基于EEG微状态与机器学习的青少年抑郁症非自杀性自伤分类研究

《Progress in Neuro-Psychopharmacology and Biological Psychiatry》：EEG microstate-based classification using machine learning in depressed adolescents with and without non-suicidal self-injury

本研究创新性地结合脑电图（EEG）微状态分析与机器学习算法，首次系统探讨了伴与非伴非自杀性自伤（NSSI）的青少年抑郁症（MDD）患者的脑网络动态特征。研究发现微状态B类参数在健康对照组（HCs）中显著更高，而NSSI组特异性表现为D类向B类转换概率降低。机器学习模型在三组分类中最高达到77.42%准确率（p<0.001），证实EEG微状态可作为鉴别NSSI的潜在生物标志物，为早期干预提供新思路。

　　

Highlight

本研究通过EEG微状态分析揭示青少年抑郁症伴非自杀性自伤（NSSI）的特异性脑网络动态模式，机器学习分类准确率达77.42%，为NSSI的早期识别提供新型神经生物学依据。

Section snippets

Participants

伴与非伴NSSI的青少年MDD患者招募自顺天乡大学天安医院精神科，所有患者均通过DSM-5结构化访谈确诊。经过异常值检测后...

Demographic characteristics and psychological assessments

表1呈现了三组人群的人口学与心理特征。三组在年龄、性别和教育水平上无显著差异，但心理特征存在显著组间差异（表1）。

Microstate analysis

图2展示了微状态地形图。研究计算出四类稳定的微状态模板，与广泛报道的经典微状态（A-D类）高度吻合。微状态B类的全局解释方差、持续时间、出现频率和覆盖范围在健康对照组中显著高于两个MDD组（p<0.05）。尤为重要的是，NSSI组从微状态D向B的转换概率显著低于非NSSI组和健康对照组（p<0.01）。

Discussion

本研究发现微状态B类活动减弱可能是MDD的共性特征，而D→B转换概率异常则特异性地指向NSSI行为背后的执行功能网络失调。这些微状态参数与临床心理量表得分显著相关，进一步验证其生物标志物价值。机器学习分类结果证实了微状态特征在区分NSSI亚型中的实用性，其中NSSI组与健康对照组的分类准确率最高（77.42%），而两组MDD亚型间的区分难度较大（63.53%），提示其神经机制存在部分重叠。该研究为理解NSSI的神经基础及开发客观诊断工具提供了新视角。