重度抑郁障碍患者神经血管耦合的差异:来自同步静息态EEG-fNIRS的证据
《Journal of Affective Disorders》:Differences in neurovascular coupling in patients with major depressive disorder: Evidence from simultaneous resting-state EEG-fNIRS
【字体:
大
中
小
】
时间:2026年10月16日
来源:Journal of Affective Disorders 5.7
编辑推荐:
•首次将同步脑电图-功能近红外光谱(EEG-fNIRS)静息态监测应用于探索重度抑郁障碍(MDD)中的神经血管耦合(NVC)。
•揭示了维持期MDD患者中NVC强度升高以及年龄因素的作用,提示恢复期可能存在神经-血管修复。
•我们提出delta mNVC_T作为一种新型生物标
•首次将同步脑电图-功能近红外光谱(EEG-fNIRS)静息态监测应用于探索重度抑郁障碍(MDD)中的神经血管耦合(NVC)。
•揭示了维持期MDD患者中NVC强度升高以及年龄因素的作用,提示恢复期可能存在神经-血管修复。
•我们提出delta mNVC_T作为一种新型生物标志物,不仅可用于识别当前临床状态,还可作为疾病进展的潜在调节因素。未来纵向研究对于验证delta mNVC_T是否能够可靠预测MDD患者临床恶化或恢复的轨迹至关重要。
•展示了实用的即插即用多模态设置,支持未来在精神科临床环境中的可扩展应用。
引言
重度抑郁障碍(MDD)作为典型的情感障碍,目前全球受其影响的人群超过2.8亿,构成了亟需重视的重大公共卫生挑战(Evans-Lacko等,2017)。过去几十年中,MDD的诊断已从单纯依赖行为评估和自评量表,发展为纳入客观的神经生理学和生物学测量指标。这些指标包括:反映神经电活动的脑电图(EEG)、反映血氧水平依赖(BOLD)信号的功能磁共振成像(fMRI)、同样可捕捉脑血流动力学变化的功能近红外光谱(fNIRS)、监测外周神经系统活动的可穿戴设备,以及基因测序技术。
例如,基于EEG的研究揭示抑郁个体在alpha振荡方面存在半球不对称性,表现为左侧前额叶皮层的alpha功率低于右侧(Henriques和Davidson,1991)。此外,还观察到抑郁患者前额叶区域delta(0.5–4 Hz)和theta(4–7 Hz)活动增加(Jaworska等,2012)。与此同时,测量脑血流动力学的神经影像技术——尤其是fMRI——由于其高分辨率特性而提供了宝贵的见解。一系列研究已证明MDD患者默认模式网络(DMN)存在过度活跃现象,特别是内侧前额叶皮层(mPFC)与后扣带回(PCC)之间异常的连接性,这被认为与反刍思维有关(Greicius等,2007;Pizzagalli和Roberts,2022)。在fNIRS研究中也有类似的观察结果(Chao等,2021),这些发现共同表明,神经生理学和血流动力学信号均能有效区分MDD患者与健康对照组。
为了更全面地描述MDD中的变化,一些研究探索了多模态监测策略,例如时间分离的EEG和fMRI采集(Williams等,2011),或不同模态的同时采集(如EEG与ECG、EEG与眼动追踪)(Williams等,2011;Zheng等,2018)。这些努力旨在揭示模态间关系以提升诊断精度。然而,多模态中枢神经系统数据采集较为困难,主要受制于去噪方面的技术挑战。例如,EEG-fMRI系统需要使用磁共振兼容设备,并面临伪影校正和信号对齐等方面的困难,从而限制了其临床可扩展性(Warbrick,2022)。
然而,某些神经机制只有通过多模态测量才能阐明。神经血管耦合(NVC)即为其中之一——该过程是指局部神经元激活导致能量消耗增加、氧气需求上升、血管扩张、脑血流量(CBF)增加以及氧合血红蛋白浓度升高(Phillips等,2016)。既往研究表明,在执行oddball任务期间,血流动力学反应通常滞后于神经反应(如P300)约1–2秒,并在刺激后约4–6秒达到峰值(Kennan等,2002)。NVC反应的潜伏期和形态反映了血管弹性,可受衰老、神经退行性变疾病以及作用于平滑肌细胞的血管扩张药物等因素影响(Phillips等,2016;Tarantini等,2017)。尽管NVC在神经退行性疾病领域已有广泛研究,但其在MDD等精神障碍中的相关性仍 largely未被探索。一项利用EEG-fMRI的研究调查了晚发性MDD中与抑制功能相关的NVC差异(Bondi等,2025)。除此之外,相关研究总体上仍相对有限。然而,抑郁个体中已观察到功能和结构性的脑改变(Banasr等,2021;Zhang等,2018),这提示NVC的改变可能作为疾病从功能性异常向结构性异常进展的潜在生物标志物。借鉴神经退行性疾病研究的经验,在MDD中评估NVC或许能为理解神经活动如何驱动血管适应性变化提供有价值的信息。此外,这也引发了一个问题:在严重精神疾病的预后和恢复规划中是否应将血管弹性纳入考量。
本研究开发了一套即插即用的EEG-fNIRS系统,能够同步记录前额叶皮层(PFC)的静息态脑活动,以评估不同病程阶段的MDD患者的神经血管耦合(NVC)。为了专门聚焦于与MDD相关的NVC现象——该现象靶向于前额叶皮层——在光电极数量有限的情况下,所有可用的fNIRS光源和探测器均被系统性地集中布置在该区域。为了表征衰老对NVC的影响并将年龄相关效应与疾病相关改变区分开来,我们将健康对照组进行了分组,并根据MDD患者的年龄分布进行了额外的受试者招募以进行深入分析。
EEG用于捕捉与神经激活相关的静息态电生理活动,而fNIRS则测量相应的血流动力学反应。这种方法减少了对传统任务范式(如oddball任务)的依赖,后者假设个体间的诱发反应相对均匀(Bondi等,2025;Kennan等,2002)。取而代之的是,它能够在静息态条件下实时监测每位参与者的内在神经活动及其相关的血管反应。
本研究首次通过可穿戴设备,与不同严重程度患者和健康对照相比,探讨MDD患者静息态的神经血管基础。我们旨在调查神经血管耦合中时间窗特征的动态变化。我们假设与静息态瞬时神经活动调节相关的脑区中,MDD患者的血流动力学反应模式将与健康对照组相比出现异常。这些变化预期将突出MDD与健康对照之间个人状态神经机制的共性与差异,从而推进我们对抑郁相关功能障碍的理解。
本研究共招募了206名参与者,包括134名MDD患者和72名健康对照。
所有患者均符合《精神障碍诊断与统计手册》第五版(DSM-5)中重度抑郁障碍(MDD)的诊断标准,且至少处于急性期、维持期或稳定期(基于ICD-10)。这意味着研究排除了那些有抑郁病史但在入组时已达到完全临床缓解的参与者。健康对照组经筛选排除了任何神经或精神疾病史者。
为了更好地区分患者的严重程度等级,我们根据HAMD抑郁量表评分是否大于16将患者分为两组。表1显示,分层后患者组之间的平均年龄存在差异,这引导我们以更有针对性的方式招募额外的健康对照。
(见图1、图2。)
每位参与者经历了一系列静息态记录:2分钟睁眼,随后2分钟闭眼。该序列随后重复以完成两个完整周期(睁眼–闭眼–睁眼–闭眼),以确保充分的放松和生理状态稳定。参与者被指示按按钮进入每个后续阶段,并会在每次闭眼间隔结束时收到听觉提示。需要注意的是,部分参与者在休息间隔期间为其他实验执行了额外的任务范式(Yan等,2026)。
整个实验耗时约25–50分钟。本研究经清华大学医学伦理审查委员会(批准号:THU01–20240104)和北京回龙观医院医学伦理审查委员会(批准号:2024–106-research,2026–10-research)批准。所有参与者在实验开始前均签署了知情同意书。
EEG信号使用无线脑电采集系统(NeuSen.W32,Neuracle,中国)以1000 Hz的采样率记录。按照国际10-20系统放置32个盐水海绵电极,整个实验过程中电极阻抗保持在30 kΩ以下,以确保可接受的信号采集质量。
fNIRS信号同时使用无线近红外光谱系统(NirSmart,丹阳汇创医疗设备公司,中国)以11 Hz的采样率记录。共51个通道,由16个光源和20个探测器组成,布置于前额叶和颞叶皮层。这些区域被专门选中是因为它们与MDD个体的异常认知处理有着明确的关联(Zhu等,2017)。
为确保EEG海绵电极和fNIRS光电极与头皮之间的可靠接触,我们重新设计了fNIRS光电极的固定机构。利用3D打印制作了定制夹具(图中的白色夹子),以增强设备在记录过程中的稳定性和信号质量。这种模块化和便携的设计不仅减少了设置时间、提高了用户舒适度,还为未来涉及EEG和fNIRS同步测量的多模态神经影像研究提供了可扩展的实际解决方案。
EEG预处理流程使用EEGLAB工具箱(2024.2.1版)实现。首先进行频谱分析(0-60 Hz范围),目视检查原始信号,特别关注T7/T8通道中类似先前在A1/A2通道中观察到的伪影的50 Hz线噪声。
随后在执行包括滤波、坏通道插值、降采样、分段和通过独立成分分析(ICA)去除运动相关及眼动伪影等标准预处理步骤之前,排除A1/A2电极。具体而言,使用EEGLAB的pop_eegfiltnew函数应用0.5–40 Hz带通滤波器。通过kurtosis_thresholding(阈值=5)进行自动坏通道检测,并将结果与手动频谱检查进行交叉验证。通过球面插值重建已识别的问题通道。
随后,使用pop_resample函数将数据重采样至250 Hz。连续数据随后被分段为对应睁眼/闭眼事件标记的扩展epoch。独立成分分析将数据分解为30个主成分。使用ICLabel分类器对成分进行分类:保留神经来源的成分(标记为"Brain"),而系统性地拒绝被分类为肌肉("Muscle")、心脏("Other")、眼动("Eye")、通道噪声("Other")或线噪声("Other")的成分。
fNIRS数据预处理使用MNE-NIRS工具箱(v0.9)完成。首先,应用基于事件的分段,在每个睁眼或闭眼条件开始后提取120秒的epoch。根据原始光强信号识别坏通道:如果其平均光强低于0.4,则该通道被标记为坏通道。与EEG预处理不同,这些坏通道被丢弃而非插值,因为fNIRS中的低质量信号通常由过多的头发遮挡引起,在坏通道之间进行插值可能会引入误导性的伪影。如果超过一半的通道被分类为坏通道,则该被试从分析中排除。在实际操作中,大量参与者在这一点被排除,可能是由于样本群体中普遍存在浓密的黑色长发以及较差的卫生状况(Holmes等,2024)。使用EEG帽式电极配置而非头带式设置可能同样会导致数据质量下降。
接下来,将原始光强数据使用mne.optical_density函数转换为光密度。应用0.05–0.7 Hz带通滤波器去除心跳和呼吸等生理噪声。随后使用时间导数分布修复(TDDR)方法,通过temporal_derivative_distribution_repair函数(Fishburn等,2019)校正时间基线漂移和尖峰伪影。最后,应用beer_lambert_law,偏振偏折系数(PPF)设为6,将光密度信号转换为血红蛋白浓度变化(HbO——氧合血红蛋白和HbR——脱氧血红蛋白)。总血红蛋白浓度(HbT,通常为HbO + HbR)用于进一步分析。
经过严格的数据预处理和质量控制后,74名参与者被保留用于NVC提取和分析。这种高流失率(约65%)主要归因于同步EEG-fNIRS记录的技术挑战。具体而言,EEG帽的存在阻碍了最佳的头皮-光电极耦合;受试者的头发经常遮挡近红外光路径,且该配置使得难以充分分开发丝以实现稳定接触,导致显著的信号丢失和随后的数据排除。这种情况在长发或烫发的女性参与者中更为明显。不同fNIRS通道的数据质量信息见图3。
参与最终NVC计算的参与者的人口学详细信息见表2。为了更好地控制健康对照组中的年龄效应,我们以28岁为界将其分为两个亚组。
这导致"健康组2"中有17名参与者——该组规模与HAMD≤16组中留存的抑郁症患者相近,且平均年龄几乎相同——而其余参与者被分配至"健康组1"。图4展示了经数据质量控制后留存的参与者与原始样本在人口学信息和HAMD评分方面的差异。与以往使用奇球范式中的偏差刺激诱发脑激活的研究不同(此类研究假设个体在Pz电极处会出现P300反应,并计算对应的血流动力学耦合峰值;Kennan等,2002;Phillips等,2016),这种方法可能会给抑郁症患者带来注意力集中的困难,尤其是对那些严重程度较高的患者。本研究自然聚焦于静息状态。它使用全局场功率(GFP)作为任务诱发激活的替代指标,计算了每个个体的特定脑域最大响应。与仅计算一次GFP不同,本研究中的GFP被定义为在给定点前后5秒滑动窗口内的最大功率时刻。对每个时段提取前5个峰值用于一致性分析。该方法避免了对外部诱发刺激注意力不集中的问题(如在奇球范式中),这在特殊人群中尤为常见,如儿童(Peisch等,2021)或重度抑郁症或认知障碍患者(Tripathi等,2015)——尤其是那些严重程度较高的患者,他们常常由于习惯化或认知负荷过重而无法关注偏差刺激(Pan等,2019)。此外,使用静息状态有助于防止持续性刺激导致局部血流动力学响应饱和,从而引起非线性增加并干扰实验观察(Kennan等,2002;Phillips等,2016)。此外,它还避免了参与者异质性可能导致某些事件相关活动在部分个体中难以检测的潜在问题。在结论层面,局部峰值响应的计算也通过增加所考虑的个体峰值数量来提高测量可靠性,这有助于平衡误差。为了使分析聚焦于NVC,EEG的GFP仅在NIRS通道覆盖的区域内进行计算。这意味着分析仅反映了前额叶皮层、额顶交界处和颞叶的激活差异。在计算GFP时排除了以下EEG通道:'Pz'、'P3'、'P4'、'P7'、'P8'、'PO3'、'PO4'、'Oz'、'O1'、'O2'。GFP使用以下公式计算:
GFPt = ∑(i=1到N) Vit ? Vˉt 2
其中N表示通道数量,Vit表示第i个通道在t时刻的振幅,Vˉt表示t时刻所有通道的平均振幅。
每个受试者的数据被分段为4个时段(两段睁眼静息状态和两段闭眼静息状态),用于计算图5所示的局部最大GFP。本研究调查了每个EEG GFP峰值后10秒窗口内总血红蛋白(HbT)信号的变化。具体来说,对于在不同时段GFP信号中检测到的每个峰值,计算EEG激活值与随后10秒HbT信号之间的Spearman相关系数。在本研究中,该相关系数被定义为神经血管耦合一致性响应系数(NVC_R)。该系数在观察窗口内的最大值被视为mNVC_R,该最大值出现的时间点被定义为mNVC_RT。此外,该值必须是一个峰值,即在时间t处的局部最大值,此时相关系数NVC_Rt严格大于NVC_Rt?1和NVC_Rt+1。由于fNIRS通道的物理位置无法与EEG电极位置完全重合,因此在计算一致性响应系数之前,需要对全脑EEG地形图进行插值。该插值允许估算fNIRS观察位置等效处的EEG激活值。对EEG数据进行插值而非对fNIRS数据进行插值,因为fNIRS的空间分辨率更高。保留fNIRS信号的空间细节有助于更准确地评估神经与血流动力学活动之间的关系。除了NVC之外,在最大响应开始时的前几秒,神经活动与血流动力学信号之间出现了明显的负相关。这种现象被认为是血流动力学活动的"初始下降"(Hu和Yacoub,2012),在本研究中被定义为:对于具有合理神经血管耦合效应(mNVCR>0)的个体,初始下降对应于NVC峰之前相关系数r<0且达到最负值(最大绝对值)的时刻。最小一致性简称为最小初始下降值(mID_R),该时刻称为最小初始下降值时间点(mID_RT)。所有统计分析均使用Python完成。对于每位参与者,首先对重复测量值(例如多个时段或记录)进行平均,以获取单个受试者水平的值,然后进行组间统计比较。每组的描述性统计量为均值±标准差(SD)。多组间差异使用单因素协方差分析(ANCOVA)评估,以年龄和性别作为协变量,以控制人口学变量的潜在混杂效应。计算F统计量及相应的p值,以评估在调整这些协变量后总体组间效应。效应量使用偏η2量化,由ANCOVA结果计算得出。当观察到显著或趋势水平组间效应(p<0.1)时,使用独立样本t检验进行事后成对比较,并使用估计边际均值(将年龄和性别控制在各自的均值)。为控制多重比较,成对检验的p值使用Benjamini–Hochberg错误发现率(FDR)方法进行校正。校正后的p值<0.05被认为具有统计学显著性。对于MDD患者组内的相关分析,在控制年龄、性别和用药状态的同时,计算NVC指标与临床症状严重度量表(HAMD、HAMA)之间的偏相关系数,从而独立于这些潜在混杂因素评估症状与NVC之间的关系。使用观察到的效应量(偏η2)和样本量对显著ANCOVA结果计算事后统计功效,alpha设为0.05。功效计算通过将观察到的F统计量转换为Cohen's f效应量来完成,公式为:
f = √(η2/(1?η2))
该方法使读者能够评估边缘显著或非显著结果反映的是统计功效不足还是确实不存在效应。
结果片段
结果:
在对EEG和fNIRS数据进行预处理后,最终纳入分析的共有17名HAMD大于16的MDD患者、18名HAMD不大于16的MDD患者、22名28岁以下的健康对照和17名28岁以上的健康对照。总体数据剔除率接近65%,主要原因是MDD参与者普遍头发较长且清洁度较差,这可能与他们的低活力有关。
讨论:
在本研究中,我们利用同步EEG-fNIRS记录来探究健康对照和不同严重程度重度抑郁症(MDD)患者前额叶皮层的神经血管耦合(NVC)。据我们所知,这是首项使用这种多模态方法来检验静息状态下与严重程度相关的NVC差异,并通过ANCOVA控制年龄和性别效应的研究。我们招募了206名参与者并记录了2分钟的静息状态
结论:
通过静息条件下同步EEG-fNIRS记录,我们提供了初步证据,表明年龄相关的神经血管耦合成熟在重度抑郁症中受到破坏,尤其是在睁眼觉醒状态下。控制年龄和性别的ANCOVA分析揭示,与年轻个体相比,年长健康个体表现出增强的NVC一致性和更大的血流动力学补充期间相关变化,但这一模式在MDD患者中有所减弱。
作者贡献声明
Feng Yan:原稿撰写、数据整理、概念化。Xiaobin Wang:审阅与编辑、原稿撰写、可视化、验证、监督、调查、形式化分析、数据整理、概念化。Yao Zhao:数据整理。Shuyi Yang:可视化、方法论。Zhiren Wang:审阅与编辑、监督、资助获取。
伦理声明
涉及人类参与者的研究获得了清华大学伦理委员会(批准号THU01–20240104)和北京回龙观医院机构医学审查委员会(批准号:2024–106-research, 2026–10-research)的批准。所有研究均按照当地立法和机构要求开展。所有参与者均提供了书面知情同意书。
利益冲突声明
作者声明不存在已知的竞争性经济利益或个人关系,这些可能影响本文所报告工作的客观性。
致谢
本研究得到了首都卫生发展科研专项(2022-2-2133, 2024-1-2131)和北京市高层次公共卫生人才培养项目(03-18)的资助。
代码可用性
所有用于数据预处理和技术验证的代码均可根据要求提供,或在项目完成时提供。
Feng Yan | Xiaobin Wang | Yao Zhao | Shuyi Yang | Zhiren Wang
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号