Skip to main content
Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering logoLink to Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering
. 2025 Feb 25;42(1):189–196. [Article in Chinese] doi: 10.7507/1001-5515.202406072

抑郁症的脑磁图信号特征研究进展

Research progress on the characteristics of magnetoencephalography signals in depression

Zhiyuan CHEN 1, Yongzhi HUANG 1,2,3,*, Haiqing YU 1,2,3,*, Chunyan CAO 4, Minpeng XU 1,2,3, Dong MING 1,2,3
PMCID: PMC11955331  PMID: 40000192

Abstract

Depression, a mental health disorder, has emerged as one of the significant challenges in the global public health domain. Investigating the pathogenesis of depression and accurately assessing the symptomatic changes are fundamental to formulating effective clinical diagnosis and treatment strategies. Utilizing non-invasive brain imaging technologies such as functional magnetic resonance imaging and scalp electroencephalography, existing studies have confirmed that the onset of depression is closely associated with abnormal neural activities and altered functional connectivity in multiple brain regions. Magnetoencephalography, unaffected by tissue conductivity and skull thickness, boasts high spatial resolution and signal-to-noise ratio, offering unique advantages and significant value in revealing the abnormal brain mechanisms and neural characteristics of depression. This review, starting from the rhythmic characteristics, nonlinear dynamic features, and connectivity characteristics of magnetoencephalography in depression patients, revisits the research progress on magnetoencephalography features related to depression, discusses current issues and future development trends, and provides insights for the study of pathophysiological mechanisms, as well as for clinical diagnosis and treatment of depression.

Keywords: Depression, Magnetoencephalography, Rhythm, Nonlinear dynamics, Connectivity

0. 引言

抑郁症是一种常见的心理健康障碍,其临床表现主要有:显著而持久的情感低落、思维迟缓、主动言语减少、注意力不集中、学习工作能力下降、人际交往困难等。此外,患者常表现出明显的紧张、焦虑和烦躁情绪,并伴随有自责、自罪以及负面自杀思维或行为的趋向[1-2]。据统计,抑郁症已成为全球第四大疾病,全球范围内抑郁症的患者比例已达总人口的4.4% [3]。根据中国的精神卫生调查报告,我国抑郁症患者数量已经达到9 500万人,每年因为抑郁症而自杀的人数在自杀总人数中占比高达40%,带来的医疗支出累计达到3 700亿元,这给家庭和社会带来巨大的精神压力和经济负担[4]。如何尽快构建一个有效的抑郁症临床精准诊断与治疗干预体系,是临床医学领域亟待解决的难题之一。

目前,抑郁症的临床诊断主要依据患者或其家属诉述、量表评估以及专科医生判断等方式,具有较强的主观性,诊断结果的一致性较低。造成这种情况的关键因素之一在于抑郁相关的发病机制尚未明确,缺乏客观且可量化的评估指标。近年来,随着功能磁共振成像(functional magnetic resonance imaging,fMRI)、头皮脑电(electroencephalography,EEG)、功能近红外光谱(functional near-infrared spectroscopy,fNIRS)等非侵入式脑成像技术的快速发展,抑郁症领域的脑功能研究取得显著进展。众多研究结果已经证实,抑郁症的发生与大脑前额叶皮层、杏仁核、海马体、扣带回等多脑区的神经活动异常以及功能连通性改变密切相关。然而,上述技术难以兼具高时间分辨率和高空间分辨率,在解析抑郁症异常的神经机制和大脑活动模式方面具有局限性,进而影响抑郁症状诊断及其疗效评估的准确。

脑磁图(magnetoencephalography,MEG)技术,通过部署于头皮表面的高灵敏度弱磁检测设备,记录脑内神经生理电活动的微弱磁场变化,实现对脑内活动的非侵入式监测。相比于其他技术,脑磁图技术具有较高的时空分辨率,对人体无侵害、无放射性影响,且信号受组织介质影响较小,因此在活动神经元定位的精准度和信号测量的灵敏度方面,该技术具有显著的优势[5]。为深入揭示与抑郁症特定症状、特定脑区等相关的神经特征,基于脑磁图的抑郁症研究会考虑结合特定的试验范式,其具体范式设计主要结合以下关键因素:① 疾病相关性;② 脑区特异性;③ 可重复性。本综述从基于脑磁图的抑郁症相关研究出发,回顾了抑郁症在节律特征、非线性动力学特征以及连通性特征方面的研究进展。同时,本文对当前研究中存在的主要问题进行了分析,并对未来的研究方向进行了展望,旨在促进对抑郁症相关病理生理机制的深入理解,并为抑郁症的临床诊断及治疗提供新的思路和方向。

1. 抑郁症的脑磁图信号节律特征

抑郁症的节律特征表现为不同脑区频率成分的异常振荡,能够反映大脑在不同认知行为状态和神经活动中的功能情况,根据任务范式的不同,节律特征可分为任务态节律特征和静息态节律特征,如表1所示。

表 1. Rhythm characteristics of magnetoencephalography signals in depression.

抑郁症的脑磁图信号节律特征

文献 试验范式 试验对象 研究方法 主要结论
[6] 情绪图片刺激范式 9 名存在抑郁症状的精神疾病患者 功率谱密度 相比于积极情绪刺激,存在抑郁症状的精神疾病患者在观看消极情绪刺激时,其额叶区域 θ/α 频段功率显著增加
[8] 情绪图片刺激范式 106 名重度抑郁症患者和 50 名健康对照 时频分析;基于相干源动态成像的源定位 重度抑郁症患者在观看悲伤面部表情时,其枕顶叶区域的 γ 频段功率显著增强
[9] 情绪图片刺激范式 56 名重度抑郁症患者和 48 名健康对照 非负矩阵分解;基于相干源动态成像的源定位 在处理负面情绪时,重度抑郁症患者额顶枕叶区域的γ频段功率显著高于健康对照组
[13] 反应—反应抑制范式 68 名重度抑郁症患者和 35 名健康对照 时频分析;基于线性约束最小方差的源定位 在反应任务的感知阶段(125 ms),有自杀企图的重度抑郁症患者腹侧前额叶的 α 频段功率增加,背侧前扣带回的 β 频段功率降低,在反应抑制任务的处理阶段(300 ms),患者背侧前扣带回的 α 频段功率增加,腹侧前额叶的 β 频段功率降低
[14] 反应—反应抑制范式 31 名重度抑郁症患者和 19 名健康对照 功率谱密度;基于最小范数估计的源定位 在反应—反应抑制任务中,重度抑郁症患者左侧初级运动皮层和前辅助运动区的 β 频段和低 γ 频段功率显著低于健康对照组
[15] 右手视觉运动范式 67 名重度抑郁症患者和 65 名健康对照 时频分析;基于线性约束最小方差的源定位 重度抑郁症患者在进行右手视觉运动任务时,其初级运动皮层的运动后 β 反弹低于健康对照组
[16] 右手视觉运动范式 140 名重度抑郁症患者和 68 名健康对照 时频分析;基于线性约束最小方差的源定位 表现出心理运动障碍症状的重度抑郁症患者,其运动皮层的自发 β 功率、运动相关β去同步功率和 β 绝对功率显著高于健康对照组
[17] 静息态 78 名重度抑郁症患者和 49 名健康对照 功率谱密度;基于线性约束最小方差的源定位 存在自杀倾向的重度抑郁症患者与健康对照组相比,其额叶区域的 θ 频段功率显著降低,β 频段功率显著增加
[18] 静息态 22 名重度抑郁症患者和 22 名健康对照 功率谱密度;基于相干源动态成像的源定位 相较于健康对照组,重度抑郁症患者在额上回、额中回、中央前回和辅助运动区 θ 频段功率降低,枕叶、楔叶和中央旁小叶的 α 频段功率也降低,辅助运动区、中央前回、中央后回、额下回和额中回 β 频段功率增加
[19] 静息态 16 名难治性抑郁症患者和 25 名健康对照 功率谱密度;基于最小范数估计的源定位 接受扣带下回脑深部电刺激治疗的难治性抑郁症患者,其默认模式网络、中央执行网络、躯体运动网络、布罗卡氏区和舌回的α频段功率增加
[20] 静息态 61 名重度抑郁症患者和 52 名健康对照 功率谱密度 重度抑郁症患者额中央皮质区域 β 频段功率的升高与认知障碍有关,顶叶皮质区域高γ频段(30~75 Hz)功率低于健康对照组
[21] 静息态 53 名重度抑郁症患者和 31 名健康对照 功率谱密度 重度抑郁症患者额中央 β 频段功率显著高于健康对照组

1.1. 任务态节律特征

抑郁症的核心症状表现为消极情绪持续、情感反应迟钝、注意力减退、记忆力下降等,这些临床表现与情绪调节和认知功能的异常紧密相关。为探究抑郁症患者在处理情感信息方面的功能障碍,大多数基于脑磁图的研究采用情绪图片刺激范式。研究发现与积极情绪刺激相比,抑郁症患者在消极情绪刺激下,其额叶区域的θ/α频段(5~10 Hz)功率增加[6]。基于EEG的研究表明,抑郁症患者在情绪刺激下,其颞叶区域的γ频段功率高于健康对照组[7]。而基于脑磁图的情绪任务研究发现,与抑郁症密切相关的额顶枕叶区域,其γ频段功率也增加[8-9]。所以,利用脑磁图技术可以进一步补充监测抑郁症患者大脑神经振荡方面的异常。此外,基于fNIRS的研究也进一步证实,大脑前额叶活动与抑郁症状相关[10-12]

为探究抑郁症患者在抑制控制方面存在的功能障碍,大多数基于脑磁图的研究采取反应—反应抑制(Go/No-Go)范式。研究表明,与健康对照组相比,重度抑郁症患者在执行反应—反应抑制任务时,其腹侧前额叶、背侧前扣带回区域的α频段功率增加[13],而腹侧前额叶、背侧前扣带回、左侧初级运动皮层、前辅助运动区的β频段功率以及左侧初级运动皮层、前辅助运动区的低γ频段(30~50 Hz)功率降低[13-14]。此外,抑郁症患者在精神运动方面也存在功能障碍。研究表明,伴有精神运动障碍症状的重度抑郁症患者,在执行右手运动任务时,其初级运动皮层的运动后β反弹低于健康对照组[15],而自发β功率、运动相关β去同步功率和β绝对功率显著高于健康对照组[16],这种结果可能是大脑补偿运动和认知功能的一种表现。

1.2. 静息态节律特征

多项研究表明,重度抑郁症患者在静息状态下,相较于健康对照组,其额叶、中央前回和辅助运动区的θ频段功率以及枕叶、楔叶和中央旁小叶的α频段功率显著降低[17-18]。进一步研究表明,经过扣带下回脑深部电刺激治疗的难治性抑郁症患者,其默认模式网络、中央执行网络、躯体运动网络、布罗卡氏区和舌回的α频段功率则会增加[19]。此外,相比于健康对照组,重度抑郁症患者在辅助运动区、中央皮质区域、额下回和额中回会表现出β频段功率的增加[18, 20-21]。Jiang等[21]采用上述β频段节律特征,并利用支持向量机模型进一步实现抑郁症与健康人的分类识别,达到81.1%的分类准确率。基于EEG的研究对不同脑区的节律特征进行了补充,表明重度抑郁症患者左颞上回δ和θ频段功率显著高于健康对照组[22],且氯胺酮治疗后重度抑郁症患者中央顶叶α频段功率降低[23]。与之对比,利用脑磁图技术可以进一步挖掘抑郁症患者在高频神经节律方面的变化,比如Wang等[20]发现静息状态下,重度抑郁症患者顶叶区域的高γ频段(30~75 Hz)功率低于健康对照组。

2. 抑郁症的脑磁图信号非线性动力学特征

大脑可以看作是一个复杂的非线性系统,通过非线性分析方法能够评估大脑的信息整合能力,根据任务范式的不同,非线性动力学特征可分为任务态非线性动力学特征和静息态非线性动力学特征,如表2所示。

表 2. Nonlinear dynamic characteristics of magnetoencephalography signals in depression.

抑郁症的脑磁图信号非线性动力学特征

文献 试验范式 试验对象 研究方法 主要结论
[24] 情绪图片刺激范式 6 名抑郁症患者和 13 名健康对照 多元传递熵 在消极情绪刺激下,抑郁症患者额叶区域的多元传递熵显著低于正常对照组
[25] 情绪图片刺激范式 5 名重度抑郁症患者和 8 名健康对照 多元传递熵 在消极情绪刺激下,抑郁症患者γ频段额叶区域的多元传递熵显著低于正常对照组
[26] 情绪图片刺激范式 6 名抑郁症患者和 10 名健康对照 条件熵 抑郁症患者在消极情绪刺激下,其额叶区域的条件熵低于正常对照组
[27] 情绪图片刺激范式 5 名抑郁症患者和 8 名健康对照 多元符号传递熵 受到积极情绪刺激时,抑郁症患者左侧枕叶区域—额叶区域的多元符号传递熵也显著低于正常对照组
[28] 情绪图片刺激范式 6 名抑郁症患者和 6 名健康对照 多尺度互模熵 抑郁症患者在接受情绪刺激时,其额叶区域的多尺度互模熵显著低于正常对照组
[29] 情绪图片刺激范式 7 名抑郁症患者和 10 名健康对照 多尺度近似熵,样本熵 抑郁症患者在接受情绪刺激时,其额叶区域的多尺度近似熵和样本熵显著低于正常对照组
[30] 情绪图片刺激范式 6 名抑郁症患者和 9 名健康对照 符号转移熵 抑郁症患者在情绪刺激下顶叶的符号转移熵显著高于正常对照组
[31] 情绪图片刺激范式 8 名抑郁症患者和 9 名健康对照 改进排列熵 抑郁症患者在受到情绪刺激时,其顶叶区域改进排列熵显著高于正常对照组
[32] 静息态 20 名重度抑郁症患者和 16 名双相情感障碍患者 伦佩尔—齐夫复杂度 处于静息状态的重度抑郁症患者,其顶叶和颞叶区域的‌伦佩尔—齐夫复杂度显著高于双相情感障碍患者和正常对照组

2.1. 任务态非线性动力学特征

多项研究表明,相较于健康对照组,抑郁症患者在情绪刺激条件下,其大脑额叶区域的复杂度降低,顶叶区域的复杂度增加。在消极情绪刺激下,抑郁症患者额叶区域的多元传递熵和条件熵显著低于健康对照组[24-26]。而受到积极情绪刺激时,抑郁症患者左侧枕叶区域—额叶区域的多元符号传递熵显著低于健康对照组[27]。不仅如此,抑郁症患者在受到情绪刺激时,其额叶区域的多尺度互模熵、多尺度近似熵和样本熵均低于健康对照组,这些发现进一步强化了额叶区域与抑郁症患者情绪处理障碍之间的关联[28-29]。此外,Zhang等[30]研究发现,抑郁症患者在情绪刺激条件下,其顶叶区域的符号转移熵显著高于健康对照组,表明抑郁症患者在情绪处理过程中,顶叶神经元更为活跃。另一项基于改进排列熵的研究也表明,抑郁症患者在受到情绪刺激时,其顶叶区域改进排列熵显著高于健康对照组,这一结果可用于区分健康样本和病例样本[31]

2.2. 静息态非线性动力学特征

静息态研究表明,抑郁症患者颞顶叶区域的复杂度高于健康对照组。Fernández等[32]研究发现,处于静息状态的重度抑郁症患者,其顶叶和颞叶区域的‌伦佩尔—齐夫(Lempel-Ziv)复杂度显著高于健康对照组。基于EEG的研究表明,抑郁症患者相较于健康对照组,其额叶区域的分形维数显著增加[33],同时近似熵值降低,患者神经活动表现出复杂度降低和预测性增强的特点[34]。与EEG研究对比发现,脑磁图可以揭示与抑郁症密切相关的顶叶和颞叶的非线性动力学特征。

3. 抑郁症的脑磁图信号连通性特征

抑郁症的发生涉及多个脑区的功能障碍,基于脑磁图信号的功能连通性分析能够衡量不同脑区在时间维度的协调方式和信息交互,已广泛应用于抑郁症的研究中[35],根据任务范式的不同,连通性特征可分为任务态连通性特征和静息态连通性特征,如表3所示。

表 3. Connectivity characteristics of magnetoencephalogram signals in depression.

抑郁症的脑磁图信号连通性特征

文献 试验范式 试验对象 研究方法 主要结论
[36] 情绪图片刺激范式 5 名抑郁症患者和 11 名健康对照 基于多项式核的格兰杰因果关系 在消极情绪刺激下,抑郁症患者额叶—枕叶区域的格兰杰因果关系指数高于正常对照组
[37] 情绪图片刺激范式 6 名抑郁症患者和 11 名健康对照 基于多项式核的格兰杰因果关系 抑郁症患者在消极情绪刺激下,其β频段额叶—枕叶区域的格兰杰因果关系指数显著高于正常对照组
[9] 情绪图片刺激范式 106 名重度抑郁症患者和 56 名健康对照 功率包络相关性;基于相干源动态成像的源定位 在低γ频段,面对消极情绪刺激时,重度抑郁症患者额顶控制网络—默认模式网络间的功率包络相关性增强
[39] 情绪图片刺激范式 108 名重度抑郁症患者和 64 名健康对照 功率包络相关性;基于线性约束最小方差的源定位 相较于正常对照组,重度抑郁症患者在消极情绪刺激早期(0~100 ms),表现出β频段的左侧海马旁回—楔叶功率包络相关性降低,在消极情绪刺激晚期(250~400 ms),患者β频段的皮质—边缘系统—纹状体功率包络相关性也呈现降低的趋势
[14] 反应—反应抑制范式 31 名重度抑郁症患者和 19 名健康对照 功率包络相关性;基于最小范数估计的源定位 与正常对照组相比,重度抑郁症患者在反应抑制任务中,其 β 频段左侧初级运动皮层—前辅助运动区的功率包络相关性增强,而低 γ 频段右侧额下回—前辅助运动区的功率包络相关性减弱
[40] 反应—反应抑制范式 20 名重度抑郁症患者和 18 名健康对照 皮尔逊相关系数;基于最小范数估计的源定位 与正常对照组相比,重度抑郁症患者在执行反应抑制任务时,其左额上回—右额下回、左额上回—右杏仁核以及左额上回—右海马旁回之间的皮尔逊相关系数增强
[41] 静息态 29 名重度抑郁症患者和 25 名健康对照 幅度包络相关性;基于合成孔径磁力测量的源定位 选取了 32 个感兴趣区(默认模式网络、显著网络、中央执行网络、丘脑、海马、前扣带皮层、杏仁核、眶额叶皮质)的节点,相较于正常对照组,重度抑郁症患者 δ 和 θ 频段节点间的平均幅度包络相关性增强,而 α 和 β 频段节点间的平均幅度包络相关性减弱
[42] 静息态 31 名预后良好重度抑郁症患者、21 名预后不良重度抑郁症患者和 48 名健康对照 幅度包络相关性;基于线性约束最小方差的源定位 预后良好的抑郁症患者,其默认模式网络—中央执行网络的 α 和 β 频段幅度包络相关性增强。
[45] 静息态 27 名重度抑郁症患者和 25 名健康对照 相位幅度耦合;基于线性约束最小方差的源定位 高自杀风险组的重度抑郁症患者与低自杀风险组和正常对照组相比,其右侧尾状核—左侧丘脑 α 频段的相位幅度耦合显著降低

3.1. 任务态连通性特征

相较于正常对照组,抑郁症患者在情绪刺激条件下,其β频段皮质—皮质下的功率包络相关性减弱,而额叶—枕叶区域的格兰杰因果关系指数以及γ频段皮质间的功率包络相关性增强。具体而言,Ma等[36]以多项式核格兰杰因果关系指数作为网络节点联通系数,发现在消极情绪刺激下,抑郁症患者额叶—枕叶区域的格兰杰因果关系指数高于正常对照组。Qian等[37]研究结果进一步表明,抑郁症患者在消极情绪刺激下,其β频段额叶—枕叶区域的格兰杰因果关系指数显著高于正常对照组。此外,Dai等[9]在低γ频段观察到,重度抑郁症患者在面对消极情绪刺激时,其额顶控制网络—默认模式网络的功率包络相关性增强。基于fNIRS的研究表明,在消极情绪刺激下,重度抑郁症患者额叶—右颞叶的皮尔逊相关系数增加,而额叶—左颞叶的皮尔逊相关系数降低[38]。但是,基于脑磁图的研究可以进一步分析补充脑深部结构连通性变化的信息,Du等[39]研究发现,重度抑郁症患者与正常对照组相比,其在消极情绪刺激早期(0~100 ms),表现出β频段左侧海马旁回—楔叶的功率包络相关性降低,在消极情绪刺激晚期(250~400 ms),表现出β频段皮质—边缘系统—纹状体的功率包络相关性降低。

重度抑郁症患者在执行反应—反应抑制任务时,与正常对照组相比,其β频段皮层—皮层间的功率包络相关性增强,而低γ频段皮层—皮层间的功率包络相关性减弱。Han等[14]的研究结果表明,与正常对照组相比,重度抑郁症患者在反应抑制任务中,其β频段左侧初级运动皮层—前辅助运动区的功率包络相关性增强,而低γ频段右侧额下回—前辅助运动区的功率包络相关性减弱,皮尔逊相关分析进一步表明,抑郁症患者的症状变化与β频段左侧初级运动皮层—前辅助运动区的功率包络相关性呈正相关,与低γ频段右侧额下回—前辅助运动区的功率包络相关性呈负相关。Zhou等[40]研究进一步揭示,与正常对照组相比,重度抑郁症患者在执行反应抑制任务时,其左额上回—右额下回、左额上回—右杏仁核以及左额上回—右海马旁回之间的皮尔逊相关系数增强,患者表现出较差的抑制和控制能力。

3.2. 静息态连通性特征

多项研究表明,重度抑郁症患者在静息状态下,其δ和θ频段皮质间的幅度包络相关性高于正常对照组,α和β频段皮质间的幅度包络相关性以及皮质下结构间的相位幅度耦合低于正常对照组。Nugent等[41]选取了32个感兴趣区(默认模式网络、显著网络、中央执行网络、丘脑、海马、前扣带皮层、杏仁核、眶额叶皮质)的节点,发现相较于正常对照组,重度抑郁症患者δ和θ频段节点间的平均幅度包络相关性增强,而α和β频段节点间的平均幅度包络相关性减弱。在进一步研究中,Tian等[42]对接受药物治疗的重度抑郁症患者脑磁图信号进行采集与分析,发现预后良好的抑郁症患者,其默认模式网络—中央执行网络的α和β频段幅度包络相关性显著增强。基于EEG的静息态连通性研究表明,重度抑郁症患者α和θ频段顶枕叶—额叶区域的功能连接降低,但其他频段的研究并未得到一致的结果[43]。此外,基于fMRI和fNIRS的研究发现,经过重复经颅磁刺激治疗的抑郁症患者,其背外侧前额叶皮层—岛叶的功能连通性降低;同时,前额叶皮层的氧合血红蛋白信号能够作为连通性变化的预测指标,但空间分辨率受限[44]。而由于脑磁图具有较高的时空分辨率,基于脑磁图的研究在抑郁相关脑深部功能连通性特征方面取得了更为一致的研究结果,采用交叉频率耦合的研究结果表明,高自杀风险组的重度抑郁症患者与低自杀风险组和正常对照组相比,其右侧尾状核—左侧丘脑α频段活动的相位幅度耦合强度显著降低[45]

4. 当前存在问题及挑战

由于抑郁症研究的复杂性,同时脑磁图技术本身也存在一定的局限性[46],因此这种技术在抑郁症诊断和预后预测的临床应用方面,仍存在一些亟待解决的问题。

(1)药物治疗(包括抗抑郁药、抗焦虑药等),可能会对试验结果产生影响。抗抑郁药物的种类和剂量可能改变抑郁症患者的大脑功能活动,进而对研究结果的可靠性造成影响。因此,人们有必要详细记录抑郁症患者的病史、药物治疗史以及抑郁症症状的严重程度等相关信息,并在数据分析过程中对这些变量进行控制,以尽可能降低其对试验结果的潜在影响[47]

(2)在采集脑深部结构(如海马体、基底核等)信号时,脑磁图面临着一定的挑战[48]。为全面理解抑郁症病理生理机制,建议将脑磁图与其他成像技术配合使用,以进一步提高抑郁症诊疗的精准度。如Junghofer等[49]通过分析抑郁症患者fMRI数据和脑磁图数据,发现与健康对照组相比,积极情绪刺激在重度抑郁症患者腹内侧前额叶皮层诱发出更大的激活。Kähkönen等[50]联合脑磁图与EEG,利用听觉标准—偏差刺激(odd-ball)范式探究重度抑郁症患者早期听觉处理功能障碍;研究发现与健康对照组相比,重度抑郁症患者的事件相关电位(P1)潜伏期缩短,且缩短幅度与患者的抑郁症状呈负相关。另一项研究进一步表明,通过改进的听觉标准—偏差刺激范式所诱发的失匹配负波,其振幅与患者的抑郁风险呈正相关[51]。Li等[52]则联合脑磁图与正电子发射断层扫描(positron emission tomography,PET),发现经过重复经颅磁刺激治疗的抑郁症患者,其额叶区域α频段振幅与丘脑中葡萄糖代谢之间的耦合显著增加。

(3)在研究抑郁症的特征时,试验范式设计和优化至关重要[53],现有研究主要采用情绪刺激范式或反应—反应抑制任务范式,未来可进一步开发基于社交互动、奖励/动机、压力反应以及注意力调控等的新范式。此外,根据受试者的个体差异,可以设计个性化任务范式,如加入视听反馈、阈值调控等要素,以动态调整任务难度,这样不仅可以提升受试者的参与度,而且也能获取更高质量的实验数据。

(4)抑郁症可以进一步细分为多种亚型,这些亚型在病理机制及生物标志物方面可能存在差异。此外,抑郁症患者常常伴有焦虑、慢性疼痛等并发症状[54],这可能对患者的大脑功能和生理状况产生影响,进而干扰试验结果。在未来的研究中,有必要依据抑郁症的亚型或并发症对样本进行细分,以便深入研究各个分组之间的共性特征与独特属性。

5. 总结与展望

随着社会经济的快速发展以及医疗条件的显著改善,公众对于个人及家庭健康的关注程度日益增强。然而,目前抑郁症的诊断方法主要依据量表分析及医生的临床经验,缺少客观的定量评估指标,易导致误诊和漏诊问题的出现。随着神经影像学技术的进步,特别是脑磁图的应用,研究者们发现了许多与抑郁症相关的特异性特征,为阐明抑郁症的病理生理机制和临床诊疗策略提供了新的视角。在节律特征和非线性动力学特征方面,抑郁症患者额顶叶区域的不同频段振荡活动(θ、α、β、γ频段)和非线性动力学参数变化,可能成为抑郁症的早期诊断指标;在连通性特征方面,细化不同频段范围内的连通性特征,可能是未来研究的关键方向。

脑磁图技术在抑郁症患者的临床应用领域主要集中在辅助诊断、分类预测和疗效评估等方面。尽管如此,该技术在实际应用过程中面临多项挑战,包括数据分析复杂、多模态融合困难、成本高昂以及普及率低等问题,未来需进一步考虑如何将脑磁图技术的研究成果转化为实际的临床工具。具体来说,可以考虑开发便携式设备或统一数据分析流程,从而降低成本并增强设备的可操作性。此外,引入人工智能与深度学习技术对脑磁图数据进行智能化分析,有望提高数据解读的效率和准确度。在抑郁症诊断领域,脑磁图和EEG均具有毫秒级的时间分辨率,而脑磁图空间分辨率优于EEG和fNIRS,但EEG和fNIRS因其高便携性和较低的成本,被广泛应用于抑郁症的临床实践。因此,脑磁图、EEG以及fNIRS的联合使用值得考虑。其中,EEG为抑郁症的初步筛查提供便捷的方案;fNIRS技术监测患者的脑血流动力学变化;脑磁图用于抑郁症的高精度分类识别、神经活动分析以及病理特征的深度探索。此外,脑磁图以其高空间分辨率和高信噪比的特性,在探究药物治疗抑郁症的作用机制方面展现出巨大的应用潜力[55-56]

本文在综述抑郁症的脑磁图信号特征研究进展的基础上,总结了客观可量化的诊断指标,同时探讨了当前研究所面临的问题,并针对这些问题提出了相应的解决策略。在未来,脑磁图技术的进一步发展将帮助人们更深入地理解抑郁症的异常脑机制和神经特征。在此基础上,结合多模态成像技术,准确识别抑郁症患者和治疗效果相关的生物标志物特征,有助于推动抑郁症的早期诊断干预以及治疗方式优化。

重要声明

利益冲突声明:本文全体作者均声明不存在利益冲突。

作者贡献声明:陈志远搜集、整理文献并撰写文章,黄永志、于海情、曹春燕、许敏鹏负责稿件的写作指导和修订,明东完成了文章的审阅和校对。

Funding Statement

国家自然科学基金(82472101)

National Natural Science Foundation of China

Contributor Information

永志 黄 (Yongzhi HUANG), Email: yongzhi_huang@tju.edu.cn.

海情 于 (Haiqing YU), Email: haiqingyu@tju.edu.cn.

References

  • 1.Barua P D, Vicnesh J, Lih O S, et al Artificial intelligence assisted tools for the detection of anxiety and depression leading to suicidal ideation in adolescents: a review. Cogn Neurodyn. 2024;18(1):1–22. doi: 10.1007/s11571-022-09904-0. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 2.Cai H, Xie X M, Zhang Q, et al Prevalence of suicidality in major depressive disorder: a systematic review and meta-analysis of comparative studies. Front Psychiatry. 2021;12:690130. doi: 10.3389/fpsyt.2021.690130. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 3.Marwaha S, Palmer E, Suppes T, et al Novel and emerging treatments for major depression. Lancet. 2023;401(10371):141–153. doi: 10.1016/S0140-6736(22)02080-3. [DOI] [PubMed] [Google Scholar]
  • 4.Lu J, Xu X, Huang Y, et al Prevalence of depressive disorders and treatment in China: a cross-sectional epidemiological study. Lancet Psychiatry. 2021;8(11):981–990. doi: 10.1016/S2215-0366(21)00251-0. [DOI] [PubMed] [Google Scholar]
  • 5.盛经纬, 高家红 脑磁图仪的前世今生与未来. 物理. 2021;50(7):463–469. doi: 10.7693/wl20210704. [DOI] [Google Scholar]
  • 6.Huang Y, Sun B, Debarros J, et al Increased theta/alpha synchrony in the habenula-prefrontal network with negative emotional stimuli in human patients. Elife. 2021;10:e65444. doi: 10.7554/eLife.65444. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 7.Fitzgerald P J, Watson B O Gamma oscillations as a biomarker for major depression: an emerging topic. Transl Psychiatry. 2018;8(1):177. doi: 10.1038/s41398-018-0239-y. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 8.Dai Z, Zhang S, Wang H, et al Hampered gamma oscillations induced by sad emotion underlying suicide attempt in major depressive disorder. Psychiatry Clin Neurosci. 2023;77(1):20–29. doi: 10.1111/pcn.13487. [DOI] [PubMed] [Google Scholar]
  • 9.Dai Z, Shao J, Zhou H, et al Disrupted fronto-parietal network and default-mode network gamma interactions distinguishing suicidal ideation and suicide attempt in depression. Prog Neuropsychopharmacol Biol Psychiatry. 2022;113:110475. doi: 10.1016/j.pnpbp.2021.110475. [DOI] [PubMed] [Google Scholar]
  • 10.Papasideris M, Ayaz H, Hall P A Medial prefrontal brain activity correlates with emerging symptoms of anxiety and depression in late adolescence: a fNIRS study. Dev Psychobiol. 2021;63(7):e22199. doi: 10.1002/dev.22199. [DOI] [PubMed] [Google Scholar]
  • 11.Wu H, Li T, Peng C, et al The right prefrontal cortex (PFC) can distinguish anxious depression from non-anxious depression: a promising functional near infrared spectroscopy study (fNIRS) J Affect Disord. 2022;317:319–328. doi: 10.1016/j.jad.2022.08.024. [DOI] [PubMed] [Google Scholar]
  • 12.Nishizawa Y, Kanazawa T, Kawabata Y, et al fNIRS assessment during an emotional stroop task among patients with depression: replication and extension. Psychiatry Investig. 2019;16(1):80–86. doi: 10.30773/pi.2018.11.12.2. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 13.Dai Z, Zhou H, Zhang W, et al Alpha-beta decoupling relevant to inhibition deficits leads to suicide attempt in major depressive disorder. J Affect Disord. 2022;314:168–175. doi: 10.1016/j.jad.2022.07.010. [DOI] [PubMed] [Google Scholar]
  • 14.Han Y, Dai Z, Ridwan M C, et al Connectivity of the frontal cortical oscillatory dynamics underlying inhibitory control during a go/no-go task as a predictive biomarker in major depression. Front Psychiatry. 2020;11:707. doi: 10.3389/fpsyt.2020.00707. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 15.Xia Y, Hua L, Dai Z, et al Attenuated post-movement beta rebound reflects psychomotor alterations in major depressive disorder during a simple visuomotor task: a MEG study. BMC Psychiatry. 2023;23(1):395. doi: 10.1186/s12888-023-04844-3. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 16.Xia Y, Sun H, Hua L, et al Spontaneous beta power, motor-related beta power and cortical thickness in major depressive disorder with psychomotor disturbance. Neuroimage Clin. 2023;38:103433. doi: 10.1016/j.nicl.2023.103433. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 17.Zhang S, Litvak V, Tian S, et al Spontaneous transient states of fronto-temporal and default-mode networks altered by suicide attempt in major depressive disorder. Eur Arch Psychiatry Clin Neurosci. 2022;272(8):1547–1557. doi: 10.1007/s00406-021-01371-8. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 18.Jiang H, Popov T, Jylänki P, et al Predictability of depression severity based on posterior alpha oscillations. Clin Neurophysiol. 2016;127(4):2108–2114. doi: 10.1016/j.clinph.2015.12.018. [DOI] [PubMed] [Google Scholar]
  • 19.Scherer M, Harmsen I E, Samuel N, et al Oscillatory network markers of subcallosal cingulate deep brain stimulation for depression. Brain Stimul. 2023;16(6):1764–1775. doi: 10.1016/j.brs.2023.11.016. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 20.Wang H, Tian S, Yan R, et al Convergent and divergent cognitive impairment of unipolar and bipolar depression: a magnetoencephalography resting-state study. J Affect Disord. 2023;321:8–15. doi: 10.1016/j.jad.2022.09.126. [DOI] [PubMed] [Google Scholar]
  • 21.Jiang H, Dai Z, Lu Q, et al Magnetoencephalography resting-state spectral fingerprints distinguish bipolar depression and unipolar depression. Bipolar Disord. 2020;22(6):612–620. doi: 10.1111/bdi.12871. [DOI] [PubMed] [Google Scholar]
  • 22.Spironelli C, Fusina F, Angrilli A Delta and theta eeg activity during resting state is altered in patients affected by major depression. Eur Psychiatry. 2021;64(S1):S338–S339. [Google Scholar]
  • 23.Anijärv T E, Can A T, Gallay C C, et al Spectral changes of EEG following a 6-week low-dose oral ketamine treatment in adults with major depressive disorder and chronic suicidality. Int J Neuropsychopharmacol. 2023;26(4):259–267. doi: 10.1093/ijnp/pyad006. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 24.Chen Z, Fang Y, Yan W, et al Research on the MEG of depression patients based on multivariate TE partial information decomposition//IOP Conference Series: Materials Science and Engineering. Hanoi: IOP Publishing. 2020;768(5):052053. [Google Scholar]
  • 25.Zhang X, Xie J, Fan C, et al Research on the MEG of depression patients based on multivariate transfer entropy. Comput Intell Neurosci. 2022;2022(1):7516627. doi: 10.1155/2022/7516627. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 26.Zhang W, Fan C, Xie J, et al The AR and ARFI-based models utility of magnetoencephalography assisted diagnosis of depression. Academic Journal of Computing & Information Science. 2022;5(8):101–107. [Google Scholar]
  • 27.Zhang Y, Zhang Y, Chen J, et al Magnetoencephalogram analysis of depression based on multivariable sign transfer entropy//Journal of Physics: Conference Series. Kunming: IOP Publishing. 2020;1592(1):012093. [Google Scholar]
  • 28.Huang Y, Qian J, Lv Z, et al. Analysis of depression magnetoencephalogram based on multiscale mutual mode entropy//2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). Houston: IEEE, 2021: 2714-2719.
  • 29.Yao W, Hu H, Wang J, et al Multiscale ApEn and SampEn in quantifying nonlinear complexity of depressed MEG. Chinese J Electron. 2019;28(4):817–821. doi: 10.1049/cje.2018.06.007. [DOI] [Google Scholar]
  • 30.Zhang B, Ding C, Yan W, et al. Analysis of magnetoencephalography based on symbolic transfer entropy//2017 10th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). Shanghai: IEEE, 2017: 1-5.
  • 31.Yuan Z, Yan W, Wang J, et al. Analysis of depression magnetoencephalography based on modified permutation entropy//2018 11th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). Beijing: IEEE, 2018: 1-5.
  • 32.Fernández A, Al-Timemy A H, Ferre F, et al Complexity analysis of spontaneous brain activity in mood disorders: a magnetoencephalography study of bipolar disorder and major depression. Compr Psychiatry. 2018;84:112–117. doi: 10.1016/j.comppsych.2018.03.015. [DOI] [PubMed] [Google Scholar]
  • 33.Yasin S, Hussain S A, Aslan S, et al EEG based major depressive disorder and bipolar disorder detection using neural networks: a review. Comput Methods Programs Biomed. 2021;202:106007. doi: 10.1016/j.cmpb.2021.106007. [DOI] [PubMed] [Google Scholar]
  • 34.Knociková J A, Petrásek T Quantitative electroencephalographic biomarkers behind major depressive disorder. Biomed Signal Proces. 2021;68:102596. doi: 10.1016/j.bspc.2021.102596. [DOI] [Google Scholar]
  • 35.Wang Q, Tian S, Zhao P, et al Association between antidepressant efficacy and interactions of three core depression-related brain networks in major depressive disorder. Front Psychiatry. 2022;13:862507. doi: 10.3389/fpsyt.2022.862507. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 36.Ma Y, Qian J, Gu Q, et al Network analysis of depression using magnetoencephalogram based on polynomial kernel Granger causality. Entropy (Basel) 2023;25(9):1330. doi: 10.3390/e25091330. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 37.Qian J, Yao W, Bai D, et al Depressed MEG causality analysis based on polynomial kernel Granger causality. AIP Adv. 2023;13(3):035234. doi: 10.1063/5.0142058. [DOI] [Google Scholar]
  • 38.Yang J, Ma S, Cheng A, et al Analysis of functional network asymmetry in major depressive disorder under four fNIRS tasks. J Affect Disord. 2024;365:303–312. doi: 10.1016/j.jad.2024.08.022. [DOI] [PubMed] [Google Scholar]
  • 39.Du Y, Hua L, Tian S, et al Altered beta band spatial-temporal interactions during negative emotional processing in major depressive disorder: an MEG study. J Affect Disord. 2023;338:254–261. doi: 10.1016/j.jad.2023.06.001. [DOI] [PubMed] [Google Scholar]
  • 40.Zhou H, Hua L, Jiang H, et al Autonomic nervous system is related to inhibitory and control function through functional inter-region connectivities of OFC in major depression. Neuropsychiatr Dis Treat. 2020;16:235–247. doi: 10.2147/NDT.S238044. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 41.Nugent A C, Ballard E D, Gilbert J R, et al Multilayer MEG functional connectivity as a potential marker for suicidal thoughts in major depressive disorder. Neuroimage Clin. 2020;28:102378. doi: 10.1016/j.nicl.2020.102378. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 42.Tian S, Wang Q, Zhang S, et al Local and large-scale resting-state oscillatory dysfunctions for early antidepressant response prediction in major depressive disorder. J Affect Disord. 2023;340:751–757. doi: 10.1016/j.jad.2023.08.096. [DOI] [PubMed] [Google Scholar]
  • 43.Miljevic A, Bailey N W, Murphy O W, et al. Alterations in EEG functional connectivity in individuals with depression: a systematic review. J Affect Disord. 2023, 328: 287-302.
  • 44.Struckmann W, Bodén R, Gingnell M, et al Modulation of dorsolateral prefrontal cortex functional connectivity after intermittent theta-burst stimulation in depression: combining findings from fNIRS and fMRI. Neuroimage Clin. 2022;34:103028. doi: 10.1016/j.nicl.2022.103028. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 45.Chattun M R, Zhang S, Chen Y, et al Caudothalamic dysfunction in drug-free suicidally depressed patients: an MEG study. Eur Arch Psychiatry Clin Neurosci. 2020;270(2):217–227. doi: 10.1007/s00406-018-0968-1. [DOI] [PubMed] [Google Scholar]
  • 46.Brookes M J, Leggett J, Rea M, et al Magnetoencephalography with optically pumped magnetometers (OPM-MEG): the next generation of functional neuroimaging. Trends Neurosci. 2022;45(8):621–634. doi: 10.1016/j.tins.2022.05.008. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 47.Yeom H G, Kim J S, Chung C K A magnetoencephalography dataset during three-dimensional reaching movements for brain-computer interfaces. Sci Data. 2023;10(1):552. doi: 10.1038/s41597-023-02454-y. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 48.Bénar C G, Velmurugan J, Lopez-Madrona V J, et al Detection and localization of deep sources in magnetoencephalography: a review. Curr Opin Biomed Eng. 2021;18:100285. doi: 10.1016/j.cobme.2021.100285. [DOI] [Google Scholar]
  • 49.Junghofer M, Winker C, Rehbein M A, et al Noninvasive stimulation of the ventromedial prefrontal cortex enhances pleasant scene processing. Cereb Cortex. 2017;27(6):3449–3456. doi: 10.1093/cercor/bhx073. [DOI] [PubMed] [Google Scholar]
  • 50.Kähkönen S, Yamashita H, Rytsälä H, et al Dysfunction in early auditory processing in major depressive disorder revealed by combined MEG and EEG. J Psychiatry Neurosci. 2007;32(5):316–322. [PMC free article] [PubMed] [Google Scholar]
  • 51.Bonetti L, Haumann N T, Vuust P, et al Risk of depression enhances auditory Pitch discrimination in the brain as indexed by the mismatch negativity. Clin Neurophysiol. 2017;128(10):1923–1936. doi: 10.1016/j.clinph.2017.07.004. [DOI] [PubMed] [Google Scholar]
  • 52.Li C T, Chen L F, Tu P C, et al Impaired prefronto-thalamic functional connectivity as a key feature of treatment-resistant depression: a combined MEG, PET and rTMS study. PLoS One. 2013;8(8):e70089. doi: 10.1371/journal.pone.0070089. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 53.Woolridge S M, Harrison G W, Best M W, et al Attention bias modification in depression: a randomized trial using a novel, reward-based, eye-tracking approach. J Behav Ther Exp Psychiatry. 2021;71:101621. doi: 10.1016/j.jbtep.2020.101621. [DOI] [PubMed] [Google Scholar]
  • 54.Thapar A, Eyre O, Patel V, et al Depression in young people. Lancet. 2022;400(10352):617–631. doi: 10.1016/S0140-6736(22)01012-1. [DOI] [PubMed] [Google Scholar]
  • 55.Lundin N B, Sepe-Forrest L, Gilbert J R, et al Ketamine alters electrophysiological responses to emotional faces in major depressive disorder. J Affect Disord. 2021;279:239–249. doi: 10.1016/j.jad.2020.10.007. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 56.Ward M J, Karim H T, Jessen Z F, et al Association between increased theta cordance and early response to ECT in late-life depression. Int J Geriatr Psychiatry. 2020;35(2):147–152. doi: 10.1002/gps.5220. [DOI] [PMC free article] [PubMed] [Google Scholar]

Articles from Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering are provided here courtesy of West China Hospital of Sichuan University

RESOURCES