基于深度学习与双阶段频谱-空间框架的精神分裂症EEG生物标志物识别研究

为解决精神分裂症(SCZ)临床诊断依赖主观评估、耗时且不一致的问题，研究人员通过深度学习驱动的双阶段分析框架，利用短时傅里叶变换(STFT)生成的脑电图(EEG)频谱图，首次发现后脑区Delta波段活动可作为SCZ诊断的最有效生物标志物，分类准确率达91.3%，AUC值0.97。该研究为精神疾病客观诊断提供了新范式。

　　

精神分裂症(SCZ)作为一种严重影响认知和社会功能的神经精神疾病，全球患者约2400万。传统诊断依赖 psychiatrist 的主观访谈，存在耗时、易受临床经验影响等问题。更棘手的是，约15%的SCZ患者会因 negative symptoms 自杀，80-90%患者职业能力受损。尽管遗传、环境等因素被怀疑与发病相关，但缺乏客观诊断工具始终是临床实践的瓶颈。

现有EEG研究多聚焦分类算法优化，鲜少系统探索与SCZ相关的特异性脑区和信号标记。Hardik Thakkar团队在《Discover Neuroscience》发表的研究，创新性地提出双阶段频谱-空间分析框架，首次明确了静息态EEG中Delta波段与后脑区的组合可作为SCZ的高效生物标志物。

研究采用19导联EEG设备采集12名SCZ患者和12名健康对照(HC)的3分钟闭眼静息态数据。通过Butterworth带通滤波(0.5-70 Hz)和小波去噪预处理后，将信号分割为10秒 epoch，共生成2736个样本。关键技术包括：1) 五层db4小波分解提取Delta/Theta/Alpha/Beta/Gamma波段；2) STFT生成224×224 RGB频谱图；3) 采用冻结前三层的ResNet-18模型进行二分类；4) 通过两阶段实验设计（全脑频段筛选→分区定位）确定最优生物标志物。

全脑频段分析

通过10折交叉验证发现，Delta波段以92.65%准确率显著优于其他频段（Gamma 90.86%，Beta 87.39%），Chi-Square检验显示Delta的统计关联强度最高（χ²=1995.939）。

脑区定位分析

将全脑划分为垂直（左右半球）、水平（前/中/后区）、中线及象限子空间。Delta波段在后脑区表现突出（准确率91.2%），而Beta/Gamma在各区表现均衡。值得注意的是，Delta-后脑区组合仅需7个电极，其ROC曲线下面积(AUC)达0.97，灵敏度/特异性分别为92.4%和85.7%。

临床相关性

Delta波段功率与PANSS量表总分呈显著正相关（r=0.590, p=0.002），尤其在后脑区。这提示Delta活动增强可能与症状严重程度相关，为生物标志物的临床解释提供依据。

该研究突破性地证明：1) 静息态EEG无需任务刺激即可获取有效诊断特征；2) 后脑区（含顶叶和枕叶）的结构/功能异常可能是SCZ的重要病理基础，与既往神经影像学研究结论吻合；3) ResNet-18模型通过残差连接有效捕捉EEG的非平稳特性，较传统机器学习提升约10%准确率。

研究局限性包括样本量较小（n=24），但通过 epoch 扩增策略部分缓解了数据不足问题。未来可探索联邦学习框架以保护患者隐私，或将此生物标志物扩展至SCZ高危人群筛查。这项成果为开发便携式SCZ诊断设备奠定了理论基础，推动精神疾病诊疗进入"客观标记物"时代。