基于静息态神经生理数据融合模型助力甲基苯丙胺使用障碍的大规模筛查

《IEEE Journal of Translational Engineering in Health and Medicine》：Fusion Model Using Resting Neurophysiological Data to Help Mass Screening of Methamphetamine Use Disorder

本研究针对甲基苯丙胺使用障碍(MUD)大规模筛查效率低下的问题，开发了一种利用静息态5通道脑电图(EEG)、心率变异性(HRV)和皮电反应(GSR)数据融合的智能诊断系统。研究结果表明，HRV与GSR特征的融合模型能达到79%的最高分类准确率，证实了无需药物线索诱导即可有效识别MUD患者。该系统易于临床实施，为MUD的快速筛查提供了重要技术支撑。

　　

甲基苯丙胺（Methamphetamine, MA）是全球范围内滥用最广泛的成瘾性精神兴奋剂之一，其滥用导致的甲基苯丙胺使用障碍（Methamphetamine Use Disorder, MUD）已成为严峻的公共卫生问题。患者不仅面临大脑细胞的永久性损伤，还会出现显著的精神神经异常，甚至过早死亡。目前，临床上主要依据《精神障碍诊断与统计手册》第五版（DSM-5）进行诊断，但该方法耗时较长，且可能受到文化或环境因素的影响而产生偏差。因此，寻找一种客观、高效且易于实施的辅助诊断工具，特别是适用于大规模筛查的方法，显得尤为重要。

以往的研究发现，在通过虚拟现实（Virtual Reality, VR）技术诱导药物渴求感时，MUD患者会表现出显著的脑电图（Electroencephalogram, EEG）、心率变异性（Heart Rate Variability, HRV）和皮电反应（Galvanic Skin Response, GSR）异常。这些异常被成功用于高精度地区分患者与健康对照者。然而，一个关键的科学问题随之产生：在不进行药物线索诱导的静息状态下，这些神经生理学的异常是否依然存在？能否仅凭静息状态下的数据实现对MUD的有效筛查？这不仅关乎筛查的效率，更避免了在筛查过程中诱发患者药物渴求的风险，对于社区和医院环境下的推广应用至关重要。

为了回答这个问题，来自国立中央大学、高雄长庚纪念医院等机构的研究团队在《IEEE Journal of Translational Engineering in Health and Medicine》上发表了他们的最新研究成果。他们提出了一种临床可比的智能系统，通过融合静息状态下的5通道EEG、HRV和GSR数据，来辅助检测MUD。研究招募了46名MUD患者和26名健康对照者，并采用多种机器学习方法，系统比较了不同特征组合和融合模型的分类效果。

本研究主要采用了以下关键技术方法：研究招募了46名经DSM-5诊断的MUD患者和26名健康对照者。受试者在静息状态下（佩戴VR头盔观看静态天空场景5分钟）同步采集5通道EEG、心电图（ECG）和GSR数据。从EEG信号中提取了频域、时域和功能连接性特征；从ECG信号中提取了37个HRV特征（涵盖时域、频域和非线性域）；从GSR信号中提取了10个特征。采用多种机器学习分类器（如决策树、随机森林、逻辑回归等），并系统比较了特征级融合（早期融合）和决策级融合（晚期融合）两种模型的性能，通过五折交叉验证和独立测试集验证评估分类准确率。

研究结果

A. 人口统计学特征

健康对照组的平均年龄显著低于MUD患者组，但两组的体重指数（BMI）无显著差异。

B. 单一模态分类结果

研究人员首先评估了单一模态数据的分类能力。在EEG特征中，时域特征表现最佳，随机森林（Random Forest, RF）分类器的准确率最高为0.68。HRV特征的表现最为突出，多层感知器（Multilayer Perceptron, MLP）分类器在特征选择后达到了0.78的最高准确率。GSR特征的分类准确率介于0.59至0.67之间。这表明，静息状态下的HRV和GSR本身就包含了较强的区分MUD患者的信息。

C. 融合模型分类结果

融合模型的测试是本研究的核心。结果显示，HRV与GSR特征的组合在早期融合模型中表现最佳，逻辑回归（Logistic Regression, LR）分类器达到了最高的79%的准确率。融合所有三种模态（EEG+HRV+GSR）的特征也能获得77%的准确率，并且在不同分类器间表现出相对稳定且较高的性能。而EEG与GSR特征的融合效果最差。晚期融合模型的整体表现不如早期融合。这表明，将HRV和GSR的特征向量直接拼接在一起进行训练，能更有效地挖掘不同模态特征间的互补信息。

D. 组间差异显著的特征

统计分析揭示了患者与健康对照之间存在显著差异的神经生理学指标。

在EEG方面，患者组在中线通道（FCz, Cz, Pz）的θ（4-7 Hz）功率，以及在FCz通道的β（15-24 Hz）和γ（25-48 Hz）功率均显著高于健康对照组。这提示患者即使在静息状态下也存在大脑皮层活动的异常，可能与冲动控制缺陷和高风险寻求行为有关。

在HRV方面，反映RR间期最大差异的nni_diff_max和相邻RR间期差值标准差SDSD这两个指标在患者组中显著更高，印证了甲基苯丙胺对心脏自主神经调节的毒性作用。

在GSR方面，10个特征中有8个存在显著组间差异，患者组的GSR活动水平普遍更高，表明其交感神经系统处于异常的高唤醒状态，即使在没有特定刺激的静息状态下也是如此。

讨论与结论

本研究证实，利用静息状态下的神经生理数据（EEG、HRV、GSR）构建融合模型，能够有效提升MUD患者与健康对照者的区分准确率。其中，HRV与GSR的融合模型达到了79%的最佳性能。这一发现具有重要的生理学基础，因为MUD会同时影响中枢神经系统（反映在EEG上）和自主神经系统（反映在HRV和GSR上）。研究结果表明，这些异常在静息状态下依然存在，使得无需诱发药物渴求的快速筛查成为可能。

尽管单独使用HRV特征也能达到78%的准确率，但融合GSR特征的价值在于其特异性。HRV异常并非MUD所特有，可见于多种心脏疾病。结合GSR特征，有望提高模型在筛查过程中区分MUD与其他疾病的潜力，这对于大规模筛查的实际应用至关重要。

本研究也存在一些局限性，例如使用的EEG通道较少（5通道），以及样本量相对有限。未来采用高密度EEG和更大规模数据集的研究将有助于进一步验证和优化该模型。

综上所述，这项研究开发了一种基于静息态多模态生理信号融合的智能系统，为甲基苯丙胺使用障碍的无创、高效、易于临床推广的大规模筛查提供了有前景的新技术途径。该系统避免了传统诊断方法的时间成本和在筛查中触发渴求的风险，具有重要的转化应用价值。