Event-related dynamic phase-amplitude coupling analysis reveals facial emotional processing deficits in patients with major depressive disorder: a cross-sectional study

为探究重度抑郁症（MDD）患者在情绪刺激下相位 - 振幅耦合（PAC）特征的动态变化及其神经生理机制，研究人员开展了一项横断面研究。结果发现 MDD 患者存在异常 PAC 模式，该研究为 MDD 的病理生理机制提供了新证据123。

　　在现代社会，心理健康问题日益受到关注，其中重度抑郁症（Major Depressive Disorder，MDD）作为一种常见的精神障碍，给个人和社会带来了沉重的经济负担。MDD 患者普遍存在持续的情绪处理异常，以往研究虽发现其情绪网络存在异常，但对于神经振荡不同频率带之间的相互作用，尤其是相位 - 振幅耦合（Phase-Amplitude Coupling，PAC）在情绪处理中的动态变化及机制，仍知之甚少。

为了深入了解这些问题，上海大学微电子学院以及中国科学院上海微系统与信息技术研究所的研究人员开展了一项重要研究，相关成果发表在《BMC Psychiatry》上。该研究通过创新的方法和严谨的实验设计，为揭示 MDD 患者情绪处理的神经生理机制提供了新的视角。

研究人员采用了多种关键技术方法。首先，利用模拟数据评估了三种动态 PAC 方法（T-PAC、MI-PAC 和 GC-ERPAC），最终选定 GC-ERPAC 方法用于后续分析。研究使用的样本来自公开的 MODMA 128 通道脑电图（EEG）数据集，包含 24 名 MDD 患者和 29 名健康对照（Health Controls，HCs）。对 EEG 数据进行预处理后，获取事件相关电位（Event-Related Potentials，ERPs），并运用 GC-ERPAC 方法分析不同频段的 PAC。同时，使用多种统计分析方法，探究组间和组内 PAC 的差异以及 PAC 与临床量表的相关性567。

研究结果主要包括以下几个方面：

• 不同 PAC 方法的比较：通过模拟数据比较发现，GC-ERPAC 在识别正确的 PAC 以及定位相位和振幅频率方面表现更优，能有效处理短期耦合数据，准确反映 PAC 的动态变化，减少错误耦合的出现8。
• MDD 患者与 HCs 的 PAC 差异：在传感器层面分析发现，MDD 患者和 HCs 对不同情绪刺激的 PAC 存在差异。如面对快乐刺激时，MDD 组额叶 - 顶叶区域的 δ-γ 耦合（Delta-Gamma Coupling，DGC）、θ-γ 耦合（Theta-Gamma Coupling，TGC）和 α-γ 耦合（Alpha-Gamma Coupling，AGC）强度低于 HCs；面对恐惧刺激时，MDD 组枕叶区域的 AGC 强度更高。此外，MDD 组不同频率耦合之间的相关性较弱49。
• PAC 与临床量表的相关性：相关性分析表明，在 HCs 中，DGC 和 AGC 与临床量表呈正相关；而在 MDD 组中，TGC 和 AGC 与临床量表呈负相关。这意味着 PAC 与 MDD 患者的临床症状密切相关，可能反映了患者情绪认知和调节的神经基础变化10。

在讨论部分，研究人员指出，GC-ERPAC 方法在 PAC 分析中具有显著优势，为研究神经活动的时间动态提供了有力工具。MDD 患者中观察到的异常 PAC 模式，如额叶 - 顶叶区域 DGC 和 TGC 的降低，以及枕叶区域 AGC 的升高，与以往研究中 MDD 患者情绪调节网络的异常变化相吻合，提示这些异常可能与 MDD 患者的情绪处理缺陷密切相关。此外，PAC 与临床量表的相关性表明，PAC 有可能作为 MDD 情绪缺陷的潜在生物标志物，为疾病的诊断和治疗提供新的方向1112。

总的来说，这项研究通过对 MDD 患者情绪处理过程中 PAC 特征的深入探究，揭示了 MDD 患者情绪处理的神经生理机制，为进一步理解 MDD 的病理生理过程提供了重要依据。同时，研究结果也为开发基于 PAC 的生物标志物和新的治疗策略提供了理论支持，对推动 MDD 的临床诊断和治疗具有重要意义。