着提高对抑郁症患者进行分类的准确性。使用TCSP，我们对阳性和阴性刺激的留一法则交叉验证分类结果分别为84％和85.7％，这在统计学上显着高于不使用TCSP时获得的分别为81.7％和83.2％ （p ＜0.05）。我们还使用单个频带评估了分类性能，发现伽马频带的贡献占主要地位。此外，我们评估了不同的分类器，包括k最近邻和逻辑回归，这些分类器在采用TCSP的分类改进中显示出相似的趋势。结论：结果表明，我们提出的方法利用空间信息可以显着提高对抑郁症患者进行分类的准确性。使用TCSP，我们对阳性和阴性刺激的留一法则交叉验证分类结果分别为84％和85.7％，这在统计学上显着高于不使用TCSP时获得的分别为81.7％和83.2％ （p ＜0.05）。我们还使用单个频带评估了分类性能，发现伽马频带的贡献占主要地位。此外，我们评估了不同的分类器，包括k最近邻和逻辑回归，这些分类器在采用TCSP的分类改进中显示出相似的趋势。结论：结果表明，我们提出的方法利用空间信息可以显着提高对抑郁症患者进行分类的准确性。分别使用TCSP，这在统计学上显着高于未使用TCSP的情况（p <0.05）。我们还使用单个频带评估了分类性能，发现伽马频带的贡献占主要地位。此外，我们评估了不同的分类器，包括k最近邻和逻辑回归，这些分类器在采用TCSP的分类改进中显示出相似的趋势。结论：结果表明，我们提出的方法利用空间信息可以显着提高对抑郁症患者进行分类的准确性。分别使用TCSP，这在统计学上显着高于未使用TCSP的情况（p <0.05）。我们还使用单个频带评估了分类性能，发现伽马频带的贡献占主要地位。此外，我们评估了不同的分类器，包括k最近邻和逻辑回归，这些分类器在采用TCSP的分类改进中显示出相似的趋势。结论：结果表明，我们提出的方法利用空间信息可以显着提高对抑郁症患者进行分类的准确性。我们还使用单个频带评估了分类性能，发现伽马频带的贡献占主要地位。此外，我们评估了不同的分类器，包括k最近邻和逻辑回归，这些分类器在采用TCSP的分类改进中显示出相似的趋势。结论：结果表明，我们提出的方法利用空间信息可以显着提高对抑郁症患者进行分类的准确性。我们还使用单个频带评估了分类性能，发现伽马频带的贡献占主要地位。此外，我们评估了不同的分类器，包括k最近邻和逻辑回归，这些分类器在采用TCSP的分类改进中显示出相似的趋势。结论：结果表明，我们提出的方法利用空间信息可以显着提高对抑郁症患者进行分类的准确性。