基于静息态EEG功能连接的多频段脑功能网络框架用于重度抑郁症识别

《Frontiers in Human Neuroscience》：A brain functional network framework based on EEG connectivity for major depressive disorder recognition

　　

： 引言： 当大脑被视为一个复杂的动态系统时，其异常往往表现为整体网络的重新组织。基于脑电图（EEG）单通道特征的传统重度抑郁症（MDD）分析主要关注信号变化，而忽略了区域间的功能连接和网络拓扑结构。因此，揭示系统性的异常机制面临挑战。 方法： 为解决这一问题，本研究构建了一个基于静息态EEG的多频段脑功能网络（BFN）构建与识别框架。分别采用相位锁定值（PLV）和皮尔逊相关系数（PCC）来表征相位同步和幅度相关性。研究人员从连接模式和节点拓扑两个层面系统评估了MDD中异常的BFN。 结果： 结果表明，MDD患者在低频段的左额叶、中央和顶叶区域表现出增强的连接性。在中频段，观察到额-中央连接增强和后部连接减弱。在高频段，连接模式表现为额-颞和中央-颞连接增强，同时后部区域连接减弱。在节点层面，最显著的改变集中在顶叶区域，尤其是在α频段，在PLV和PCC网络中均一致地识别到介数中心性（BC）的改变。在此基础上，采用支持向量机（SVM）分类器评估PLV-Edge、PCC-Edge、PLV-Node和PCC-Node四类特征对MDD识别的判别能力。在四类特征中，PLV-Node特征取得了最高的平均分类平衡准确率81.44%，PCC-Node特征的平均平衡准确率为79.14%。 讨论： 四类特征均展现出区分MDD患者与健康对照（HCs）的判别潜力。这些发现表明，基于功能连接的脑网络特征可能为MDD的辅助识别提供有意义的信息。

论文解读文章

一、研究背景与意义

重度抑郁症（MDD）是一种常见且严重的精神障碍，在全球范围内呈加速蔓延趋势。世界卫生组织（WHO）披露全球约有3.5亿MDD患者，每年约有85万例自杀归因于MDD，占所有自杀事件的53.7%。鉴于MDD的高发病率和死亡率，探索其潜在的神经机制对于更有效的诊断和进一步治疗至关重要。

目前，基于问卷的评估是临床诊断抑郁症最常见的方法。然而，这种方法严重依赖患者的主诉和临床医生的经验，难以建立客观、精确、可量化的诊断标准。神经影像技术的发展，如脑电图（EEG）、脑磁图（MEG）和功能磁共振成像（fMRI），为此提供了新思路。其中，EEG因其易于获取、高时间分辨率和低成本而被广泛应用于研究抑郁症的病理机制和开发诊断模型。

在传统的基于EEG的MDD研究中，研究人员主要提取时域和频域特征来探索异常。例如，整合时域和频域信息以提高分类性能，利用频带功率和跨脑区半球不对称性等频域特征。然而，这些方法依赖于源自单个或多个EEG通道的特征，未能将大脑视为一个整合的动态系统，存在固有的局限性。

随着图论的普及，脑功能网络（BFN）的构建和分析出现了新方法。通过图论拓扑指标的定量分析，可以有效描述BFN的特征。大量研究表明MDD与异常BFN结构相关。基于图论的BFN分析能够表征MDD的病理特征，为阐明神经病理机制和探索潜在生物标志物提供理论基础。

二、研究内容与结论

针对上述问题，本研究构建了一个基于静息态EEG的多频段BFN构建与识别框架。研究使用了公开可用的多模态精神障碍分析开放数据集（MODMA）中的128通道静息态EEG子集，包含24名MDD患者和29名健康对照（HCs）。所有MDD患者均来自兰州大学第二医院精神科门诊，由精神科医生依据DSM-IV诊断标准进行临床诊断，并通过结构化Mini-国际神经精神访谈（MINI）进一步评估。MDD患者在实验前2周内未接受精神药物治疗，PHQ-9评分≥5。HCs通过海报招募，严格排除任何精神障碍诊断、个人或家族精神病史以及抑郁相关临床症状。

研究采用相位锁定值（PLV）和皮尔逊相关系数（PCC）分别表征相位同步和幅度相关性，构建多频段（δ、θ、α、β、γ）BFN。网络阈值采用稀疏度S=0.24，该值在满足小世界准则（σ>1）的前提下选择了相对较低的网络密度。研究人员计算了三个节点指标：介数中心性（BC）、局部效率（E_loc）和聚类系数（CC），并使用Wilcoxon秩和检验评估组间差异，采用Benjamini-Hochberg错误发现率（BH-FDR）校正进行多重比较校正。最后，采用支持向量机（SVM）分类器评估四类特征（PLV-Edge、PCC-Edge、PLV-Node、PCC-Node）对MDD识别的判别能力。

三、研究结果

4.1 显著连接边

研究人员对所有成对电极连接进行了边级Wilcoxon秩和检验，并在每个频带内单独应用BH-FDR校正。基于空间拓扑分布，结果可归纳为三种模式：

低频段（δ和θ频带）：左半球连接增强。在低频段，PLV和PCC网络均显示左半球连接增强。PLV网络中δ和θ频带的增强连接主要分布在左额叶、中央和顶叶区域；θ频带中额叶、顶叶和颞叶之间观察到更强的连接。PCC网络表现出更广泛的连接分布，不仅在左额-顶叶区域观察到增强的相关性，还在若干长程后部连接中观察到增强。总体而言，低频网络以左额-顶叶连接增强和长程连接增强为特征。

中频段（α和β频带）：额-中央连接增强和后部连接减弱。在α和β频带中，PLV和PCC网络均反映MDD组中涉及额叶和中央区域的连接增强，同时后部区域连接减弱。PLV网络中α频带显示主要涉及额叶和中央区域的增强连接，并有向颞叶延伸的连接；β频带中增强连接主要分布在额叶和中央区域，而减弱连接在顶叶和枕叶区域更为明显。

高频段（γ频带）：额-颞和中央-颞连接增强，后部连接减弱。

4.2 节点指标

在节点层面，最显著的改变集中在顶叶区域，尤其是在α频带。PLV网络中α频带顶叶区域BC显著降低（Cohen's d=-0.969, p=0.0035），PCC网络中α频带顶叶区域BC也显著降低（Cohen's d=-0.826, p=0.0059）。此外，PCC网络中α频带顶叶区域的E_loc（Cohen's d=0.663, p=0.0374）和CC（Cohen's d=0.746, p=0.0036）均显著升高。在β频带，PCC网络顶叶区域BC显著降低（Cohen's d=-0.663, p=0.0428）。这些节点指标的改变在邻近稀疏度水平（S=0.22至0.26）上保持了较为一致的组间差异方向和效应量，表明结果对网络稀疏度的微小变化具有合理的稳定性。

4.3 分类结果

四类特征均展现出区分MDD患者与HCs的判别潜力。其中，PLV-Node特征取得了最高的平均分类平衡准确率81.44%，PCC-Node特征的平均平衡准确率为79.14%。

四、讨论与结论

讨论部分指出，四类特征均展现出区分MDD患者与HCs的判别潜力。这些发现表明，基于功能连接的脑网络特征可能为MDD的辅助识别提供有意义的信息。研究从连接模式和节点拓扑两个层面系统评估了MDD中异常的BFN，揭示了不同频段下MDD患者脑功能连接的异常模式，特别是顶叶区域在α频带的显著改变。研究结论认为，功能连接-based脑网络特征可能为MDD的辅助识别提供有价值的信息，为理解抑郁症的神经病理机制提供了新的视角。