重度抑郁症的脑电图微状态生物标志物：基于两个独立数据集的比较分析

《Brain Research Bulletin》：EEG Microstate Biomarkers for Major Depressive Disorder: A Comparative Analysis Using Two Independent Datasets

本研究通过分析两个独立静息态EEG数据集，提取了微状态B的持续时间、出现频率、覆盖范围和转移概率等参数，发现MDD患者微状态B覆盖显著减少，B-C和C-B转移概率显著增加，且微状态B的出现频率与PHQ-9评分呈负相关，提示微状态B可能作为抑郁症的诊断标志，为神经机制研究提供新视角。

　　### EEG微状态分析在抑郁症临床诊断中的应用研究

抑郁症（Major Depressive Disorder, MDD）是一种常见的心理障碍，其特征是情绪和认知功能的显著下降。随着社会压力的增加和生活节奏的加快，抑郁症的患病率在全球范围内持续上升，对个人、家庭和社会造成严重影响。目前，抑郁症的诊断主要依赖于患者的自我报告和标准化评估量表，这种方法存在主观性强、缺乏统一标准等局限性。因此，寻找可靠的生物标志物成为提升抑郁症临床诊断准确性和效率的重要方向。

近年来，脑电图（EEG）因其低成本、无创性和易于采集等优点，成为研究脑功能变化的重要工具。EEG能够以高时间分辨率记录大脑的动态协调过程，揭示神经网络在不同状态下的活动模式。其中，EEG微状态分析作为一种新兴技术，能够捕捉大脑功能网络的快速动态变化，被认为是研究大脑信息处理的“基本单元”。微状态是指在特定时间段内，头皮电场的空间稳定性，通常持续80-120毫秒。研究发现，微状态与情绪调节、注意力控制和认知功能密切相关，具有重要的临床研究价值。

在本研究中，我们使用了两个独立的EEG数据集，分别是来自兰州大学多模态心理障碍分析数据集（MODMA）和Figshare平台上的数据集（MPHC）。MODMA数据集包含24名抑郁症患者和29名健康对照（HC），而MPHC数据集包含34名抑郁症患者和30名HC。所有参与者均在闭眼状态下进行了5分钟的EEG记录，数据经过预处理后，提取了四个微状态特征：持续时间、出现频率、覆盖度和微状态之间的转换概率。通过统计分析，我们发现抑郁症患者在两个数据集中均表现出显著的微状态动态模式变化。具体而言，微状态B的覆盖度显著降低，而微状态B与C之间的转换概率显著增加。然而，微状态B与D、以及微状态A与B之间的转换模式在两个数据集中存在差异。

值得注意的是，在经过FDR（False Discovery Rate）校正后，只有微状态B的出现频率在两个数据集中均表现出统计学意义上的显著性。此外，PHQ-9抑郁量表得分的变化与微状态B的出现频率和从B到D的转换概率之间存在显著的负相关关系。这些发现表明，微状态B的参数可能成为抑郁症临床诊断的可靠生物标志物。然而，研究也指出，当前样本量较小，统计分析中仍存在假阳性风险，因此未来需要更大规模、更具代表性的数据集来验证这些发现。

### 微状态分析的背景与方法

EEG微状态分析的核心在于利用EEG信号的时空特性，结合聚类算法和统计分析方法，识别大脑功能网络的动态变化。在本研究中，我们采用了一种改进的K-means聚类算法，从EEG数据中提取了四个微状态类别：A、B、C和D。每个微状态类别被赋予特定的参数，包括持续时间、出现频率、覆盖度和转换概率。这些参数反映了大脑在不同微状态下的活动特征和动态变化模式。

在数据预处理阶段，我们使用MATLAB 2022b和EEGLAB 2021.1进行信号处理，包括平均参考、带通滤波（2-20 Hz）和ICA（独立成分分析）用于去除伪迹。为了确保数据的一致性，我们从每个参与者中选取了120个有效的EEG片段。此外，为了提高分析的稳定性，我们还采用了特定的电极配置，选择了国际上常用的19个电极通道进行分析。

在统计分析方面，我们采用重复测量方差分析（ANOVA）来评估不同微状态参数在抑郁症患者和健康对照之间的差异。对于不符合球形假设的数据，我们使用Greenhouse-Geisser校正方法调整p值。通过FDR校正，我们进一步降低了假阳性风险，确保统计结果的可靠性。结果显示，微状态B的出现频率和从B到D的转换概率在两个数据集中均表现出显著性，而其他微状态参数则在统计上未达到显著水平。

### 研究结果与临床意义

研究结果表明，抑郁症患者的微状态B覆盖度显著低于健康对照组，而微状态B与C之间的转换概率显著高于健康对照组。这一发现与之前的研究结果部分一致，即微状态B与后扣带回皮层、右侧岛叶和颞叶的活动密切相关。这些区域在情绪调节、感知处理和认知功能中起着关键作用，其活动的改变可能反映了抑郁症患者在维持注意力和整合信息方面的功能障碍。

此外，微状态B的出现频率和从B到D的转换概率与PHQ-9抑郁量表得分存在显著的负相关关系。这表明，微状态B的动态变化可能与抑郁症的严重程度相关。同时，微状态B与A之间的转换概率在MPHC数据集中显著高于健康对照组，这可能反映了抑郁症患者在不同认知状态之间的切换能力减弱，导致注意力集中和情绪调节困难。

这些结果为抑郁症的临床诊断提供了新的视角。微状态B的参数变化不仅能够反映大脑功能网络的异常，还可能作为客观的生物标志物，用于评估抑郁症的严重程度和治疗效果。此外，微状态之间的转换模式变化可能揭示了抑郁症患者在情绪和认知功能上的特定特征，为个性化医疗和精准诊断提供了依据。

### 研究的局限性与未来展望

尽管本研究在多个方面取得了进展，但仍存在一些局限性。首先，由于样本量较小，统计分析中仍可能存在假阳性风险，因此需要更大规模、更具代表性的数据集来验证这些发现。其次，MPHC数据集中缺乏详细的临床评分数据，限制了对抑郁症症状严重程度的分析和跨数据集的诊断比较。此外，尽管我们使用了层次分析方法来控制假阳性风险，但受限的样本量和缺失的数据可能影响某些参数的检测效果。

未来的研究应进一步探索微状态分析在不同频率范围内的应用，以更全面地捕捉大脑功能网络的动态变化。同时，应整合多中心数据，提高研究结果的可靠性和可推广性。此外，研究还应深入探讨微状态变化与情绪和认知功能之间的具体机制，为抑郁症的神经生物学研究和临床干预提供更深入的理论支持。

### 结论

本研究通过分析两个独立的EEG数据集，揭示了抑郁症患者在闭眼状态下EEG微状态的动态变化模式。微状态B的覆盖度降低和与C之间的转换概率增加，可能反映了抑郁症患者在维持注意力和整合信息方面的功能障碍。此外，微状态B的出现频率和从B到D的转换概率与PHQ-9抑郁量表得分存在显著的负相关关系，进一步支持了微状态B作为抑郁症生物标志物的潜力。

这些发现不仅为抑郁症的临床诊断提供了新的视角，还为理解抑郁症的神经病理机制提供了重要线索。未来的研究应结合更多数据和更全面的临床评估，进一步验证微状态参数在抑郁症诊断和治疗中的应用价值。同时，应探索微状态分析在不同频率范围内的应用，以更全面地揭示大脑功能网络的动态变化，从而推动抑郁症的精准诊断和个性化治疗。