综述：脑电图在抑郁症研究中的应用：2005至2025年的文献计量与技术应用分析

这篇综述系统梳理了近20年脑电图(EEG)在抑郁症研究中的应用进展，通过文献计量学方法揭示了从基础电生理特征(如α波不对称性)向临床应用(如机器学习辅助诊断)的转变趋势，重点探讨了EEG在抑郁症客观标记物挖掘、脑网络拓扑分析及个体化治疗预测中的价值。

　　

研究背景

抑郁症作为全球致残首要因素之一，其诊断长期依赖主观评估。脑电图(EEG)凭借非侵入性、高时间分辨率等优势，在探索抑郁症神经机制和辅助诊断中展现出独特价值。近20年来，随着信号处理技术和人工智能算法的突破，EEG研究正从传统频段分析向多模态融合方向快速发展。

方法与趋势

文献计量分析显示，2005-2025年间该领域年发文量增长显著，中国以214篇论文成为最大产出国，但美国以44.08次/篇的篇均引用领跑学术影响力。Lanzhou University以45篇发文量成为最活跃机构，而哈佛大学等机构在基础理论方面贡献突出。关键词演进揭示研究热点从早期的"α波不对称性"、"脑电地形图"逐步转向"功能连接"、"图论分析"和"深度学习"。

技术应用突破

在频段特征方面，前额α波不对称性(FAA)被认为是重要生物标记物，抑郁症患者常表现为左前额叶α功率增强（对应皮层活动抑制），这种特征与负性情绪偏向相关。θ波(4-8Hz)的异常则与海马-前额叶环路功能障碍密切相关。通过卷积神经网络(CNN)等算法，结合α和θ频段特征的分类模型准确率可达86.98%。

脑网络分析揭示了抑郁症患者小世界属性降低、全局效率下降等拓扑异常。经颅磁刺激-脑电图(TMS-EEG)技术发现，抑郁症患者背外侧前额叶(DLPFC)皮层兴奋性降低，且与症状严重度相关。事件相关电位(ERP)研究则显示，抑郁患者P300潜伏期延长10-30ms、振幅降低15-25%，反映认知加工速度受损。

临床转化挑战

尽管EEG技术在个体化诊疗中展现出潜力，但临床转化仍面临数据异质性、模型可解释性等挑战。标准化采集协议（如10-20系统）、多中心验证（如使用留一法交叉验证LOSO）和可解释人工智能(XAI)方法（如Grad-CAM）的应用，将成为推动EEG从实验室走向临床的关键。

未来展望

EEG研究正朝着智能化、多模态整合方向发展。建立统一生物标记物评估框架、开发便携式采集设备（如三导联EEG）、深化神经调控机制研究，将显著提升EEG在抑郁症早期识别和疗效预测中的临床价值。