《Brain‐X》：Oscillatory biomarkers for differentiating between unipolar depression and bipolar disorder using resting-state electroencephalography
编辑推荐：
本文系统综述了利用静息态脑电图（rsEEG）鉴别单相抑郁（UD）与双相障碍（BD）的最新进展。文章指出，尽管两者临床症状高度重叠，但在神经生理学层面存在显著差异。综述从多维角度（包括频谱功率、功能连接、非线性动力学、机器学习及动物模型）系统梳理了关键鉴别特征，如单相抑郁特有的额叶α波不对称性（FAA）减弱、双相障碍特有的前额叶θ波功率升高、以及两者在α子频带空间分布上的差异。文章强调，整合多维特征的机器学习模型已展现出高精度的分类能力，但当前研究仍面临方法学异质性、样本量小、模型泛化性差等挑战。最后，文章提出了未来研究应聚焦于标准化多中心研究、纵向队列设计及可解释人工智能框架的开发，以推动rsEEG生物标志物向临床转化。
引言：临床诊断的困境与脑电图的机遇
单相抑郁（UD）与双相障碍（BD）是两种常见的心境障碍，它们在抑郁发作期具有高度重叠的临床症状，这给临床诊断带来了巨大挑战。据统计，超过60%的单相抑郁患者在病程中会出现轻躁狂症状，而40%至69%的双相障碍患者在抑郁发作期会被误诊为单相抑郁。这种误诊不仅导致患者平均延迟6至8年才获得准确诊断，还因不恰当的治疗方案（如双相障碍患者单用抗抑郁药）而增加治疗成本与风险。
静息态脑电图（rsEEG）因其非侵入性、高时间分辨率、操作简便及成本效益高等优势，成为开发客观生物标志物的理想工具。它能够捕捉到大脑在静息状态下自发的神经电活动，为揭示单相抑郁与双相障碍背后不同的神经生理机制提供了独特视角。本综述旨在系统梳理利用rsEEG鉴别这两种疾病的神经电生理特征，为精准诊断提供科学依据。
频谱功率特征：单相抑郁与双相障碍的“神经指纹”
频谱分析是rsEEG研究的核心，它揭示了不同频段神经振荡的功率分布，如同大脑的“神经指纹”，能够有效区分单相抑郁与双相障碍。
Delta振荡（1–4 Hz）
Delta波通常与深度睡眠和病理状态相关。研究发现，双相障碍患者表现出额叶-中央区Delta功率的升高，且双相I型（BD-I）的幅度显著高于双相II型（BD-II）。在双相障碍抑郁发作期（BD-DE），额极Delta波的激增与症状严重程度相关。相比之下，单相抑郁则表现为右枕叶Delta波优势，同时伴有额叶Delta波的增加，这可能反映了丘脑-皮层信号传导受损或情绪调节回路中的线粒体功能障碍。
Theta振荡（4–8 Hz）
Theta波是区分单相抑郁与双相障碍的关键神经生理学指标。双相障碍患者表现出前额叶Theta功率的升高，这可能反映了γ-氨基丁酸（GABA）能系统在节律产生中的失调。而单相抑郁患者则表现出中央皮层Theta活动的减少，这可能损害了情绪-认知处理的半球间整合，是单相抑郁情感失调的特征性神经基础。
Alpha振荡（8–13 Hz）
Alpha波是静息态脑电图中最显著的节律，其异常模式具有重要的鉴别意义。
- •
不对称性：额叶Alpha不对称性（FAA）减弱是单相抑郁相对稳定的标志物。根据半球效价假说，左前额叶优势促进积极情绪调节，而右侧化则主导负性情绪处理。单相抑郁患者表现出明显的FAA减弱，反映了背外侧前额叶（dlPFC）回路功能障碍，即左半球活动减退导致自上而下的情绪控制受损，同时右半球活动过度维持了负性认知偏差。这种模式在双相障碍中并不典型。
- •
功率异常：单相抑郁与双相障碍的Alpha功率模式存在差异。单相抑郁患者通常表现为前额叶Alpha功率的普遍降低，但在后颞叶区域可能出现反常性增加。而双相障碍的Alpha模式则因亚型而异，双相障碍抑郁发作期表现为左侧化减少，双相II型则表现为中额叶或顶叶的代偿性增加。
- •
Alpha子频带振荡：高Alpha频带（12–13 Hz）活动对区分单相抑郁与双相障碍具有更高的特异性。研究发现，健康对照者（HCs）表现为低Alpha（8–10 Hz）模式，双相障碍患者表现为中Alpha（10–12 Hz）模式，而单相抑郁患者则表现为高Alpha（12–13 Hz）模式。这些独特的空间分布模式是心境障碍诊断中极具前景的鉴别生物标志物。
- •
周期性Alpha功率：将Alpha振荡分解为周期性和非周期性成分，为鉴别诊断提供了新视角。单相抑郁患者的非周期性指数显著高于双相障碍患者，而两组患者的周期性Alpha功率均低于健康对照者。单相抑郁中增强的非周期性活动可能意味着皮层兴奋-抑制（E/I）平衡的破坏，而双相障碍中减弱的周期性振荡可能与丘脑-皮层回路异常有关。
Beta振荡（13–30 Hz）
Beta波与认知控制和运动准备相关。研究发现，单相抑郁与双相障碍患者在Beta频段的功率异常存在差异。单相抑郁患者通常表现为前额叶Beta1（13–20 Hz）功率降低，而右颞叶皮层（RTC）和右内侧前额叶皮层（RMFC）的Beta2（20–30 Hz）功率增加。在睁眼状态下，单相抑郁患者普遍表现出Beta2和Beta3（25–40 Hz）频带功率的增加。相比之下，双相障碍患者，尤其是在躁狂发作期（BD-ME），表现出枕叶Beta功率的增加，这可能是对Alpha缺陷的代偿。
Gamma振荡（>30 Hz）
Gamma波与高级认知功能和感觉信息处理相关。研究发现，单相抑郁患者通常没有显著的Gamma波异常。而双相障碍的研究结果则存在不一致性，一些研究发现Gamma功率（特别是锁相因子，PLF）降低，与工作记忆缺陷相关；另一些研究则发现额颞叶Gamma活动增加，与症状表现相关。
功能连接：大脑网络的信息交换异常
功能连接分析揭示了大脑区域之间信息交换模式的异常，为理解单相抑郁与双相障碍的神经网络功能障碍提供了关键视角。
边缘系统网络连接
边缘系统在情绪处理中扮演着核心角色。研究发现，双相II型（BD-II）患者与单相抑郁患者在关键白质纤维束的完整性上存在差异。双相II型患者在左侧前弓状束表现出显著降低的分数各向异性（FA）和显著升高的径向扩散率（RD），而单相抑郁患者则在右弓状束、下额枕束和锥体束交汇区域表现出较低的FA和较高的RD。这些白质微结构差异反映了两种疾病不同的病理生理特征和代偿机制。
Alpha相干性
Alpha频带相干性模式包含了重要的遗传和发育维度信息。研究发现，单相抑郁的遗传风险与成年女性中央区和成年男性颞区的高Alpha相干性显著相关；而双相障碍的遗传风险则与青春期女性额中央区和青春期男性中央顶叶区的高Alpha相干性相关。这些发现表明，特定脑区的Alpha相干性模式可能作为反映遗传易感性的内表型，为早期疾病风险识别和鉴别提供了潜在线索。
Alpha频带相位同步性
- •
自发相位变异性：研究发现，单相抑郁和双相障碍患者均表现出额叶Alpha相位变异性降低。但单相抑郁患者独特地表现出中央-顶叶Alpha相位变异性降低，同时伴有相位周期延迟的增加。变异系数（CV）分析显示，健康对照者表现出最高的中央-顶叶Alpha CV，单相抑郁患者最低，双相障碍患者处于中间值。这表明单相抑郁可能涉及更具体、更广泛的皮层信息处理时间精度的损害。
- •
滞后-领先比：研究发现，健康对照者表现出显著高于单相抑郁患者的中央-顶叶Alpha滞后-领先比，而双相障碍患者与健康对照者无统计学差异。这表明中央-顶叶Alpha相位动力学减弱（表现为较低的滞后-领先比）可能是单相抑郁皮层网络信息传递效率受损的相对特异性生物标志物。
默认模式网络（DMN）连接
默认模式网络在自我参照思维和反刍思维中起着关键作用。研究发现，单相抑郁患者表现出后扣带回皮层（PCC）与腹内侧前额叶皮层（vmPFC）之间连接增强，这与负性自我参照思维和反刍思维相关。而双相I型（BD-I）患者则表现出DMN子系统内部连接增强，包括PCC-背内侧前额叶皮层（dmPFC）和dmPFC-内侧颞叶（MTL）子系统，且与反刍思维的各个成分显著相关。这些差异特征为理解单相抑郁与双相障碍在自我参照思维和反刍思维等核心病理机制上的异同提供了重要基础。
非线性动力学特征：复杂系统的动态变化
非线性动力学分析能够捕捉大脑复杂系统的动态变化，为鉴别诊断提供了新的维度。
微状态拓扑与转换模式
脑电图微状态分析通过识别全局电场准稳定的地形图，为研究大规模脑网络动力学提供了框架。
- •
亚型特异性脑电图地形图：研究发现，区分双相障碍躁狂发作期（BD-ME）与健康对照者的微状态地形特征主要定位于右顶叶、额叶和枕叶皮层。而区分伴有精神病性特征的单相抑郁与健康对照者的微状态特征则更频繁地涉及左背外侧前额叶（dlPFC）和楔前叶等脑区。这些差异反映了两种疾病在特定脑区活动模式上的特异性。
- •
状态转换动力学：研究发现，双相障碍患者的微状态B持续时间显著缩短，而从微状态B向微状态C和D转换的概率显著增加。考虑到微状态B与视觉网络相关，微状态C和D分别与默认模式网络和注意网络相关，这种异常的转换模式可能意味着以右后侧皮层为中心的网络与涉及自我参照处理和注意调节的网络之间协调机制的破坏。
高Beta频带网络拓扑属性
网络神经科学揭示了情感障碍中高Beta（18–30 Hz）频带的重组。研究发现，与健康对照者相比，单相抑郁和双相障碍患者均表现出聚类系数（CC）升高和最短路径长度（PL）缩短，这表明存在神经权衡，即在局部模块过度连接的同时，全局整合功能受损。值得注意的是，与单相抑郁仅在右楔前叶观察到改变相比，双相障碍患者在右楔前叶、左脑岛和双侧中央枢纽表现出更广泛的聚类系数增加。这种分布式的过度连接模式可能是双相障碍特征性皮层-纹状体回路失调的基础。
熵分析
熵分析用于衡量信号复杂度。研究发现，在单相抑郁患者中，相位传递熵表明信息流方向的复杂性增加。而双相障碍患者，特别是双相I型（BD-I），在额叶和中央区域的中等尺度因子下表现出更高的多尺度熵（MSE）值，且与杨氏躁狂评定量表（YMRS）评分呈正相关。这些发现反映了双相障碍静息状态下神经信号复杂性的增加，与观察到的神经生理学变异性增加一致。
小世界网络属性
小世界网络属性反映了大脑网络在局部专业化与全局整合之间的平衡。研究发现，双相障碍患者的小世界网络属性与抑郁评分显著相关，提示神经同步受损和静息态功能连接中断。相比之下，单相抑郁患者的大脑功能网络显示出随机化趋势，小世界特征减弱。
临床诊断试验与机器学习
机器学习是整合多维rsEEG特征、构建高精度鉴别诊断模型的有力工具，是推动rsEEG生物标志物向临床转化的核心驱动力。
诊断模型性能评估
机器学习在精神科诊断中的应用，通过rsEEG分析彻底改变了心境障碍的鉴别方式。多项里程碑式的研究展示了卓越的分类性能。例如，Liu等人（2025）利用全连接神经网络结合Beta频带特征，实现了76%的准确率（敏感性80%，特异性73%）。Jang等人则确定了Theta和低Alpha频带作为单相抑郁向双相障碍转化的潜在标志物，准确率达到80.88%。Ravan等人（2024）利用深度学习模型达到了前所未有的93.99%的准确率。这些进展共同展示了机器学习在解码复杂rsEEG模式方面优于临床判断的卓越能力。
挑战与转化应用策略
当前基于rsEEG的机器学习模型面临几个关键挑战。首先，数据异质性，源于采集设备、参数设置和预处理流程的差异，显著影响了特征的可重复性和模型的泛化能力。其次，现有研究多为横断面研究，缺乏对疾病不同阶段rsEEG动态变化的队列研究，难以识别稳定的内表型、状态标志物和预测性生物标志物。此外，大多数研究依赖小样本、单中心数据，导致模型对独立样本、多中心数据和不同人群的泛化能力普遍不足，外部验证薄弱。最后，复杂的机器学习模型往往难以解释，降低了临床信任度和接受度。
未来的研究应聚焦于增强方法学的严谨性和转化影响力。这需要促进国际多中心合作，建立统一的rsEEG数据采集、预处理和分析标准，并确保创建大规模、高质量、标准化、共享的数据库。同时，应开展大型前瞻性队列研究，纵向追踪患者的rsEEG动态、临床表现和治疗反应，以解析不同疾病阶段的生物标志物并准确评估其预测价值。此外，应开发和运用可解释人工智能（XAI）技术，以揭示模型决策背后的关键特征和脑区，增强模型透明度和临床可信度。
动物模型证据
动物模型为rsEEG发现的神经生物学机制提供了关键验证。研究发现，易感单相抑郁的大鼠模型表现出Beta2主峰频率降低，这一特征在应激后持续存在，提示其可能作为稳定的内在内表型和易感性标志物。在双相障碍模型中，小鼠前额叶皮层表现出高Gamma功率异常，与双相障碍患者一致，同时伴有谷氨酸能信号（Grin2a）和突触锚定蛋白（Akap11）的失调。这些发现不仅为特定振荡模式提供了强有力的病理生理学基础支持，也为理解疾病机制和开发靶向神经调控或药物治疗的新靶点指明了方向。
未来展望与结论
未来研究需要在以下几个方向取得突破：推进大规模、多中心、标准化的研究，建立国际协作网络，采用统一的大样本rsEEG数据采集、预处理和分析标准，以解决异质性问题并增强统计效力。开展前瞻性、多时间点的队列研究，重点关注首发、未用药患者，描绘rsEEG特征在不同疾病阶段、亚型和治疗反应轨迹上的动态演变，以识别稳定的内在内表型、状态标志物和预测性生物标志物。整合多维rsEEG特征和临床信息，利用机器学习技术，优先开发可解释模型，以阐明关键鉴别特征及其生物学意义，从而提升临床可信度。结合遗传学和表观遗传学数据，阐明已识别rsEEG特征差异的分子基础。改进动物模型研究，利用光遗传学和电生理学验证特定振荡异常的因果关系及其潜在的神经回路和分子机制，为靶向干预提供新思路。
总之，rsEEG在揭示单相抑郁与双相障碍之间的神经电生理特征差异方面展现出巨大潜力，为克服基于症状的诊断局限性提供了一条重要途径。尽管当前研究在频谱功率、功能连接、非线性动力学、机器学习应用和动物模型证据等多个维度揭示了具有诊断意义的差异，但仍面临方法学异质性、高质量纵向数据缺乏、样本量不足、模型泛化性差以及临床转化障碍等挑战。未来的研究应致力于标准化、纵向设计和可解释人工智能框架的开发，以推动这些神经电生理学发现转化为切实的临床辅助工具。
