抑郁症EEG功能脑网络构建及异常特征分析研究

In recent years, the study on brain connectome has flourished. EEG has high temporal resolution and low experimental design constraints, which make the use of its data to build and analyse brain network become one of the main research topic, and subsequently, offer a new perspective for the early diagnosis, prognosis, and therapeutic effect evaluation in depression. This project will collect EEG data, research the effects of the nodes and edges on network topology and the optimistic measure algorithm of connection, construct functional brain network based on the data from EEG; study of comprehensive evaluation system for Functional Brain Network, realize the screening for optimistic functional brain network model; using the complex network theory and technique, digging out the Functional Brain Network measures, make the difference of topology measures between groups maximized; through the contrastive analysis of the relationship in time scale between EEG and fMRI functional brain network, reveal the complex nonlinear dependency relationship among brain regions, high temporal resolution of EEG and high spatial resolution of fMRI will be integrated efficiently, extract the key Functional Brain Network measures of the depression; build the classification model of depression by using machine learning, provide the basis for clinical diagnosis. This project is a comprehensive subject including computer science, information science, neural science and clinical medicine, is an advancing scientific issue of the world and the great need of the country with important academic meaning and applying value.

近年来，脑网络组的研究蓬勃开展，而EEG较高的时间分辨率和较少的实验设计约束，使得利用EEG数据构建和分析脑网络成为主要研究方向之一，也为抑郁症早期诊断和预后疗效评价提供了新的视角。本项目将采集脑电数据，研究节点、边对网络拓扑结构的影响以及连接的最佳度量算法，构建EEG功能脑网络；研究功能脑网络综合评价体系，实现最优功能脑网络模型的筛选；利用复杂网络理论技术，深入挖掘功能脑网络属性表征，最大化脑疾病状态下拓扑属性组间特征差异；对比分析EEG和fMRI功能脑网络的关联性，揭示脑区之间复杂的非线性依赖关系，有效整合EEG的高时间和fMRI的高空间分辨率，提取抑郁症对功能脑网络影响的关键特征指标；利用机器学习算法，建立抑郁症分类模型，为临床诊断提供依据。本项目是计算机科学、信息科学、神经科学和临床医学等多学科综合交叉，是国际前沿基础科学问题和国家重大需求，具有重要的理论意义和应用价值。

本项目研究重点是EEG脑网络的构建方法，利用复杂网络技术对比分析正常人和患者的脑网络拓扑属性，力求发现抑郁症重大早期诊断的生理学指标，同时在已有fMRI功能脑网络研究的基础上，分析fMRI和EEG脑网络的关联性，为建立辅助诊断模型提供基础。.项目组首先采用两种实验方案，分别采集了抑郁症情感响应和精分工作记忆数据并分析了数据特点，通过预处理后构建健康被试组与抑郁症患者EEG信号数据库。其次，针对脑网络构建中节点和边的定义等关键问题，项目组提出两种脑网络构建方法，一种是以空间通道为节点的EEG微状态脑网络构建方法，另一种是以时间窗为节点的EEG脑网络构建方法，降低了时间复杂度，加大了患者和正常人的显著性差异；同时项目组对互信息MI和相位锁值PLV为连边的情感EEG功能脑网络进行对比分析，为连边选择提供了依据。第三，项目组从全局属性、局部属性、脑网络同步性等多角度，多层次完成了对抑郁症EEG脑网络拓扑属性分析，深入挖掘脑网络属性表征，最大化脑疾病状态下拓扑属性组间特征，找到抑郁症EEG脑网络的异常拓扑属性及显著性差异区域，通过时间复杂度、分类准确率和已有研究对照三个指标对所构建的脑网络进行评价。第四，为了研究抑郁症EEG与fMRI脑功能网络的关联性，项目组首先对比分析抑郁症EEG与fMRI两种脑功能网络，发现抑郁症患者和健康被试的差异性脑区均分布在右侧内侧额叶、颞叶以及枕叶区域；同时为了有效整合EEG的高时间和fMRI的高空间分辨率，项目组利用多尺度fMRI脑网络约束的EEG脑网络分析，发现睁眼状态下健康被试和抑郁症患者在8个网络的频率分布强度有明显的区别，alpha1尤为明显，并且在边缘系统网络、额顶网络、默认模式网络相差较大。最后根据抑郁症多侧面的异常特征，项目组构建辅助诊断模型并设计实现了包含“基础-支撑-应用-展现-接入”五个层次脑功能辅助分析平台。本项目提取抑郁症对脑网络影响的关键特征指标，具有较高的分类准确率，对抑郁症的临床诊断具有重要意义和理论价值。