王春方 張力新 張 希 趙 欣 綦宏志 周 鵬 萬柏坤 明 東

(天津大學(xué)精儀學(xué)院生物醫(yī)學(xué)工程系，天津 300072)

抑郁癥自發(fā)腦電信號特異性研究進展

王春方 張力新 張 希 趙 欣 綦宏志 周 鵬 萬柏坤 明 東*

(天津大學(xué)精儀學(xué)院生物醫(yī)學(xué)工程系，天津 300072)

自發(fā)腦電(EEG)信號反映了大腦皮層神經(jīng)元細胞群自發(fā)性、節(jié)律性的電生理活動，含有豐富的生理與病理信息，是臨床腦神經(jīng)與精神疾病診斷的重要依據(jù)。文中從頻域分析、非線性動力學(xué)分析和因果性、同步性、獨立成分分析等方面，綜述了抑郁患者癥自發(fā)EEG信號特異性研究進展并探討了可能發(fā)展動向。抑郁癥患者EEG信號頻域分析方法，受性別、年齡及方法本身的限制，結(jié)論差異較大。非線性動力學(xué)及其他分析方法，得到了相對可靠的特異性分析結(jié)果，且部分參數(shù)變化與抑郁癥狀的臨床變化有顯著的相關(guān)性，有望為客觀評價抗抑郁藥物治療效果提供新的檢測手段，值得進行深入研究。

抑郁癥；自發(fā)腦電；頻域；非線性

引言

抑郁癥(depression)或稱抑郁障礙(depressive disorder),是以抑郁為主要癥狀(由各種原因引起)的一組情感性心境障礙狀態(tài)，或稱一組以抑郁心境自我體驗為中心的臨床癥狀群[1-2]。據(jù)世界衛(wèi)生組織統(tǒng)計，目前全球抑郁人口多達1.2億，抑郁癥已經(jīng)成為威脅人類健康的第四大疾病[3]。到2020年，抑郁癥將位居全球疾病排行榜第二位，僅次于心臟病[4]，即成為僅次于缺血性心臟病的第二位致殘疾病。據(jù)中國心理衛(wèi)生協(xié)會的有關(guān)數(shù)據(jù)顯示：我國抑郁癥發(fā)病率約為3%-5%，目前患有抑郁癥的人數(shù)已超過2600萬，每年大約有25萬人死于自殺，自殺未遂者有200至250萬[5]。因此，我國的抑郁癥防治不容樂觀。

關(guān)于抑郁癥的發(fā)病機制，目前還沒有統(tǒng)一定論,大部分學(xué)者認為去甲腎上腺素(NE)、5-羥色胺(5-HT)等單胺類神經(jīng)遞質(zhì)水平低下，是造成抑郁癥的重要神經(jīng)生物學(xué)原因[6]；但是發(fā)表在近期《自然-神經(jīng)科學(xué)》(Nature-Neuroscience)的研究文獻發(fā)現(xiàn)，抑郁癥嚙齒類動物腦細胞之間的興奮性信號傳播異常[7]，提示抑郁癥可能是由于腦細胞彼此溝通能力失調(diào)所導(dǎo)致。腦電(electroencephalography，EEG)信號普遍認為是大腦皮層神經(jīng)細胞群電生理活動時突觸后電位的總和，無論是起神經(jīng)信息傳遞作用的化學(xué)物質(zhì)-神經(jīng)遞質(zhì)的變化，還是神經(jīng)信號傳播的改變，均會引起腦神經(jīng)電生理信號(EEG)的異常。

自發(fā)腦電(EEG)信號反映了大腦皮層神經(jīng)元細胞群自發(fā)性、節(jié)律性的電生理活動，其含有豐富的生理與病理信息，因而成為腦神經(jīng)科學(xué)的重要研究對象和臨床腦神經(jīng)與精神疾病診斷的重要檢測手段。目前，由EEG信號幅值或功率等參數(shù)繪制的腦電圖,已在癲癇、腦瘤與其他顱內(nèi)占位病變、癡呆等神經(jīng)系統(tǒng)疾病及精神分裂癥等診斷中占有重要地位[8]。抑郁癥作為一種典型的精神疾病，其自發(fā)EEG信號特征也受到很多研究者的關(guān)注，并運用頻域、非線性動力學(xué)和因果性、同步性等多種分析手段開展了有價值的研究工作。文中將從頻域分析、非線性動力學(xué)分析及其他分析方法等方面,綜述抑郁癥自發(fā)EEG信號特異性研究進展情況并探討可能發(fā)展動向。

1 頻域分析

抑郁癥自發(fā)EEG的頻域分析方法主要是功率譜估計，即把幅度隨時間變化的EEG信號,變換為EEG功率隨頻率變化的譜圖，定量分析其中δ(0.5～3 Hz)、θ(4～8 Hz)、α(8～13 Hz)、β1(13～20 Hz)、β2(20～30 Hz)等頻段節(jié)律成分的功率分布與變化規(guī)律，探討抑郁癥自發(fā)EEG信號的特異性。研究主要集中于上述各頻段節(jié)律成分的絕對功率與相對功率分布特點、大腦半球間及半球內(nèi)功率譜的不對稱性、各導(dǎo)聯(lián)EEG的相干性等3個方面。

1.1絕對功率與相對功率

通常EEG信號按國際10-20頭皮腦電導(dǎo)聯(lián)位置采集獲得，其絕對功率值(absolute power)一般采用快速傅里葉變換(fast Fourier transform, FFT)算法;各頻段的相對功率值(relative power)一般通過各頻段的絕對功率值與總功率值相除得到。

Knott等對男性抑郁癥患者及其對照組自發(fā)EEG進行了功率譜分析[9]，發(fā)現(xiàn)抑郁癥患者所有腦區(qū)β頻段的相對功率值均顯著大于正常人，且在雙側(cè)腦區(qū)的前部β頻段的絕對功率值顯著大于正常人。Pollock 等發(fā)現(xiàn)抑郁癥患者α和β頻段功率均大于正常人[10]。Yamada等對不同抑郁亞型(焦慮型和精神阻滯型)的老年抑郁癥自發(fā)EEG信號進行了研究[11]，發(fā)現(xiàn)不同抑郁亞型在EEG信號中的體現(xiàn)不同：焦慮型抑郁癥EEG信號β頻段絕對功率值大于正常人，差異顯著性腦區(qū)體現(xiàn)在額區(qū)(F3、F4)、頂區(qū)(P3、P4)及枕區(qū)(O1、O2)；精神阻滯型抑郁癥α1(8.0～10.5 Hz)頻段功率值大于正常人，而α2(10.5～13.0Hz)頻段功率值小于正常人；焦慮型抑郁癥EEG的β2(20.0～40.0Hz)頻段功率值大于精神阻滯型。Fachner等利用音樂療法發(fā)現(xiàn)，經(jīng)抗抑郁治療，患者額-顳葉EEG信號α和θ頻段絕對功率值均有明顯升高[12]。Iznak等也發(fā)現(xiàn)了一致性的結(jié)論[13]，且發(fā)現(xiàn)β頻段絕對功率值有所下降，說明隨著抑郁癥狀的緩解，EEG信號慢波節(jié)律增強，快波節(jié)律減弱。

1.2功率譜不對稱性

EEG功率譜不對稱性,是指對應(yīng)左右半球間或者半球內(nèi)部不同腦區(qū)導(dǎo)聯(lián)EEG信號各頻段功率值的差異(不對稱性)情況，該不對稱性可反映被試者不同腦區(qū)神經(jīng)電生理活動差異。已有學(xué)者對抑郁癥自發(fā)EEG信號不同頻段(主要是高頻段和低頻段)功率值的不對稱性進行了研究。Knott等分析抑郁癥患者EEG半球間及半球內(nèi)功率譜不對稱性[9]，發(fā)現(xiàn)其α頻段左右半球間功率譜不對稱性指數(shù)顯著大于正常人，提示抑郁癥患者相對于正常人左半球活動有所增強；在雙側(cè)半球內(nèi)部抑郁癥患者θ頻段功率譜不對稱性有所降低，在右半球內(nèi)部抑郁癥患者β頻段不對稱性也出現(xiàn)降低。除此之外，還有一些文獻同樣指出了抑郁癥EEG信號異于正常人的α頻段左右半球間功率譜不對稱性，尤其是額區(qū)(F3、F4)部位[14-15]，但是有研究發(fā)現(xiàn)此指標與抑郁癥的臨床表征(心理量表分值)并無顯著相關(guān)性[16]。因此，雖然抑郁癥患者表現(xiàn)出異于正常人的α頻段左右半球間功率譜不對稱性，但是否可用作生物標記評估臨床抑郁癥嚴重程度的變化還未有定論[16-18]。也有文獻得到相反的結(jié)論，即抑郁癥患者相對于正常人左前額區(qū)(FP1)腦電活動有所降低[19]。Hinrikus等對女性抑郁癥患者及其對照組EEG信號進行了半球間功率譜不對稱分析[17]，在兩組間并無發(fā)現(xiàn)顯著性差異，相似的結(jié)論也出現(xiàn)在文獻[20]中。造成不同結(jié)論的原因可能與受試者的性別、年齡段、不同臨床亞型等差異有關(guān)。

此外，有學(xué)者對EEG信號高低頻段間不對稱性進行研究[21-22]，計算了高頻段(β)和低頻段(δ、θ)功率譜的不對稱性(spectral asymmetry index，SASI)[21]。Hinrikus等研究結(jié)果顯示，抑郁癥各導(dǎo)聯(lián)EEG信號的SASI均為正值，而正常人的SASI均為負值，具有顯著性差異(P<0.005)[21],且各導(dǎo)聯(lián)SASI值與臨床問卷診斷所用Hamilton抑郁量表分值有較強的相關(guān)性(相關(guān)系數(shù)均大于0.5)，同時也與抑郁癥患者β頻段功率譜升高的特異性相一致[9,25]。Bachmann 等的研究得到了與上述一致的結(jié)論，且利用SASI極性為特征對抑郁癥患者和正常人進行檢驗，分別可以達到88%和82%的檢出率[22]。SASI值極性的改變,說明抑郁癥患者EEG高頻段和低頻段成分的平衡性遭到了破壞，暗示其中可能存在某種抑郁癥的發(fā)病機制。

1.3相干性

各導(dǎo)聯(lián)EEG相干性(coherence),是指某一頻段不同導(dǎo)聯(lián)EEG信號之間的相位一致性。Knott等進行了抑郁癥患者大腦兩半球間及半球內(nèi)EEG信號相干性分析，發(fā)現(xiàn)其半球間及半球內(nèi)各頻段相干指數(shù)普遍有所下降[9]。Jimbo等也得到了相似的結(jié)論[24]。但Hinrikus等對女性抑郁癥患者及其對照組EEG信號所做半球間相干性分析，在兩組間并無發(fā)現(xiàn)顯著性差異[21]。不同相干性分析結(jié)論可能是由于受試者性別等原因所造成。Yamada等研究發(fā)現(xiàn),抑郁癥患者在額區(qū)存在低半球間相干性，在雙側(cè)半球內(nèi)部發(fā)現(xiàn)高于正常人的額葉-頂葉相干性[11]。這與Knott等的結(jié)論不盡相同，可能與受試者年齡段及抑郁癥亞型的差異有關(guān)。

總之，抑郁癥患者與正常人EEG信號在功率譜值大小、不對稱性、信號相干性等頻域參數(shù)上存在著差別，但有關(guān)文獻顯示，以上參數(shù)在抑郁癥患者群內(nèi)部(不同臨床抑郁嚴重程度)并未表現(xiàn)出顯著的相關(guān)性[17-18,21]。且不同文獻所示結(jié)果不盡一致，有的結(jié)論甚至相反。分析其原因，一方面是由于受試者性別、年齡、不同臨床亞型之間的差異;另一方面則因基于頻域的分析方法對被處理信號的線性、平穩(wěn)性及信噪比要求較高，而EEG信號不能滿足。因此，也表明以上方法具有一定的局限性。

2 非線性動力學(xué)分析

人腦是典型的非線性系統(tǒng)，EEG信號已被證實具有非穩(wěn)態(tài)時變的非線性特性。EEG的非線性研究已受到普遍關(guān)注。為此，越來越多的研究者傾向于用非線性動力學(xué)方法分析抑郁癥自發(fā)EEG信號。其中主要使用的非線性動力學(xué)參數(shù)為：基于混沌理論的分形維數(shù)、最大利亞普諾夫(Lyapunov)指數(shù)，基于信息學(xué)研究方法的小波熵，基于復(fù)雜性測度分析的復(fù)雜度等。

2.1混沌分析

基于混沌理論的時間序列分析,是EEG信號非線性動力學(xué)分析中常見的分析方法，其中關(guān)聯(lián)維數(shù)(correlation dimension，D2)、最大利亞普諾夫(Lyapunov)指數(shù)、分形維數(shù)等,是刻畫混沌系統(tǒng)的重要參數(shù)。研究發(fā)現(xiàn)，抑郁癥患者EEG信號大部分腦區(qū)D2值要顯著高于正常人，且抑郁癥患者經(jīng)抗抑郁治療后,出現(xiàn)D2值顯著性降低的現(xiàn)象[25]。利用D2作為特征值對抑郁癥患者與正常人作分類，可達最高83.3%的分類正確率[26]。Ahmadlou等分析了抑郁癥額區(qū)(FP1、FP2、F3、F4、FZ、F7、F8)EEG不同節(jié)律的分形維數(shù)(fractal dimension，F(xiàn)D)變化規(guī)律，發(fā)現(xiàn)抑郁癥患者β頻段(15～30 Hz)左額區(qū)、右額區(qū)、整個額區(qū)FD值均顯著大于正常人；γ(30～70 Hz)頻段左額區(qū)及整個額區(qū)HFD(Higuchi’s fractal dimension)值顯著大于正常人[27]。將具有顯著差異性HFD值作為特征可獲得最高91.3%的分類正確率。Bachmann等計算了整個EEG時間序列HFD值，發(fā)現(xiàn)抑郁癥患者相對正常人HFD值有3%的增幅，且在各個導(dǎo)聯(lián)均有顯著性差異，說明抑郁癥患者EEG信號在Lyapunov指數(shù)、分形維數(shù)等基于混沌理論的非線性特征上有升高的趨勢[22]。

2.2復(fù)雜度

Renyi熵通過子序列的出現(xiàn)頻率計算整個序列的復(fù)雜度，反映了時間序列的幅值分布情況[8]。李等分析了抑郁癥患者EEG中α(8-13Hz)節(jié)律的Renyi熵，發(fā)現(xiàn)抑郁癥患者Renyi熵要大于正常人，說明抑郁癥組EEG的α節(jié)律幅值分布較正常人更為分散，α節(jié)律的成分更多樣，活動更復(fù)雜[8]。

小波熵(wavelet entropy, WE)是從小波分解后的信號序列計算的一種熵值，反映了信號譜能量在各個子空間分布的有序或無序程度的一種測度。小波熵越大，表明信號的能量分布越分散，信號本身越為無序。張等對抑郁癥EEG信號小波熵進行分析發(fā)現(xiàn)，抑郁癥患者小波熵明顯大于正常人，同樣說明了抑郁癥EEG信號復(fù)雜程度較正常人更高[28]。Frantzidis 等利用小波熵對老年抑郁癥患者及同齡對照組進行分類[29]，可以達到89.39%的正確率，且靈敏性和特異性分別高達93.94%和84.85%，表明此參數(shù)在老年抑郁癥的臨床診斷中有很好的潛在應(yīng)用價值。

LZC復(fù)雜度(Lemple-Ziv complexcity, LZC)為一種模型獨立的非線性測度，表征一個時間序列里出現(xiàn)新模式的速率。LZC越高說明出現(xiàn)新模式的概率越高，頻率成分越多，對應(yīng)動力學(xué)行為越復(fù)雜[30]。李等對抑郁癥患者EEG進行LZC分析，發(fā)現(xiàn)抑郁癥患者、精神分裂癥患者、正常人等3類人群中，抑郁癥患者各腦區(qū)的復(fù)雜度均為3組人群中最高，且存在顯著性差異[31]。Mendez等也得到了相似的結(jié)論，且發(fā)現(xiàn)抗抑郁治療6個月后，抑郁癥患者LZC值會出現(xiàn)顯著降低[32]。說明抑郁癥患者，腦電活動更加雜亂無序，需要調(diào)動更多的神經(jīng)元參與到信息加工過程中，隨著抑郁癥狀的緩解，EEG信號復(fù)雜程度趨于正常。

2.3長程相關(guān)性

很多研究表明，自發(fā)下的EEG信號符合長程相關(guān)性(long-range temporal correlations, LRTC)的振蕩特征，抑郁狀態(tài)打破了腦電信號的正常振蕩活動狀態(tài)。Linkenkaer-Hansen等利用去趨勢波動分析(detrended fluctuation analysis, DFA)的方法,對抑郁癥不同節(jié)律EEG信號的LRTC特性進行研究[33]，發(fā)現(xiàn)抑郁癥患者θ節(jié)律振蕩,在5～100 s時間尺度上的長程相關(guān)性較正常人有顯著性下降(P<0.002)，左側(cè)顳葉中央EEG信號θ節(jié)律的DFA標度指數(shù)值α(α為EEG信號的去趨勢波動函數(shù)和區(qū)間長度函數(shù)關(guān)系,在雙對數(shù)坐標中的線性擬合斜率，α值在0.5～1.0之間，說明信號存在長程冪律形式的動力學(xué)相關(guān)性)與Hamilton量表分值有顯著相關(guān)性，嚴重抑郁患者的EEG信號θ節(jié)律長程相關(guān)性缺失越嚴重。Lee等同樣利用DFA的方法對抑郁癥EEG寬頻信號(0.6～46 Hz)長程相關(guān)性進行了研究[34]，結(jié)果表明抑郁癥患者和正常人EEG信號振蕩形式均符合長程冪率形式的分形系統(tǒng)動力學(xué)行為特征，但是抑郁癥患者EEG信號在除O2導(dǎo)聯(lián)以外的其他導(dǎo)聯(lián)(F3、F4、C3、C4、T3、T4、O1),標度指數(shù)值顯著性大于正常人，推測其原因可能是抑郁癥患者EEG相對正常人具有更強的自相似規(guī)律性，神經(jīng)元振蕩模式更為平滑，信號衰減更為緩慢。對標度指數(shù)與表征抑郁癥嚴重程度的Beck抑郁自評量表進行相關(guān)性分析發(fā)現(xiàn)，兩者在除一個導(dǎo)聯(lián)(O2)以外的所有導(dǎo)聯(lián),均具有統(tǒng)計學(xué)意義上的顯著相關(guān)性，有望為臨床抑郁癥的診斷提供客觀指標。Hosseinifard等利用DFA分析所得標度指數(shù)值,利用機器學(xué)習方法對抑郁癥患者和正常人進行分類，分類正確率達到76.6%[35]。但是,近來Bornas等對大樣本(56例)非抑郁癥患者負性情緒下的EEG信號進行分析發(fā)現(xiàn),與正常狀態(tài)的振蕩特性發(fā)生了跟以上結(jié)果相似的變化[36]，因此推測抑郁癥患者在患抑郁癥之前,受負性情緒的影響,EEG信號的長程相關(guān)性已經(jīng)發(fā)生了改變。

由以上分析可以看出，近年來抑郁癥EEG信號非線性動力學(xué)分析受到了越來越多研究者的關(guān)注，LZC、DFA等參數(shù)可以客觀地觀測到抑郁癥患者的大腦皮質(zhì)電活動的異常，利用相關(guān)參數(shù)對抑郁癥和正常人作區(qū)分,可獲得最高90%以上的分類正確率[26-27]，且部分參數(shù)變化與抑郁癥狀的臨床變化有一定的一致性，有望成為一種客觀評價抗抑郁藥物治療效果的新的檢測手段[29,32,37]。

3 其他分析方法

除了傳統(tǒng)的頻域分析方法和近來興起的非線性動力學(xué)分析方法外，還有其他一些分析方法應(yīng)用于抑郁癥EEG信號特異性研究中,主要包括同步性分析、因果性分析、獨立成分分析等。

文獻[35]利用相位同步(phase synchronization, PS)分析方法,對幅度和相位信息分離，僅考慮兩信號間的相位信息，對信號平穩(wěn)性要求不高。相同步指數(shù)是一個歸一化的參數(shù)，描述變量對之間的相互關(guān)系。研究結(jié)果顯示，抑郁癥患者全局相同步指數(shù)顯著低于正常人，且左半球及半球間相同步指數(shù)與正常人相比同樣存在顯著性差異，而右半球相同步指數(shù)兩類人群無顯著性差異。說明抑郁癥患者左半球和半球間皮層神經(jīng)網(wǎng)絡(luò)同步性發(fā)生了改變。Kim等利用同步似然方法研究了雙相抑郁癥患者各腦區(qū)間EEG信號的同步性[38]，發(fā)現(xiàn)患者α頻段平均同步指數(shù)有所下降，且在前額葉-中央、中央-頂葉的同步性下降幅度最大；利用同步似然性構(gòu)建患者及正常人腦網(wǎng)絡(luò)發(fā)現(xiàn),患者網(wǎng)絡(luò)集群系數(shù)及全局效率都有所降低，表明雙相抑郁癥患者的腦功能連接性遭到了破壞。

Sun等利用偏定向相干分析(partial directed coherence, PDC),研究了抑郁癥靜息狀態(tài)下β頻段(12～30Hz)半球間及半球內(nèi)的因果性聯(lián)系[39]。PDC是基于多通道AR(autoregressive)模型的格蘭杰因果性(Granger causality)頻域表示。結(jié)果表明，抑郁癥患者靜息狀態(tài)下額區(qū)不同導(dǎo)聯(lián)信號間的信息交流要明顯低于正常人，尤其是左右半球間的信息流向幾乎沒有。說明受抑郁因素影響，大腦額區(qū)皮層間的相互依賴性顯著降低，推測利用PDC可以有效地評估抑郁狀態(tài)下大腦皮層的相互依賴性。

此外，Grin-Yatsenko等對健康人和早期抑郁癥患者睜眼和閉眼兩種狀態(tài)下的EEG信號進行了獨立成分分析(independent component analysis，ICA)，對各獨立成分結(jié)合低分辨率腦電磁成像技術(shù)(low resolution brain electromagnetic tomography, LORETA)進行了源定位及θ (4～7.5 Hz)、α (7.5～14 Hz)、β (14～20 Hz)等不同節(jié)律下的功率譜分析[40-41]。ICA是近年發(fā)展起來的一種基于盲源分離(blind source separation, BSS)的多維統(tǒng)計分析方法，以非高斯性信號為分析目標，最終分離出相互獨立的源信號[43]。研究結(jié)果表明，在睜、閉眼兩種狀態(tài)下，患者組和正常組各獨立分量的θ、α、β等3個頻段功率值均存在顯著性差異，枕葉和頂葉部位顯示出增加的慢波活動(θ、α)，說明這些部位大腦皮層電活動受抑郁因素影響有所減弱；β頻段功率彌散性增加，可能與焦慮癥狀有關(guān)。

4 總結(jié)與展望

抑郁癥自發(fā)腦電信號分析方法的簡要歸納如表1所示。對抑郁癥自發(fā)EEG信號的分析，主要從頻域和非線性動力學(xué)的角度進行，此外還有一些研究學(xué)者對信號進行了同步性、因果性、獨立成分分析等其他方面的研究。其中對頻域分析最多，同時也爭論最大。較為一致性的結(jié)論，主要體現(xiàn)在額葉、顳葉α頻段功率值的下降及左右半球不對稱指數(shù)的升高。分析諸多結(jié)果不一致的原因，一方面是由于受試者性別、年齡、不同臨床亞型之間的差異；一方面是由于基于頻域的信號分析方法對被處理信號的線性、平穩(wěn)性及信噪比要求較高，而EEG信號并不能滿足。因此，以上方法具有一定的局限性。由于頻域分析的諸多不一致結(jié)果，加之非線性時間序列分析、信息學(xué)方法、復(fù)雜度以及去趨勢波動分析等方法，在腦電信號分析中的大量應(yīng)用，越來越多的研究者傾向于從非線性的角度對抑郁癥EEG信號的特異性進行研究。相比于頻域分析方法對腦電信號頻率、能量等信息的關(guān)注，非線性分析方法側(cè)重于分析腦電活動隨時間變化的特性，即動力學(xué)特性。結(jié)論主要為抑郁癥患者EEG信號復(fù)雜程度的上升，大部分結(jié)果具有一致性，且部分參數(shù)變化與抑郁癥狀的臨床變化有顯著的相關(guān)性，是今后抑郁癥EEG信號分析的重要方向，有望成為一種客觀評價抗抑郁藥物治療效果的新的檢測手段。深入研究有助于發(fā)現(xiàn)抑郁癥發(fā)病的內(nèi)在神經(jīng)電生理學(xué)機制，為抑郁癥的臨床診斷提供技術(shù)支持，具有重大的科學(xué)意義和社會意義。此外，同步性、因果性及獨立成分分析等其他分析方法，分別從不同的角度對抑郁癥患者EEG信號進行了特異性研究，發(fā)現(xiàn)了抑郁癥患者腦功能連接性遭到破壞等一些有價值的結(jié)論，也可能成為今后抑郁癥EEG信號研究的重要方向。

表1 抑郁癥自發(fā)腦電信號分析方法總結(jié)

[1] 李青棟.抑郁癥的概念及分類研究歷史[J].醫(yī)學(xué)與哲學(xué)(臨床決策論壇版)，2009，30(11)：68-80.

[2] Buyukdura JS, McClintock SM, Croarkin PE. Psychomotor retardation in depression: Biological underpinnings, measurement, and treatment [J]. Neuro-Psychopharmacology & Biological Psychiatry, 2011,35: 395-409.

[3] 崔利坤，謝衛(wèi)紅.抑郁癥的臨床亞型及治療[J].臨床薈萃，2004,19(13)：765-766.

[4] 江開達.抑郁癥的診斷與治療[J].醫(yī)學(xué)與哲學(xué)(臨床決策論壇版)，2010，31(2)：12-13.

[5] 和昱辰.抑郁癥臨床研究進展[J].國際檢驗醫(yī)學(xué)雜志，2013，34(7)：832-834.

[6] 何舒，林渝峰，李霞. 抑郁癥的發(fā)病機制研究進展[J].四川生理科學(xué)雜志，2008,28(3):126-128.

[7] Cai X, Kallarackal AJ, Kvarta MD,etal. Local potentiation of excitatory synapses by serotonin and its alteration in rodent models of depression [J]. Nat Neurosci, 2013,16(4): 464-472.

[8] 李穎潔，邱意弘，朱貽盛. 腦電信號分析方法及其應(yīng)用[M].北京：科學(xué)出版社，2009.

[9] Verner K, Colleen M, Sidney K,etal. EEG power, frequency, asymmetry and coherence in male depression [J]. Psychiatry Research: Neuroimaging Section, 2001,106: 123-140.

[10] Pollock VE, Schneider LS. Quantitative, waking EEG research on depression [J]. Biol Psychiatry, 1990,27(7):757-780.

[11] Yamada M, Kimura M, Mori T,etal. EEG power and coherence in presenile and senile depression. Characteristic findings related to differences between anxiety type and retardation type [J]. Nihon Ika Daigaku Zasshi, 1995,62(2):176-185.

[12] Fachner J, Gold C, Erkkil? J. Music therapy modulates fronto-temporal activity in rest-EEG in depressed clients [J]. Brain Topogr, 2013,26(2):338-354.

[13] Iznak, AF, Iznak EV, Sorokin SA. Changes in EEG and reaction times during the treatment of apathetic depression [J]. Neuroscience and Behavioral Physiology, 2013,43(1): 79-83.

[14] Lubar JF, Congedo M, Askew JH. Low-resolution electromagnetic tomography (LORETA) of cerebral activity in chronic depressive disorder [J]. International Journal of Psychophysiology, 2003,49:175-185.

[15] Mathersul D, Williams LM, HopKinson PJ,etal. Investigating models of affect: relationships among EEG alpha asymmetry, depression, and anxiety [J]. Emotion, 2008,8(4):560-572.

[16] Gold C, Fachner J, Erkkil?, J. Validity and reliability of electroencephalographic frontal alpha asymmetry and frontal midline theta as biomarkers for depression [J]. Scandinavian Journal of Psychology, 2013,54(2): 118-126.

[17] Allen JJB, Urry HL, Hitt SK,etal. The stability of resting frontal electroencephalographic asymmetry in depression [J]. Psychophysiology, 2004,41:269-280.

[18] Lee TW, Yu YW, Chen MC,etal. Cortical mechanisms of the symptomatology in major depressive disorder: A resting EEG study [J]. Journal of Affective Disorders, 2011,131:243-250.

[19] Flor-Henry P, Lind JC, Koles ZJ. A source-imaging (low-resolution electromagnetic tomography) study of the EEGs from unmedicated males with depression [J]. Psychiatry Res, 2004,130(2):191-207.

[20] Reid SA, Duke LM, Allen JJ. Resting frontal electroencephalographic asymmetry in depression: inconsistencies suggest the need to identify mediating factors [J]. Psychophysiology, 1998,35(4):389-404.

[21] Hinrikus H, Suhhova A, Bachmann M,etal. Electroencephalographic spectral asymmetry index for detection of depression [J]. Med Biol Eng Comput, 2009,47:1291-1299.

[22] Bachmann M, Lass J, Suhhova A,etal. Spectral asymmetry and higuchi's fractal dimension measures of depression electroencephalogram [J]. Comput Math Methods Med, 2013, art no 251638.

[23] Sun Yu, Hu Sijung, Zhu Yisheng,etal. Electroencephalographic differences between depressed and control subjects: An aspect of interdependence analysis [J]. Brain Research Bulletin, 2008,76:559-564.

[24] Jimbo Y, Tateno T, Robinson HP. Simultaneous induction of pathway-specific potentiation and depression in networks of cortical neurons [J]. Biophys J, 1999,76(2):670-678.

[25] 瞿祥，王藝明. 腦電非線性動力學(xué)分析在抑郁癥中的應(yīng)用及抗抑郁藥的療效觀察[J]. 臨床研究，2012,9(34)：52-54.

[26] Hosseinifard B, Moradi MH, Rostami R. Classifying depression patients and normal subjects using machine learning techniques and nonlinear features from EEG signal [J]. Computer Methods and Programs in Biomedicine, 2013,109:339-345.

[27] Ahmadlou M, Adeli H, Adeli A. Fractality analysis of frontal brain in major depressive disorder [J]. International Journal of Psychophysiology, 2012,85:206-211.

[28] 張勝，喬世妮，王蔚. 抑郁癥患者腦電復(fù)雜度的小波熵分析[J]. 計算機工程與應(yīng)用，2012,48(4)：143-145.

[29] Frantzidis CA, Diamantoudi MD, Grigoriadou, E,etal. A Mahalanobis distance based approach towards the reliable detection of geriatric depression symptoms co-existing with cognitive decline [J]. IFIP Advances in Information and Communication Technology, 2012,382(2):16-25.

[30] Mateo A, Roberto H, Daniel A,etal. Interpretation of the Lempel-Ziv complexity measure in the context of biomedical signal analysis [J]. IEEE Transactions on Biomedical Engineering, 2006,53(11): 2282-2288.

[31] Yingjie L, Shanbao T, Dan L. Abnormal EEG complexity in patients with schizophrenia and depression [J]. Clinical Neruophysiology, 2008,119(6):1232-1241.

[32] Méndez MA, Zuluaga P, Hornero R,etal. Complexity analysis of spontaneous brain activity: effects of depression and antidepressant treatment [J]. Journal of Psychopharmacology, 2012,26(5):636-643.

[33] Linkenkaer-Hansen K, Monto S, Ryts?l? H,etal. Breakdown of long-range temporal correlations in Theta oscillations in patients with major depressive disorder [J]. The Journal of Neuroscience, 2005,25(44):10131-10137.

[34] Jun-Seok L, Byung-Hwan Y, Jang-Han L,etal. Detrended fluctuation analysis of resting EEG in depressed outpatients and healthy controls [J]. Clinical Neurophysiology, 2007,118：2489-2496.

[35] 胡巧莉. 基于相位同步分析方法的抑郁癥腦電信號的研究[J]. 中國醫(yī)療器械雜志，2010,34(4)：246-249.

[36] Bornas X, Noguera M, Balle M,etal. Long-range temporal correlations in resting EEG [J]. Journal of Psychophysiology, 2013,27(2):60-66.

[37] Okazaki R, Takahashi T, Ueno K,etal. Effects of electroconvulsive therapy on neural complexity in patients with depression: Report of three cases [J]. Journal of Affective Disorders, 2013,150(2): 389-392.

[38] Kim DJ, Bolbecker AR, Howell J,etal. Disturbed resting state EEG synchronization in bipolar disorder: A graph-theoretic analysis [J]. NeuroImage: Clinical, 2013,2(1): 414-423.

[39] Yu Sun, Sijung Hu, Yisheng Zhu,etal. Graphic patterns of cortical functional connectivity of depressed patients on the basis of EEG measurements [C]//Proceedings of 33rd Annual International Conference of IEEE EMBS. Boston:IEEE, 2011:1419-1422.

[40] Grin-Yatsenko VA, Baas I, Ponomarev VA,etal. Independent component approach to the analysis of EEG recordings at early stages of depressive disorders [J]. Clinical Neurophysiology, 2010,121:281-289.

[41] Grin-Yatsenko VA, Baas I, Ponomarev VA,etal. Electroencephalograms of patients with initial signs of depression: independent component analysis [J]. Human Physiology, 2011,37(1):39-48.

[42] 張振中.基于ICA方法的腦電信號消噪及特征提取的研究[D]. 西安:西北工業(yè)大學(xué)，2007.

ResearchProgressontheSpecificityofRestingEEGinDepression

WANG Chun-Fang ZHANG Li-Xin ZHANG Xi, ZHAO Xin QI Hong-Zhi,ZHOU Peng WAN Bai-Kun MING Dong*

(DepartmentofBiomedicalEngineering,CollegeofPrecisionInstrumentandOpto-ElectronicsEngineering,TianjinUniversity,Tianjin300072,China)

Resting EEG reflects spontaneous and rhythmic electrical activity of the cortical neurons and contains rich physiological and pathological information, which is an important tool for the clinical diagnosis of brain disorders and mental illness. This article reviewed the research progress and development of the resting EEG of depression in three aspects: the frequency domain analysis, the nonlinear dynamic analysis and other methods such as causality, synchronization and independent component analysis. Influenced by gender, age and the restriction of the method itself, the conclusions achieved by frequency domain analysis were different in some aspects. In contrast, nonlinear dynamic and other analysis methods got relatively reliable results. Moreover, some parameters changed with clinical depressive symptoms were expected to be the marker of depression diagnosis and treatment effect evaluation of antidepressant drugs, which was worthy of further study.

depression; resting EEG; frequency domain; nonlinear dynamic

10.3969/j.issn.0258-8021. 2014. 01.013

2013-09-29，錄用日期：2013-12-30

國家自然科學(xué)基金 ( 81222021，81171423)；天津市自然科學(xué)基金( 3JCQNJC14400)

R318

A

0258-8021(2014) 01-0086-07

*通信作者。E-mail: richardming@tju.edu.cn