基于群体分解与熵分析的双向心肺耦合振荡成分在抑郁症及自杀意念中的研究价值与机制探索

本综述系统探讨了双向心肺耦合（CRC）的振荡成分在重度抑郁症（MDD）及伴自杀意念（MDDSI）中的特征与机制，创新性地结合群体分解（SwD）、熵分析与分形维数方法，揭示了高频振荡成分（OC3、OC4）和双向耦合指标（λbi）在区分疾病亚型中的潜力，为精神疾病的生理学生物标志开发提供了新视角。

　　

引言

重度抑郁症（MDD）及其伴自杀意念亚型（MDDSI）表现出高度异质性的临床症状，为精准诊断和治疗带来挑战。随着计算精神病学和数字生物标志物的发展，研究者逐渐从传统神经活动研究转向关注自主神经系统指标，尤其是心率变异性（HRV）和心肺耦合（CRC）等生理参数。CRC反映心血管与呼吸系统间的双向相互作用，为理解精神疾病状态下的自主网络动态提供了新窗口。

方法

研究纳入74名未用药受试者，分为对照组（35人）、MDD组（21人）和MDDSI组（18人）。采集静息状态下的心电图（ECG）、光电容积脉搏波（PPG）和呼吸信号，截取2分钟片段进行分析。采用群体分解算法（SwD）将各信号分解为四个振荡成分（OC1–OC4），分别对应从低频到高频的不同频带。进一步提取脉冲波幅度（PWA）、脉冲传导时间（PTT）和脉冲率（PR）等特征，并计算其与呼吸信号之间的双向（λ_bi）与单向（λ）耦合强度及相位角。采用非参数统计方法（Kruskal–Wallis检验及事后比较）分析组间差异。

结果

研究发现，OC3频带中PR的双向耦合表现出显著的组间差异（p < 0.01）。MDDSI组在OC3的PTT Higuchi分形维数显著低于MDD组和对照组（p = 0.018），提示其生理复杂性降低。OC4中PWA的高频功率在对照组与MDDSI组之间差异显著（p = 0.004）。定向耦合熵也成功区分了MDD与MDDSI（p = 0.039）。双向耦合分析显示，PR在OC3中的Shannon熵与低频规范值（LF norm）在MDDSI中显著改变，表明该频带耦合具有鉴别自杀意念的潜力。

讨论

本研究通过SwD与双向耦合算法的结合，实现了对心肺系统多尺度、频率特异性的动态监测。MDDSI表现出更明显的生理复杂度下降与耦合方向性紊乱，尤其在OC3和OC4频带。这些变化可能与自主网络调节能力减退及情绪调控功能障碍有关。相较于传统的格兰杰因果与传递熵分析，本研究提出的双向耦合指标（λ_bi）具计算效率高、可解释性强等优势，为精神疾病的生物标志挖掘提供了新思路。

局限性

本研究样本量较小，MDDSI组人数有限，且仅基于短时静息数据进行分析，未能捕捉长程动力学特征。未来需在大规模纵向样本中验证当前发现，并结合多模态数据（如脑电图和行为指标）进一步探索其临床适用性。

结论

研究表明，基于SwD和双向耦合指标的分析方法能够有效捕捉MDD与MDDSI在心肺耦合振荡模式、复杂性和熵特征方面的差异，尤其以OC3和OC4频带以及λ_bi指标鉴别能力最强。该研究为抑郁亚型的早期识别与干预提供了潜在的生理学生物标志，有助于推动数字精神病学的发展。