本站客户服务
仪表网官微
仪表APP
仪表手机版
仪表小程序
检验仪器
jyyq.ybzhan.cn仪表网旗下引言
精神疾病诊断正面临严峻挑战。重度抑郁症（Major Depressive Disorder, MDD）作为主要致残原因，其亚型——非精神病性重度抑郁症（Non-psychotic Major Depression, NPMD）与伴有幻觉、妄想等精神病性症状的精神病性重度抑郁症（Psychotic Major Depression, PMD）——在治疗方案和预后上存在显著差异。同时，PMD与精神分裂症（Schizophrenia, SCZ）因共享部分阳性症状（如幻觉），在临床上极易混淆。目前，精神疾病的诊断主要依赖医生主观访谈与症状评估，缺乏客观生物学标志物。这导致NPMD、PMD与SCZ之间存在较高的误诊率，可能引发治疗延误、预后恶化及风险增加等严重后果。因此，临床诊断迫切需要一种能够精准区分这些疾病的客观辅助工具。
文章信息
近日，中南大学湘雅二医院周建松教授和王小平教授团队利用动态脑网络技术系统探索了静息态脑电图区分不同精神疾病的可行性与关键神经标志物。研究成果发表于Molecular Psychiatry，题为《Resting-state EEG dynamic functional connectivity distinguishes non-psychotic major depression, psychotic major depression and schizophrenia》。该研究通过采集579名参与者（包括健康对照及三种疾病患者）的静息态脑电图数据，比较了动态功能连接与静态功能连接，以及不同频段（Delta、Theta、Gamma）和脑状态（State 1, State 2，State3, State 4）在四组分类中的效能。结果发现，在所有方法中，动态功能连接特征突出：基于其构建的双层随机森林分类器，在HC、NPMD、PMD和SCZ的四分类中达到了73.1%的准确率，显著优于静态功能连接方法。此外，研究还证实了State 2和State 3这两个涉及默认网络与额顶网络的动态特征，是区分疾病的关键生物标志物。这一工作不仅揭示了精神疾病在脑动态活动中的特异性模式，还为开发基于脑电图的客观辅助诊断工具，以解决临床误诊难题，展现了巨大潜力。
研究方法
本研究共纳入579名参与者，包括152名非精神病性重度抑郁症（NPMD）患者、45名精神病性重度抑郁症（PMD）患者、185名精神分裂症（SCZ）患者及197名年龄和性别匹配的健康对照（HC）。所有参与者在静息闭眼状态下，使用21导联脑电图（EEG）设备采集了5-6分钟的脑电信号，采样率为200 Hz，在线带通滤波范围为0.05-100 Hz。使用带通滤波器将脑电信号分为5个频带： delta (1–4 Hz)、theta (4–8 Hz)、alpha (8–13 Hz)、beta (13–30 Hz)、gamma (30–40 Hz) 和全频段 (1–40 Hz)。
表1. 样本的社会人口学和临床特征（N?=?579）
本研究对预处理后的脑电信号进行动态分割，采用窗长为4s，步长为1s的滑动窗口生成连续的时间片段序列。在每个窗口内，计算每个频段下的加权相位滞后指数（wPLI），构建包含 C × (C?1) /2 wPLI 值的对称动态功能连接矩阵。通过k-means聚类识别出4个代表性大脑状态，进而提取各状态的时间比例、持续时间和转换次数等动态特征参数。作为对比基准，本研究同时进行了传统的静态功能连接分析，基于整个记录时段计算时间平均的wPLI连接矩阵，提供常规的功能连接特征。研究设计了两层随机森林分类器（树数量=500），一层区分患者与健康人群，第二层在患者中鉴别三种疾病类型。通过五折交叉验证和500次重复测试，系统比较了DFC、SFC以及两者结合的分类性能。
研究结果
图1展示了delta、theta和gamma频段下的四种大脑状态空间模式，揭示了状态2出现频率更高（约 35%）但是连接更稀疏，而状态3出现频率较低（约 8%）但呈现出更强的全局互联模式。
图1. 大脑状态结果图。A各组的δ波段的特定大脑状态；B各组的θ波段的特定大脑状态；C各组γ波段的特定大脑状态HC为健康对照组，NPMD非精神病性抑郁症组，PMD精神病性重度抑郁症组，SCZ精神分裂症组
研究结果显示大脑状态识别具有高度的可重复性，当使用样本量达到70%时结果趋于稳定（图2B）；图2C的相关性分析进一步证实了跨诊断组的泛化能力，健康对照组与各疾病组在多个状态间呈现显著空间相似性（如NPMD组在状态1、2、3的r > 0.40, p < 0.01）。
图2. 诊断内和诊断间估计的不同状态的再现性的验证分析结果
图3表明动态功能连接特征在判别疾病中占据主导地位，Boruta算法筛选出的重要DFC特征数量（首层23个，二层26个）远多于静态功能连接特征（首层仅2个，二层仅6个）。
图3. DFC 特征的重要性得分.红色条表示重要特征，绿色条表示不重要特征
图4A的混淆矩阵直观显示，基于动态功能连接（DFC）的分类器在四向诊断（HC、NPMD、PMD、SCZ）中实现了 73.1% 的整体准确率，其性能显著优于静态功能连接（SFC）仅 49.3% 的准确率。图4C 的柱状图进一步表明，DFC方法在灵敏度、特异性和精确度等多个指标上均一致性地优于SFC方法。
图4. 分类结果图. 是否进行预训练对PFC激活的影响
图5的动态特性分析详细展示了组间差异模式：在delta、theta和gamma频段，患者组在状态2的参与比例和平均持续时间显著增加，而在状态3的参与度降低，这些差异均达到统计显著性（p < 0.01，FDR校正）。所有分类结果均经过500次置换检验验证，其性能显著高于随机水平（~25%, p < 0.005），证实了动态功能连接特征作为精神疾病客观生物标志物的可靠性与有效性。
图5. 大脑状态在δ、θ、γ频段的动态功能特征
结论与展望
本研究通过系统比较静态与动态脑功能连接，确立了动态功能连接在精神疾病分型诊断中的核心价值。研究发现，状态2和状态3的动态特性在患者群体中呈现规律性改变，为理解精神疾病的神经机制提供了全新视角。基于动态特征的机器学习模型实现了73.1%的准确率，显著优于传统静态方法。
这项工作不仅验证了动态脑网络作为客观生物标志物的可行性，更构建了一套从特征选择到分层诊断的完整方框架。随着便携式脑电设备与轻量化算法的发展，该研究为精神疾病诊断从主观症状描述向客观量化评估的转变奠定了坚实基础，推动精神医学迈向个性化诊疗的新阶段。
原文信息链接
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
研究团队介绍
本文作者为陈慧、雷燕琴等，其中陈慧来自中南大学湘雅二医院，雷燕琴目前在迈阿密大学就读于博士学位，李日辉来自澳门大学，Xianliang Chen , Jiali Liu , Huajia Tang, Jiawei Zhou , Ying Huang 等均来自中南大学湘雅二医院。
文章作者之一：雷燕琴
关于维拓启创
维拓启创（北京）信息技术有限公司成立于2006年，是一家专注于脑科学、康复工程、人因工程、心理学、体育科学等领域的科研解决方案供应商。公司与国内外多所大学、研究机构、企业长期保持合作关系，致力于将优质的产品、技术和服务带给各个领域的科研工作者，为用户提供有竞争力的方案和服务，协助用户的科研工作，持续提升使用体验。
相关产品
客服热线: 0571-87759942
加盟热线: 0571-87756399
媒体合作: 0571-87759945
投诉热线: 0571-87759942
下载仪表站APP
Ybzhan手机版
Ybzhan公众号
Ybzhan小程序
