駱睿鵬，鄒任玲，孟令鵬，談宏偉，劉巨濤，徐瀾菲，胡秀枋，曹 立

（1 上海理工大學(xué)健康科學(xué)與工程學(xué)院，上海 200093； 2 上海交通大學(xué)醫(yī)學(xué)院附屬第六人民醫(yī)院神經(jīng)內(nèi)科，上海 200233）

0 引 言

據(jù)世界衛(wèi)生組織不完全統(tǒng)計(jì)，全球約有超過(guò)3.5億的不同程度抑郁癥患者，僅中國(guó)統(tǒng)計(jì)出的抑郁癥患者已超過(guò)3 000 萬(wàn)，在近20年的時(shí)間抑郁癥患者約增加了120 倍。 然而，對(duì)抑郁癥的病理機(jī)制的認(rèn)識(shí)、尤其量化的評(píng)估或精神健康的指標(biāo)以及有效的精神障礙早診早治方法仍然缺乏，這成為抑郁癥患者痊愈的主要難題。

由于抑郁癥的發(fā)病隱蔽性高和大眾對(duì)抑郁癥不夠重視，仍有不少的抑郁癥患者尚未得到有效治療。目前，對(duì)抑郁癥的診斷主要依賴于臨床醫(yī)生的觀察、問(wèn)診以及問(wèn)卷量表調(diào)查，這種方法存在一定的主觀性和不確定性，易導(dǎo)致誤診、漏診、前后診斷不一致，延誤患者最佳治療時(shí)期。 因此，現(xiàn)階段研究者嘗試運(yùn)用神經(jīng)成像技術(shù)如腦電（Electroencephalogram，EEG）、核磁共振、腦磁圖、正電子發(fā)射斷層顯像等來(lái)實(shí)現(xiàn)對(duì)抑郁癥的客觀評(píng)價(jià)和診斷。 其中，EEG 具有一定的優(yōu)勢(shì)，如設(shè)備價(jià)格低、操作簡(jiǎn)單方便、時(shí)間分辨率高等。 隨著人工智能的發(fā)展，采用機(jī)器學(xué)習(xí)方法結(jié)合EEG 信號(hào)特征用于識(shí)別抑郁癥的分類研究越來(lái)越受到重視。

基于機(jī)器學(xué)習(xí)對(duì)抑郁癥患者和正常人的腦電信號(hào)進(jìn)行識(shí)別已經(jīng)有一定的研究基礎(chǔ)。 如Cai 等學(xué)者［1］利用86 名抑郁癥患者和92 名正常人的腦電數(shù)據(jù)，提取得到了一部分特征，在KNN 模型上達(dá)到了86.98%的準(zhǔn)確率。 Hosseinifard 等研究者［2］利用45名抑郁癥患者45 名正常人的腦電數(shù)據(jù)提取4 個(gè)不同波段的功率譜和4 種非線性特征等特征，利用邏輯回歸分類器達(dá)到90%的準(zhǔn)確率。 郭雨［3］利用142名抑郁癥患者和72 名健康人的靜息態(tài)腦電數(shù)據(jù)，在6 種不同的機(jī)器學(xué)習(xí)算法模型上最好效果均達(dá)到了80%以上的準(zhǔn)確率。 然而，以上這些研究只考慮到腦電信號(hào)的時(shí)域或頻域或動(dòng)力學(xué)方面等單一特征對(duì)識(shí)別的影響，而有大量研究表明抑郁癥患者和正常人之間的不同腦部區(qū)域存在不同的活動(dòng)性，因此需要從多方位地引入各種特征對(duì)抑郁癥識(shí)別進(jìn)行相應(yīng)的研究。 本文擬通過(guò)將機(jī)器學(xué)習(xí)和腦電信號(hào)應(yīng)用到抑郁癥診斷中，一方面可以篩查出大量潛在患者并對(duì)其進(jìn)行及時(shí)有效治療，另一方面可以更客觀準(zhǔn)確地識(shí)別抑郁癥，提高醫(yī)生的工作效率，減輕工作壓力。 實(shí)現(xiàn)基于EEG 信號(hào)的抑郁癥患者識(shí)別將為抑郁癥診斷提供一種新的輔助工具，具有極大的研究?jī)r(jià)值。

1 實(shí)驗(yàn)數(shù)據(jù)集介紹及腦電預(yù)處理

本研究使用的數(shù)據(jù)集選用蘭州大學(xué)可穿戴計(jì)算重點(diǎn)實(shí)驗(yàn)室公開(kāi)的用于精神障礙分析的抑郁癥研究數(shù)據(jù)集［4］，經(jīng)蘭州大學(xué)第二附屬醫(yī)院倫理委員會(huì)批準(zhǔn)，并獲得所有受試者的書面知情同意。 該數(shù)據(jù)集包含24 名抑郁癥患者和29 名健康對(duì)照者所采集的腦電數(shù)據(jù)，采用128 導(dǎo)聯(lián)進(jìn)行腦電數(shù)據(jù)采集的頭皮電極位置如圖1 所示，使用HCGSN （HydroCel Geodesic SensorNet）系統(tǒng)采集腦電數(shù)據(jù)和NetStation軟件記錄腦電數(shù)據(jù)，整個(gè)采集過(guò)程的采樣頻率設(shè)置為250 Hz，分別采集了受試者閉眼靜息態(tài)和睜眼刺激態(tài)下的腦電數(shù)據(jù)（刺激態(tài)腦電實(shí)驗(yàn)范式是采用中國(guó)化面孔情緒圖片作為刺激材料，以此誘發(fā)注意力任務(wù)下的EEG 信號(hào)。 根據(jù)情緒效價(jià)的不同，共包含恐懼、悲傷、快樂(lè)和中性4 種不同類型的面孔情緒圖片）。 抑郁癥和健康對(duì)照組的年齡分布以及PHQ－9評(píng)分情況統(tǒng)計(jì)如圖2 所示。 由圖2 可知，抑郁癥患者滿足如下條件：

圖1 128 導(dǎo)聯(lián)頭皮電極位置定位圖Fig. 1 Positioning map of 128－lead scalp electrodes

圖2 抑郁癥和健康對(duì)照組的年齡分布及PHQ－9 評(píng)分情況Fig. 2 Age distribution of experimental subjects and PHQ－9 score statistics

（1）男女比例均衡且年齡范圍在16 ～56 歲分布；

（2）在接受被試前均符合DSM 的抑郁癥診斷標(biāo)準(zhǔn)，且經(jīng)過(guò)PHQ－9 評(píng)分問(wèn)卷的調(diào)查；

（3）在接受被試前兩周以內(nèi)未服用任何精神類藥品，排除了有嚴(yán)重身體疾病或不良傾向的患者。

健康對(duì)照組滿足如下：

（1）男女比例均衡且年齡范圍在18 ～55 歲分布；

（2）排除了患有精神疾病病史以及有精神障礙家族史的人。

由于EEG 信號(hào)在采集過(guò)程中抗干擾能力較差，會(huì)受到各種干擾信號(hào)和偽跡的影響。 因此采用Matlab 2019b EEGLAB 工具箱和Python 中MNE 軟件包對(duì)從采集設(shè)備獲取到的原始腦電數(shù)據(jù)進(jìn)行預(yù)處理工作，主要步驟如下：

（1）導(dǎo)入連續(xù)的腦電數(shù)據(jù)；

（2）電極定位后選擇適用的電極通道；

（3）降低采樣率用以提高運(yùn)行速度；

（4）使用1～45 Hz 的帶通濾波器以及50 Hz 的陷波濾波器來(lái)消除電源電路中的50 Hz 工頻交流電等其他干擾信號(hào)；

（5）查看腦電時(shí)域波形圖中是否存在壞通道，若存在則需要對(duì)壞導(dǎo)進(jìn)行插補(bǔ)；

（6）將連續(xù)的腦電數(shù)據(jù)分段為多段epoch；

（7）使用ICA 算法手動(dòng)校正由眼電、眨眼、心電、肌肉活動(dòng)等產(chǎn)生的生理性偽跡成分和其他非生理性偽跡影響的數(shù)據(jù)部分以得到較為純凈的腦電數(shù)據(jù)；

（8）手動(dòng)去除漂移較大的腦電數(shù)據(jù)段；

（9）對(duì)預(yù)處理后的腦電數(shù)據(jù)進(jìn)行保存。

2 抑郁癥腦電特征提取和機(jī)器學(xué)習(xí)算法

本節(jié)通過(guò)提取抑郁癥患者和健康對(duì)照組不同狀態(tài)下的腦電信號(hào)的線性特征和非線性特征，使用隨機(jī)森林［5］、邏輯回歸、K 近鄰［6］、支持向量機(jī)［7］四種機(jī)器學(xué)習(xí)算法模型進(jìn)行分類識(shí)別，通過(guò)比較單一類型特征和多種類型特征、靜息態(tài)和刺激態(tài)、不同情緒刺激態(tài)情況下的抑郁癥病癥識(shí)別效果，對(duì)抑郁癥病癥情況進(jìn)行分析，并通過(guò)調(diào)整模型參數(shù)獲得最優(yōu)識(shí)別模型，具體技術(shù)實(shí)現(xiàn)路線如圖3 所示。

圖3 技術(shù)實(shí)現(xiàn)總流程圖Fig. 3 General flowchart of technology realization

大腦皮層根據(jù)不同的位置一般被劃分為額葉、顳葉、頂葉和枕葉，每一塊區(qū)域都能夠反映出人體的不同反應(yīng)活動(dòng)。 其中，額葉區(qū)域與注意力、記憶、個(gè)性和情感等高級(jí)認(rèn)知活動(dòng)有關(guān)［8］，有研究者們認(rèn)為額葉病變主要導(dǎo)致精神障礙，常表現(xiàn)為注意力喪失、冷漠、思維反應(yīng)力和創(chuàng)造力都顯著下降，這也是抑郁癥患者的一部分病癥體現(xiàn)。 楊勇等研究人員通過(guò)分析抑郁癥患者的腦區(qū)能量占比發(fā)現(xiàn)，與大腦皮層中央?yún)^(qū)域和枕葉區(qū)域相比，重癥抑郁癥患者在經(jīng)過(guò)治療后的額葉區(qū)域能量占比表達(dá)更為強(qiáng)烈。

由抑郁癥引起的腦電信號(hào)異常特征中，經(jīng)典的以明確的α節(jié)律為主，在額葉區(qū)域具有較高的振幅，并且同樣也會(huì)經(jīng)常采集到δ 節(jié)律，有研究表明，與α節(jié)律的異常相比，β、δ、θ節(jié)律的變化更為明顯，不同頻帶信號(hào)的功率譜或大腦不同區(qū)域的數(shù)據(jù)通道之間的不對(duì)稱性也會(huì)顯示出不同。 這些腦電信號(hào)特征可用于確定抑郁癥的發(fā)作情況并評(píng)估治療的有效性，特別是對(duì)于長(zhǎng)期輕度抑郁癥患者。 醫(yī)學(xué)上根據(jù)腦電成分的波動(dòng)特征將腦電信號(hào)分為5 種節(jié)律信號(hào)，詳見(jiàn)表1。不同的EEG 節(jié)律頻段對(duì)應(yīng)不同的人體狀態(tài)，各種EEG 節(jié)律頻段都可在大腦皮層的不同區(qū)域出現(xiàn)，但往往在不同的生理狀態(tài)下最明顯的大腦區(qū)域有所不同。

表1 腦電信號(hào)各節(jié)律頻段及特點(diǎn)Tab. 1 Frequency bands and characteristics of each rhythm of EEG signal

以上這些頻段節(jié)律信號(hào)可以從不同情緒狀態(tài)中獲得，在不同情緒狀態(tài)下，腦電信號(hào)的頻率和振幅都會(huì)發(fā)生相應(yīng)的變化。 本研究采用的線性特征主要由腦電信號(hào)的峰峰值平均幅度、中位振幅、最大振幅、最小振幅以及α、β、δ、θ四種腦電波節(jié)律信號(hào)組成［9］。

由于腦電信號(hào)的非線性、不規(guī)律性以及非平穩(wěn)性的特點(diǎn)，傳統(tǒng)的線性特征只是在時(shí)域和頻域上反映EEG 的某方面特征，引入非線性動(dòng)力學(xué)方法能夠更加全面地對(duì)EEG 的特征進(jìn)行分析。 其中，熵作為非線性特征，是可以用來(lái)表征一個(gè)系統(tǒng)的復(fù)雜性和不規(guī)則性。 本研究采用的非線性特征主要由奇異值分解熵、譜熵、排列熵組成［9］。

奇異值分解熵是一種通過(guò)奇異譜和信息熵相結(jié)合的分析方法，其基本思想是通過(guò)對(duì)系統(tǒng)的時(shí)域信號(hào)序列進(jìn)行相空間重構(gòu)和奇異值分解，獲取其內(nèi)在復(fù)雜性特征。 在信號(hào)的奇異譜分析基礎(chǔ)上，計(jì)算奇異譜的信息，即奇異值分解熵，則可定量描述時(shí)間序列的復(fù)雜狀態(tài)特征。 譜熵是用來(lái)表示輸入信號(hào)能量在功率譜劃分下的不確定性，若信號(hào)組成成分較為復(fù)雜時(shí)，信號(hào)對(duì)應(yīng)的功率譜越分散，對(duì)應(yīng)的功率譜線會(huì)增多，得到的譜熵值就會(huì)變大，因此譜熵是對(duì)信號(hào)在頻域上能量分布的復(fù)雜程度的定量描述。 排列熵是一種能夠檢測(cè)信號(hào)突變的復(fù)雜程度的平均熵參數(shù)，其值越大就表示所對(duì)應(yīng)的信號(hào)越復(fù)雜，計(jì)算過(guò)程簡(jiǎn)單并且具有很好的抗干擾能力和魯棒性，能將無(wú)法定量描述的復(fù)雜系統(tǒng)簡(jiǎn)潔地描述出來(lái)。

3 實(shí)驗(yàn)結(jié)果與分析

在本次實(shí)驗(yàn)中，分類器采用了機(jī)器學(xué)習(xí)中的隨機(jī)森林、邏輯回歸、K 最近鄰、支持向量機(jī)四種算法模型進(jìn)行構(gòu)建，主要對(duì)以下幾種組合情況進(jìn)行討論：

（1）線性特征和非線性特征在單獨(dú)及組合構(gòu)成特征數(shù)據(jù)集下的識(shí)別效果對(duì)比；

（2）靜息態(tài)和刺激狀態(tài)下的腦電信號(hào)進(jìn)行識(shí)別效果對(duì)比；

（3）恐懼、悲傷、快樂(lè)三種不同情緒刺激下的腦電信號(hào)進(jìn)行識(shí)別效果對(duì)比。

3.1 單一類型特征及組合特征下的識(shí)別結(jié)果對(duì)比

為了研究不同類型特征對(duì)抑郁癥患者和正常人的腦電信號(hào)分類的影響，首先分別對(duì)線性特征和非線性特征這2 類單一類型的特征進(jìn)行抑郁癥識(shí)別。

線性特征下的抑郁癥識(shí)別結(jié)果見(jiàn)表2。 由表2可以看出，基于刺激態(tài)特征數(shù)據(jù)集和調(diào)優(yōu)后的隨機(jī)森林算法組合構(gòu)建的抑郁癥識(shí)別分類模型具有最高的分類準(zhǔn)確率，達(dá)到91%。 另外，在悲傷情緒刺激態(tài)和靜息態(tài)下，模型的識(shí)別準(zhǔn)確率最高達(dá)到了70%以上。

非線性特征下的抑郁癥識(shí)別分類結(jié)果見(jiàn)表3。由表3 可以看出，整體的識(shí)別準(zhǔn)確率都不是很高，只有基于快樂(lè)狀態(tài)特征數(shù)據(jù)集和調(diào)優(yōu)后的隨機(jī)森林算法組合構(gòu)建的抑郁癥識(shí)別分類模型的準(zhǔn)確率能達(dá)到60%以上。

表3 非線性特征下的抑郁癥識(shí)別準(zhǔn)確率Tab. 3 Accuracy of depression recognition under nonlinear features%

考慮到單一類型的特征表征抑郁癥病癥信息缺乏片面性，為了充分考慮特征之間的互補(bǔ)性，于是將2 種不同類型的腦電特征進(jìn)行組合作為判斷抑郁癥的特征數(shù)據(jù)集，這樣就能夠盡可能地涵蓋抑郁癥人群和健康人群中關(guān)于大腦活動(dòng)模式的變化。

在上述實(shí)驗(yàn)的基礎(chǔ)上，分別將線性特征數(shù)據(jù)集和非線性特征數(shù)據(jù)集進(jìn)行特征組合后再對(duì)抑郁癥進(jìn)行識(shí)別分類，識(shí)別分類結(jié)果見(jiàn)表4。 表4 中，在恐懼狀態(tài)、悲傷狀態(tài)兩種特征數(shù)據(jù)集下的抑郁癥識(shí)別準(zhǔn)確率能達(dá)到70%以上，在靜息態(tài)和刺激態(tài)兩種特征數(shù)據(jù)集下的抑郁癥識(shí)別準(zhǔn)確率能達(dá)到60%以上。

表4 組合特征下的抑郁癥識(shí)別準(zhǔn)確率Tab. 4 Accuracy of depression recognition with combined features%

分析以上2 組單一類型特征下的抑郁癥識(shí)別結(jié)果，可以看到線性特征下的分類識(shí)別準(zhǔn)確率要普遍高于非線性特征，這在一定程度上表明了抑郁癥患者對(duì)于頻段線性特征信息要更具敏感性，腦電信號(hào)的線性特征能更有效地表征出抑郁癥患者的腦內(nèi)活動(dòng)變化。 分析單一類型特征和多種類型特征下的抑郁癥識(shí)別分類效果，發(fā)現(xiàn)相比較于單一非線性特征的分類結(jié)果，多特征組合后的識(shí)別效果有了一定的提升，說(shuō)明這2 類單一類型特征均包含表征抑郁癥病癥的有效信息，并且采用多種類型特征組合對(duì)于識(shí)別抑郁癥有一定的輔助作用。

3.2 靜息態(tài)和刺激態(tài)下的抑郁癥識(shí)別對(duì)比

為了研究不同類型特征對(duì)抑郁癥患者和正常人的腦電信號(hào)分類的影響，在上述對(duì)比分析基礎(chǔ)上，為了進(jìn)一步探究抑郁癥患者和正常人對(duì)于靜息態(tài)和刺激狀態(tài)下的識(shí)別效果，于是在保證同一類型特征的基礎(chǔ)上分別對(duì)靜息態(tài)和刺激態(tài)進(jìn)行識(shí)別分類，靜息態(tài)識(shí)別結(jié)果如圖4 所示，可以看出，靜息態(tài)下的識(shí)別準(zhǔn)確率最高能達(dá)到70%以上。 刺激態(tài)識(shí)別結(jié)果如圖5 所示，可以看出，刺激態(tài)下的識(shí)別準(zhǔn)確率最高能達(dá)到90%以上。

圖4 靜息態(tài)腦電信號(hào)下的抑郁癥識(shí)別分類結(jié)果Fig. 4 Classification results of depression recognition under resting state EEG signal

圖5 刺激態(tài)腦電信號(hào)下的抑郁癥識(shí)別分類結(jié)果Fig. 5 Classification results of depression recognition under stimulated state EEG signals

從上述對(duì)比結(jié)果可以看出，抑郁癥患者在刺激下相較于靜息態(tài)下能表征出更顯著的特征，因此在抑郁癥臨床早期診斷可以對(duì)就診人進(jìn)行適當(dāng)性的刺激以誘發(fā)出與抑郁癥狀態(tài)相關(guān)的大腦區(qū)域的不同模式。

3.3 3 種不同情緒刺激下的抑郁癥識(shí)別對(duì)比

為了進(jìn)一步分析出刺激態(tài)下抑郁癥患者對(duì)哪種情緒刺激更敏感［10］，于是針對(duì)采集腦電實(shí)驗(yàn)范式中的不同類型情緒狀態(tài)下的抑郁癥識(shí)別效果進(jìn)行分析。

恐懼情緒刺激下的抑郁癥識(shí)別分類結(jié)果如圖6所示。 圖6 中，從恐懼情緒狀態(tài)下的抑郁癥識(shí)別分類結(jié)果中可以看出，非線性特征對(duì)于該情緒狀態(tài)下的抑郁癥表征比較顯著，最高準(zhǔn)確率能達(dá)到70%以上，并且在進(jìn)行多特征組合下，非線性特征能有效提高線性特征下的恐懼狀態(tài)下的抑郁癥識(shí)別分類結(jié)果。 悲傷情緒刺激下的抑郁癥識(shí)別分類結(jié)果如圖7所示。 圖7 中，從悲傷情緒狀態(tài)下的抑郁癥識(shí)別分類結(jié)果中可以看出，線性特征對(duì)于該情緒狀態(tài)下的抑郁癥表征比較顯著，最高準(zhǔn)確率能達(dá)到80%以上，而特征組合的方式能有效提高非線性特征在悲傷狀態(tài)下的抑郁癥識(shí)別效果。 快樂(lè)情緒刺激下的抑郁癥識(shí)別分類結(jié)果如圖8 所示。 圖8 中，從快樂(lè)情緒狀態(tài)下的抑郁癥識(shí)別分類結(jié)果中可以看出，不論是非線性特征、還是線性特征對(duì)于該情緒狀態(tài)下的抑郁癥表征都不太顯著，對(duì)于抑郁癥識(shí)別最高準(zhǔn)確率才達(dá)到60%左右。

圖6 恐懼情緒刺激下的抑郁癥識(shí)別分類結(jié)果Fig. 6 Classification results of depression recognition under fearful emotion

圖7 悲傷情緒刺激下的抑郁癥識(shí)別分類結(jié)果Fig. 7 Classification results of depression recognition under sad emotion

圖8 快樂(lè)情緒刺激下的抑郁癥識(shí)別分類結(jié)果Fig. 8 Classification results of depression recognition under happy emotion

通過(guò)對(duì)以上3 種情緒狀態(tài)下的抑郁癥識(shí)別結(jié)果分析，能夠表明抑郁癥患者對(duì)于悲觀情緒下的刺激感知非常顯著，對(duì)于樂(lè)觀情緒下的刺激感知比較遲鈍。 該結(jié)果還充分體現(xiàn)了臨床抑郁癥患者普遍的悲觀消極情緒嚴(yán)重的情形。

4 結(jié)束語(yǔ)

本文研究提取了腦電信號(hào)的線性和非線性特征，使用機(jī)器學(xué)習(xí)方法對(duì)抑郁癥患者進(jìn)行綜合分析，通過(guò)對(duì)單特征、多特征的識(shí)別對(duì)比分析，非線性特征不一定能有效提高對(duì)抑郁癥病癥的識(shí)別準(zhǔn)確率，而線性特征在表達(dá)抑郁癥患者和正常人的區(qū)別中有一定的優(yōu)勢(shì)，造成這種現(xiàn)象的原因可能是抑郁癥患者的癥狀與大腦皮層的異常活動(dòng)產(chǎn)生的特定頻段電信號(hào)有關(guān)。 通過(guò)構(gòu)建最優(yōu)特征矩陣和調(diào)整最優(yōu)參數(shù)得到了基于刺激態(tài)線性特征和隨機(jī)森林算法抑郁癥識(shí)別模型，其準(zhǔn)確率達(dá)到最高91%，從而驗(yàn)證了機(jī)器學(xué)習(xí)方法進(jìn)行抑郁癥輔助診斷的適用性，能更好地識(shí)別抑郁癥，可對(duì)后續(xù)抑郁癥的早發(fā)現(xiàn)早干預(yù)早治療提供一定的參考價(jià)值。 本文還創(chuàng)新性地對(duì)靜息態(tài)和刺激態(tài)兩種不同腦電狀態(tài)下的數(shù)據(jù)集進(jìn)行了對(duì)比分析，實(shí)驗(yàn)結(jié)果表明抑郁癥患者對(duì)于外界刺激較為敏感，進(jìn)而產(chǎn)生了不同于靜息態(tài)下的腦電波成分。同時(shí)，還針對(duì)刺激態(tài)下的恐懼、悲傷、快樂(lè)三種情緒狀態(tài)抑郁癥識(shí)別準(zhǔn)確率進(jìn)行對(duì)比分析，結(jié)果顯示抑郁癥患者對(duì)于正性情緒的腦部反饋和認(rèn)知出現(xiàn)異常，而對(duì)負(fù)性情緒產(chǎn)生了認(rèn)知偏向，腦區(qū)活躍程度更大，更容易對(duì)負(fù)性情緒進(jìn)行加工，這進(jìn)一步驗(yàn)證了抑郁癥患者存在對(duì)于正性情緒的選擇性抑制，表現(xiàn)出難以被激活的現(xiàn)象，這為抑郁癥的發(fā)病機(jī)制提供了電生理證據(jù)，也為后續(xù)針對(duì)抑郁癥患者進(jìn)行治療采用非物理性的情感認(rèn)知治療手段提供了一定的可行性驗(yàn)證。