基于跨频耦合（CFC）与图论的重度抑郁障碍（MDD）脑电多层级分类研究及其生物标志物探索

　　本综述系统探讨了利用静息态脑电（EEG）信号，结合跨频耦合（CFC）方法与图论分析，对重度抑郁障碍（MDD）进行多层级严重程度分类的创新研究。研究揭示了抑郁对全脑网络拓扑结构（尤其是额叶与枕叶）的显著影响，并通过支持向量机（SVM）实现了94.25%的高分类准确率，为MDD的客观诊断提供了潜在EEG生物标志物。

　　

Highlight

本研究首次整合跨频耦合（CFC）与图论分析方法，基于静息态脑电（EEG）信号对重度抑郁障碍（MDD）患者进行多层级严重程度分类。研究发现抑郁显著影响全脑皮层活动，尤其在额叶与枕叶区域；通过支持向量机（SVM）分类器，利用低频α与低频γ波段间的CFC特征，实现了94.25%的分类准确率。

Method

研究流程如图1所示，具体步骤如下：首先采集37名受试者（健康15人、中度抑郁10人、重度抑郁12人）的静息态EEG信号，计算4类CFC指标（包括相位-振幅耦合PAC、相位-相位耦合PPC、频率-振幅耦合FAC、频率-频率耦合FFC），并基于Pearson相关系数构建19×19邻接矩阵。随后通过阈值化与二值化处理，提取图论指标（如度中心性、K核中心性），最后采用Kruskal-Wallis检验与Fisher评分进行特征筛选与分类。

Adjacency matrix results

所有CFC指标均在6秒时间窗内计算Pearson相关系数，并跨窗平均。每个受试者每类频率耦合（共11种组合）均得到一个19×19矩阵。图3展示了三组受试者在α1-γ1波段FFC指标下的邻接矩阵对比。

Statistical analysis results

二值化图论指标显示，度中心性与K核中心性在几乎所有脑区均存在组间显著性差异（p<0.05），表明抑郁严重程度与脑网络拓扑结构改变密切相关。

Discussion

重度抑郁障碍（MDD）因临床表现多样且常与其他精神疾病共存，诊断与治疗面临巨大挑战。本研究通过CFC与图论结合，揭示了抑郁状态下跨频段交互与脑网络整合能力的异常，为理解MDD的神经机制提供了新视角。研究结果与既往关于前额叶-边缘系统功能紊乱的假说一致，并突出了多频段耦合分析在神经精神疾病研究中的重要性。

Conclusion

本研究证明，基于频率-频率耦合（FFC）的图论特征结合SVM分类器能有效区分MDD严重程度（准确率94.25%）。抑郁障碍对全脑网络产生广泛影响，尤其体现在前额与枕叶区的连接异常。该方法可为临床诊断提供客观的EEG生物标志物，并辅助心理量表实现更精准的MDD分层治疗。