交叉频率耦合对利用静息态EEG信号评估抑郁严重性的影响

2024-06-17 Mon
背景介绍抑郁症，尤其是主要抑郁障碍（Major Depressive Disorder，简称MDD），是一种广泛而致残的心理疾病，常被形容为“心理感冒”。许多患有MDD的人会经历持续的悲伤、无望感、认知障碍和对日常活动的失去动机等症状，严重影响个人和社会生活。在全球范围内，抑郁症的影响极其严重，超过3.4亿人受到不同程度的抑郁症的困扰。此外，新冠疫情及其防控措施，如社交隔离和悲伤情绪等，更是加剧了抑郁症的普遍性。据预测，到2030年，抑郁症将成为导致残疾的首要原因，超过心血管疾病，而每年由抑郁症导致的死亡人数预计将达到一百万。鉴于其高患病率、高致残率、高死亡率和高复发率，及时发现和干预抑郁症尤为重要。
传统上，抑郁严重程度的评估依赖于临床评估和面试，如Beck抑郁量表（BDI-II）和汉密尔顿抑郁量表（HAM-D）。这些评估方法的准确性依赖于评估医生的临床经验和患者提供的信息的可靠性，并未借助生物标志物，这可能导致诊断错误。
在近几年，随着神经影像技术的进步，例如功能磁共振成像（fMRI）、脑电图（EEG）和磁脑图（MEG），研究者们对抑郁症的客观生物标志物产生了极大的兴趣。EEG因其成本效益高、易获取和高时间分辨率，已被越来越多地应用于抑郁症等各种神经疾病的研究中。例如，Li等人通过EEG解码阿尔茨海默氏病的潜在因素，并使用Takagi-Sugeno-Kang分类器实现了98.10%的识别准确率。
然而，现有对抑郁症的研究大多集中在单一的EEG频段，通过功率谱分析或应用功能连接性标准（如不同脑区域之间的相干性和相位锁定性）来评估某一特定脑区的复杂性。这些方法在检测不同频段之间的连接性方面的效果有限，因为大脑中的神经处理很可能依赖于不同频段之间的相互作用。这时，跨频耦合（Cross-Frequency Coupling，CFC）的概念应运而生。CFC指的是不同频段之间活动的统计相关性，它在各种认知和感知过程以及疾病状态的研究中被发现具有重要意义。
来源介绍本文发表在《Biomedical Signal Processing and Control》期刊上，发表时间为2024年5月17日。文章的主要作者为Parisa Raouf、Vahid Shalchyan和Reza Rostami。Raouf和Shalchyan所属的机构是伊朗科技大学（Iran University of Science and Technology）的神经科学和神经工程研究实验室，Rostami则来自于德黑兰大学（University of Tehran）心理学和教育科学系。
研究方法和流程研究方法介绍本研究通过分析静息状态EEG信号，探讨四种CFC类型（相位振幅耦合PAC、相位相位耦合PPC、频率振幅耦合FAC和频率频率耦合FFC）在识别抑郁严重程度中的潜力。研究对象包括22名抑郁患者（12名重度抑郁，10名中度抑郁）和15名健康参与者，使用19通道EEG数据进行分析。研究首先计算了低频带（Delta、Theta1、Theta2、Alpha1、Alpha2）和高频带（Beta和Gamma1）之间的四种CFC类型，然后选取了10个显示显著差异的特征并应用于四个分类器：支持向量机（Support Vector Machine, SVM）、线性判别分析（Linear Discriminant Analysis, LDA）、K最近邻（K-nearest Neighbor, KNN）和决策树（Decision Tree, DT）。
具体流程数据采集与预处理静息状态EEG数据记录时间为7分钟，数据采集设备为201型号的Mitsar-EEG设备，电极布置基于国际标准20-10系统。记录的脑电信号频率范围为0.5到70Hz，采样频率为1000Hz。数据预处理中通过50Hz的陷波滤波器和0.5到45Hz的FIR带通滤波器有效去除了工频噪声，还应用了独立成分分析（ICA）和运动诱导伪影去除算法（MARA）插件进行伪影去除。为确保方法的一致性和减少不同记录时长带来的偏差，所有参与者的EEG信号均被处理为5分钟长度。
特征提取为了实现全面的CFC评测，本研究计算了各时间样本上的瞬时振幅、瞬时相位和瞬时频率。使用Hilbert变换计算各频段的相应参数，每个时间窗口为6秒。之后使用Kruskal-Wallis统计检验选择了显示显著差异的特征（p值<0.05）。
跨频耦合类型相位振幅耦合（PAC）：描述低频相位变化如何影响高频振幅变化。
相位相位耦合（PPC）：衡量不同振荡之间的相位同步程度。
频率振幅耦合（FAC）：描述一个频段内的频率变化如何影响另一个频段信号的振幅。
频率频率耦合（FFC）：展示一个频带内的频率变化是如何由另一个频带的频率变化引起的。
分类与验证选择10个显示显著差异的CFC特征，通过5折交叉验证评估四个分类模型的性能。使用了SVM、KNN、LDA和DT四种分类器，其中KNN的k参数设置为10，SVM采用一对一方法进行分类。
研究结果在各电极中的跨频耦合通过Kruskal-Wallis统计分析，发现O2电极在PAC和FFC指标中显示显著差异，表明右大脑半球存在较明显的功能障碍。通过分析PAC指标，发现随着抑郁严重程度的增加，PAC值逐渐增加，而健康组的FAC值较高，重度抑郁组的FAC值则较低。
在电极之间的跨频耦合在分析电极间多个频段之间的CFC时，发现FFC指标在所有计算中显示出最显著的统计差异，而计算FFC特征中的主要对角线上的相关值显示完全相关。特别是右侧颞叶中Theta1-Gamma1带之间的PPC在严重抑郁组中的影响最大。
研究结论与意义本研究通过分析EEG信号中不同频段之间的CFC特征，揭示了抑郁程度与这些特征之间的显著关联。在提取的各特征中，最大PPC被发现对抑郁症严重程度的分类具有最高的精度，达到了91.43%。这表明跨频耦合方法在情景干预和治疗效果评估中具有重要潜力。
此外，研究还发现，抑郁症对大脑的广泛影响尤其体现在右半球的颞叶、顶叶和枕叶区域。研究结果为临床决策和个性化治疗提供了理论依据，有助于实现更精准的抑郁严重程度评估。
研究亮点创新性方法：首次系统性研究了四种CFC类型在抑郁严重程度分类中的效果。
高分类精度：最高分类精度达91.43%，明显高于传统方法。
神经机制探讨：揭示了大脑不同区域和频段相互作用在抑郁症中的潜在机制。
通过本研究，跨频耦合分析方法在精神病学临床中评估抑郁严重程度提供了新的视角和方法，为后续研究和应用打下了坚实的基础。