综述：基于脑电图机器学习的强迫症分类系统综述：现状与未来方向

本综述系统评估了EEG（脑电图）与ML（机器学习）在OCD（强迫症）分类中的应用现状，指出当前研究存在方法异质性高、样本量小、缺乏模型可解释性（如SHAP/LIME）等局限，强调需建立标准化流程（如COBIDAS-MEEG）以推动临床转化（如神经反馈/tES靶向治疗）。

　　

引言

强迫症（Obsessive-Compulsive Disorder, OCD）是一种慢性致残性精神疾病，全球患病率约3.5%，女性（5.4%）高于男性（1.7%）。约60%患者症状持续终身，50%在18岁前发病，70%在20岁前出现症状。OCD显著降低患者生活质量与社会功能，且诊断平均延迟7.1年，原因包括病耻感、医疗资源有限及症状与其他精神障碍重叠导致的误诊。脑电图（Electroencephalography, EEG）因其毫秒级时间分辨率、低成本及便携性，成为探索OCD生物标志物的重要工具。结合机器学习（Machine Learning, ML）技术，EEG为OCD的精准分类与个体化治疗提供了新途径。

方法

本研究遵循PRISMA指南，系统检索Web of Science、Scopus、PubMed和IEEE数据库截至2025年2月的文献。初检67篇文献，去重后筛选42篇，最终纳入11篇符合标准的研究。数据提取涵盖四个维度：研究基本信息、人群特征、EEG特征和机器学习特征。因研究间存在显著异质性（如样本量、预处理方法、模型设计），未进行定量荟萃分析，仅开展定性合成。

当前研究现状

地理分布与泛化挑战

11项研究中10项来自亚洲国家（如土耳其、印度、中国），仅1项为欧洲-亚洲合作。这种地域集中性限制了结论对非亚洲人群的泛化性。36%研究使用公开数据集，54%为原始数据，9%混合二者。公开数据集虽促进可重复性，但常缺乏关键临床与人口学信息（如年龄、性别、用药史），可能引入偏差。

OCD定义与亚型忽略

54%研究未报告OCD诊断标准（如DSM-5/ICD-10），仅18%由精神科医生确诊。所有研究均未分析OCD亚型（如污染型、对称型），而fMRI研究已证实不同亚型存在脑激活模式差异。仅1项研究按焦虑水平分组（非DSM亚型），样本量小（如Mukherjee等仅46例OCD）且报告准确率虚高（达100%），而大样本研究（如Farhad等86例）准确率更稳健（75-90%）。

EEG技术参数异质性

• •

  电极导联：8项研究采用10-20系统，2项用10-10系统，54%未报告参考电极位置。

• •

  频段分析：54%研究聚焦经典频段（δ、θ、α、β），27%扩展至高β和γ频段，2项使用原始信号，2项未指定频段。

• •

  实验条件：81%研究使用静息态EEG，其中7项为闭眼状态（易引发α波干扰）。

• •

  预处理：45%研究应用带通滤波，27%使用独立成分分析（ICA），但方法缺乏一致性（如滤波范围、去噪技术）。

机器学习模型与性能

传统模型仍占主导：SVM（5项）、随机森林（RF）、C5.0和XGBoost（共5项）。深度学习模型使用率上升（2023-2025），以LSTM及其变体（如Bi-LSTM、CNN-LSTM）为主（占深度学习模型的30.8%），因其擅长处理时序数据且对小样本更稳健。

准确率报告差异显著：内部验证（如交叉验证）准确率较高（如1DCNN-LSTM达90.88%），但外部验证普遍下降（如降至75%）。深度模型总体优于传统模型，但需警惕过拟合（尤其小样本研究）。

可解释性缺失

无一研究使用SHAP或LIME等现代可解释技术，仅3项尝试用统计检验解读特征重要性，限制了模型决策透明性与临床应用（如神经反馈电极定位或tES靶向治疗）。

偏倚风险

基于改良QUADAS-2评估，最高偏倚风险存在于患者选择域（如未排除共病或用药影响），最低在流程时序域。随机数据拆分仅5项研究明确报告，高准确率研究（如Mukherjee等）常伴随高偏倚风险。

未来方向：标准化框架与临床转化

三层标准化框架（图6）

1. 1.

   数据预处理标准化：采用COBIDAS-MEEG流程，包括坏道剔除、ICA去伪迹、滤波、分段、基线校正、参考电极转换及频谱分析。

2. 2.

   准确率报告规范：遵循TRIPOD指南，公开代码与完整参数，鼓励开发TRIPOD-EEG扩展标准。

3. 3.

   模型可解释性整合：嵌入SHAP/LIME解析关键电极与频段（如γ和高β频段），指导个体化治疗。

临床转化挑战

• •

  监管准备：需满足FDA可重复性标准，建立多中心共享EEG数据库（类似Human Connectome Project）。

• •

  共病管理：开发EEG-fMRI融合生物标志物区分OCD与抑郁/ADHD等共病。

• •

  技术验证：通过便携式EEG设备开展真实世界研究，验证模型泛化性。

局限性与展望

当前研究样本量小、异质性高、缺乏亚型分析与外部验证，结论需谨慎解读。未来需聚焦：

• •

  纳入临床变量（如症状维度、治疗反应、人口学特征）；

• •

  结合高级信号处理（如功率谱密度、功能连接）；

• •

  探索无监督学习与维度缩减（如t-SNE、自编码器）揭示深层模式。

结论

EEG-ML在OCD分类中展现潜力，但研究异质性限制了临床适用性。通过标准化流程、可解释模型及多维度临床整合，有望推动其向神经反馈、tES治疗等精准医学应用转化。