EEG動態功能連接技術在精準區分抑郁癥亞型與精神分裂癥中的應用
Molecular Psychiatry|EEG 動態功能連接技術精準區分抑郁癥亞型與精神分裂癥
引言
精神疾病診斷正面臨嚴峻挑戰。重度抑郁癥（Major Depressive Disorder, MDD）作為全球主要致殘原因，其亞型——非精神病性重度抑郁癥（Non-psychotic Major Depression, NPMD）與伴有幻覺、妄想等精神病性癥狀的精神病性重度抑郁癥（Psychotic Major Depression, PMD）——在治療方案和預后上存在顯著差異。同時，PMD與精神分裂癥（Schizophrenia, SCZ）因共享部分陽性癥狀（如幻覺），在臨床上極易混淆。目前，精神疾病的診斷主要依賴醫生主觀訪談與癥狀評估，缺乏客觀生物學標志物。這導致NPMD、PMD與SCZ之間存在較高的誤診率，可能引發治療延誤、預后惡化及自殺風險增加等嚴重后果。因此，臨床診斷迫切需要一種能夠精準區分這些疾病的客觀輔助工具。
近日，中南大學湘雅二醫院周建松教授和王小平教授團隊利用動態腦網絡技術系統探索了靜息態腦電圖區分不同精神疾病的可行性與關鍵神經標志物。研究成果發表于Molecular Psychiatry，題為《Resting-state EEG dynamic functional connectivity distinguishes non-psychotic major depression, psychotic major depression and schizophrenia》。該研究通過采集579名參與者（包括健康對照及三種疾病患者）的靜息態腦電圖數據，比較了動態功能連接與靜態功能連接，以及不同頻段（Delta、Theta、Gamma）和腦狀態（State 1, State 2，State3, State 4）在四組分類中的效能。結果發現，在所有方法中，動態功能連接特征最為突出：基于其構建的雙層隨機森林分類器，在HC、NPMD、PMD和SCZ的四分類中達到了73.1%的準確率，顯著優于靜態功能連接方法。此外，研究還證實了State 2和State 3這兩個涉及默認網絡與額頂網絡的動態特征，是區分疾病的關鍵生物標志物。這一工作不僅揭示了精神疾病在腦動態活動中的特異性模式，還為開發基于腦電圖的客觀輔助診斷工具，以解決臨床誤診難題，展現了巨大潛力。
研究方法
本研究共納入579名參與者，包括152名非精神病性重度抑郁癥（NPMD）患者、45名精神病性重度抑郁癥（PMD）患者、185名精神分裂癥（SCZ）患者及197名年齡和性別匹配的健康對照（HC）。所有參與者在靜息閉眼狀態下，使用21導聯腦電圖（EEG）設備采集了5-6分鐘的腦電信號，采樣率為200 Hz，在線帶通濾波范圍為0.05-100 Hz。使用帶通濾波器將腦電信號分為5個頻帶： delta (1–4 Hz)、theta (4–8 Hz)、alpha (8–13 Hz)、beta (13–30 Hz)、gamma (30–40 Hz) 和全頻段 (1–40 Hz)。
本研究對預處理后的腦電信號進行動態分割，采用窗長為4s，步長為1s的滑動窗口生成連續的時間片段序列。在每個窗口內，計算每個頻段下的加權相位滯后指數（wPLI），構建包含 C × (C−1) /2 wPLI 值的對稱動態功能連接矩陣。通過k-means聚類識別出4個代表性大腦狀態，進而提取各狀態的時間比例、持續時間和轉換次數等動態特征參數。作為對比基準，本研究同時進行了傳統的靜態功能連接分析，基于整個記錄時段計算時間平均的wPLI連接矩陣，提供常規的功能連接特征。研究設計了兩層隨機森林分類器（樹數量=500），第一層區分患者與健康人群，第二層在患者中鑒別三種疾病類型。通過五折交叉驗證和500次重復測試，系統比較了DFC、SFC以及兩者結合的分類性能。
研究結果
圖1展示了delta、theta和gamma頻段下的四種大腦狀態空間模式，揭示了狀態2出現頻率更高（約 35%）但是連接更稀疏，而狀態3出現頻率較低（約 8%）但呈現出更強的全局互聯模式。
研究結果顯示大腦狀態識別具有高度的可重復性，當使用樣本量達到70%時結果趨于穩定（圖2B）；圖2C的相關性分析進一步證實了跨診斷組的泛化能力，健康對照組與各疾病組在多個狀態間呈現顯著空間相似性（如NPMD組在狀態1、2、3的r > 0.40, p < 0.01）。
圖3表明動態功能連接特征在判別疾病中占據主導地位，Boruta算法篩選出的重要DFC特征數量（首層23個，二層26個）遠多于靜態功能連接特征（首層僅2個，二層僅6個）。
圖4A的混淆矩陣直觀顯示，基于動態功能連接（DFC）的分類器在四向診斷（HC、NPMD、PMD、SCZ）中實現了 73.1% 的整體準確率，其性能顯著優于靜態功能連接（SFC）僅 49.3% 的準確率。圖4C 的柱狀圖進一步表明，DFC方法在靈敏度、特異性和精確度等多個指標上均一致性地優于SFC方法。
圖5的動態特性分析詳細展示了組間差異模式：在delta、theta和gamma頻段，患者組在狀態2的參與比例和平均持續時間顯著增加，而在狀態3的參與度降低，這些差異均達到統計顯著性（p < 0.01，FDR校正）。所有分類結果均經過500次置換檢驗驗證，其性能顯著高于隨機水平（~25%, p < 0.005），證實了動態功能連接特征作為精神疾病客觀生物標志物的可靠性與有效性。
圖5. 大腦狀態在δ、θ、γ頻段的動態功能特征
結論與展望
本研究通過系統比較靜態與動態腦功能連接，確立了動態功能連接在精神疾病分型診斷中的核心價值。研究發現，狀態2和狀態3的動態特性在患者群體中呈現規律性改變，為理解精神疾病的神經機制提供了全新視角。基于動態特征的機器學習模型實現了73.1%的準確率，顯著優于傳統靜態方法。
這項工作不僅驗證了動態腦網絡作為客觀生物標志物的可行性，更構建了一套從特征選擇到分層診斷的完整方法論框架。隨著便攜式腦電設備與輕量化算法的發展，該研究為精神疾病診斷從主觀癥狀描述向客觀量化評估的轉變奠定了堅實基礎，推動精神醫學邁向個性化診療的新階段。
原文信息鏈接
Chen H, Lei Y, Li R, et al. Resting-state EEG dynamic functional connectivity distinguishes non-psychotic major depression, psychotic major depression and schizophrenia[J]. Molecular Psychiatry, 2024, 29(4): 1088-1098.
DOI：10.1038/s41380-023-02395-3
研究團隊介紹
本文作者為陳慧、雷燕琴等，其中陳慧來自中南大學湘雅二醫院，雷燕琴目前在邁阿密大學就讀于博士學位，李日輝來自澳門大學，Xianliang Chen , Jiali Liu , Huajia Tang, Jiawei Zhou , Ying Huang 等均來自中南大學湘雅二醫院。
文章作者之一：雷燕琴
關于維拓啟創
維拓啟創（北京）信息技術有限公司成立于2006年，是一家專注于腦科學、康復工程、人因工程、心理學、體育科學等領域的科研解決方案供應商。公司與國內外多所大學、研究機構、企業長期保持合作關系，致力于將優質的產品、先進的技術和服務帶給各個領域的科研工作者，為用戶提供有競爭力的方案和服務，協助用戶的科研工作，持續提升使用體驗。
相關產品
引言
精神疾病診斷正面臨嚴峻挑戰。重度抑郁癥（Major Depressive Disorder, MDD）作為全球主要致殘原因，其亞型——非精神病性重度抑郁癥（Non-psychotic Major Depression, NPMD）與伴有幻覺、妄想等精神病性癥狀的精神病性重度抑郁癥（Psychotic Major Depression, PMD）——在治療方案和預后上存在顯著差異。同時，PMD與精神分裂癥（Schizophrenia, SCZ）因共享部分陽性癥狀（如幻覺），在臨床上極易混淆。目前，精神疾病的診斷主要依賴醫生主觀訪談與癥狀評估，缺乏客觀生物學標志物。這導致NPMD、PMD與SCZ之間存在較高的誤診率，可能引發治療延誤、預后惡化及自殺風險增加等嚴重后果。因此，臨床診斷迫切需要一種能夠精準區分這些疾病的客觀輔助工具。
文章信息
近日，中南大學湘雅二醫院周建松教授和王小平教授團隊利用動態腦網絡技術系統探索了靜息態腦電圖區分不同精神疾病的可行性與關鍵神經標志物。研究成果發表于Molecular Psychiatry，題為《Resting-state EEG dynamic functional connectivity distinguishes non-psychotic major depression, psychotic major depression and schizophrenia》。該研究通過采集579名參與者（包括健康對照及三種疾病患者）的靜息態腦電圖數據，比較了動態功能連接與靜態功能連接，以及不同頻段（Delta、Theta、Gamma）和腦狀態（State 1, State 2，State3, State 4）在四組分類中的效能。結果發現，在所有方法中，動態功能連接特征最為突出：基于其構建的雙層隨機森林分類器，在HC、NPMD、PMD和SCZ的四分類中達到了73.1%的準確率，顯著優于靜態功能連接方法。此外，研究還證實了State 2和State 3這兩個涉及默認網絡與額頂網絡的動態特征，是區分疾病的關鍵生物標志物。這一工作不僅揭示了精神疾病在腦動態活動中的特異性模式，還為開發基于腦電圖的客觀輔助診斷工具，以解決臨床誤診難題，展現了巨大潛力。
研究方法
本研究共納入579名參與者，包括152名非精神病性重度抑郁癥（NPMD）患者、45名精神病性重度抑郁癥（PMD）患者、185名精神分裂癥（SCZ）患者及197名年齡和性別匹配的健康對照（HC）。所有參與者在靜息閉眼狀態下，使用21導聯腦電圖（EEG）設備采集了5-6分鐘的腦電信號，采樣率為200 Hz，在線帶通濾波范圍為0.05-100 Hz。使用帶通濾波器將腦電信號分為5個頻帶： delta (1–4 Hz)、theta (4–8 Hz)、alpha (8–13 Hz)、beta (13–30 Hz)、gamma (30–40 Hz) 和全頻段 (1–40 Hz)。
表1. 樣本的社會人口學和臨床特征（N = 579）
本研究對預處理后的腦電信號進行動態分割，采用窗長為4s，步長為1s的滑動窗口生成連續的時間片段序列。在每個窗口內，計算每個頻段下的加權相位滯后指數（wPLI），構建包含 C × (C−1) /2 wPLI 值的對稱動態功能連接矩陣。通過k-means聚類識別出4個代表性大腦狀態，進而提取各狀態的時間比例、持續時間和轉換次數等動態特征參數。作為對比基準，本研究同時進行了傳統的靜態功能連接分析，基于整個記錄時段計算時間平均的wPLI連接矩陣，提供常規的功能連接特征。研究設計了兩層隨機森林分類器（樹數量=500），第一層區分患者與健康人群，第二層在患者中鑒別三種疾病類型。通過五折交叉驗證和500次重復測試，系統比較了DFC、SFC以及兩者結合的分類性能。
研究結果
圖1展示了delta、theta和gamma頻段下的四種大腦狀態空間模式，揭示了狀態2出現頻率更高（約 35%）但是連接更稀疏，而狀態3出現頻率較低（約 8%）但呈現出更強的全局互聯模式。
圖1. 大腦狀態結果圖。A各組的δ波段的特定大腦狀態；B各組的θ波段的特定大腦狀態；C各組γ波段的特定大腦狀態HC為健康對照組，NPMD非精神病性抑郁癥組，PMD精神病性重度抑郁癥組，SCZ精神分裂癥組
研究結果顯示大腦狀態識別具有高度的可重復性，當使用樣本量達到70%時結果趨于穩定（圖2B）；圖2C的相關性分析進一步證實了跨診斷組的泛化能力，健康對照組與各疾病組在多個狀態間呈現顯著空間相似性（如NPMD組在狀態1、2、3的r > 0.40, p < 0.01）。
圖2. 診斷內和診斷間估計的不同狀態的再現性的驗證分析結果
圖3表明動態功能連接特征在判別疾病中占據主導地位，Boruta算法篩選出的重要DFC特征數量（首層23個，二層26個）遠多于靜態功能連接特征（首層僅2個，二層僅6個）。
圖3. DFC 特征的重要性得分.紅色條表示重要特征，綠色條表示不重要特征
圖4A的混淆矩陣直觀顯示，基于動態功能連接（DFC）的分類器在四向診斷（HC、NPMD、PMD、SCZ）中實現了 73.1% 的整體準確率，其性能顯著優于靜態功能連接（SFC）僅 49.3% 的準確率。圖4C 的柱狀圖進一步表明，DFC方法在靈敏度、特異性和精確度等多個指標上均一致性地優于SFC方法。
圖4. 分類結果圖. 是否進行預訓練對PFC激活的影響
圖5的動態特性分析詳細展示了組間差異模式：在delta、theta和gamma頻段，患者組在狀態2的參與比例和平均持續時間顯著增加，而在狀態3的參與度降低，這些差異均達到統計顯著性（p < 0.01，FDR校正）。所有分類結果均經過500次置換檢驗驗證，其性能顯著高于隨機水平（~25%, p < 0.005），證實了動態功能連接特征作為精神疾病客觀生物標志物的可靠性與有效性。
圖5. 大腦狀態在δ、θ、γ頻段的動態功能特征
結論與展望
本研究通過系統比較靜態與動態腦功能連接，確立了動態功能連接在精神疾病分型診斷中的核心價值。研究發現，狀態2和狀態3的動態特性在患者群體中呈現規律性改變，為理解精神疾病的神經機制提供了全新視角。基于動態特征的機器學習模型實現了73.1%的準確率，顯著優于傳統靜態方法。
這項工作不僅驗證了動態腦網絡作為客觀生物標志物的可行性，更構建了一套從特征選擇到分層診斷的完整方法論框架。隨著便攜式腦電設備與輕量化算法的發展，該研究為精神疾病診斷從主觀癥狀描述向客觀量化評估的轉變奠定了堅實基礎，推動精神醫學邁向個性化診療的新階段。
原文信息鏈接
Chen H, Lei Y, Li R, et al. Resting-state EEG dynamic functional connectivity distinguishes non-psychotic major depression, psychotic major depression and schizophrenia[J]. Molecular Psychiatry, 2024, 29(4): 1088-1098.
DOI：10.1038/s41380-023-02395-3
研究團隊介紹
本文作者為陳慧、雷燕琴等，其中陳慧來自中南大學湘雅二醫院，雷燕琴目前在邁阿密大學就讀于博士學位，李日輝來自澳門大學，Xianliang Chen , Jiali Liu , Huajia Tang, Jiawei Zhou , Ying Huang 等均來自中南大學湘雅二醫院。
文章作者之一：雷燕琴
關于維拓啟創
維拓啟創（北京）信息技術有限公司成立于2006年，是一家專注于腦科學、康復工程、人因工程、心理學、體育科學等領域的科研解決方案供應商。公司與國內外多所大學、研究機構、企業長期保持合作關系，致力于將優質的產品、先進的技術和服務帶給各個領域的科研工作者，為用戶提供有競爭力的方案和服務，協助用戶的科研工作，持續提升使用體驗。
相關產品
Copyright(C) 1998-2025 生物器材網 電話：021-64166852;13621656896 E-mail：info@bio-equip.com