基于心率变异性与前额叶脑电图的心理健康风险分层:极限梯度提升分类器与潜在类别分析亚型分类

《Journal of Affective Disorders》:Mental health risk stratification using heart rate variability and prefrontal electroencephalography: eXtreme gradient boosting-based classifier and latent class analysis-based subtyping

【字体: 大 中 小 】 时间:2026年10月10日 来源:Journal of Affective Disorders 5.7

编辑推荐:

   心率变异性(HRV)和前额叶脑电图(EEG)特征分析——在147例健康对照组(HC)和123例精神障碍患者(PT)中获取的数据显示: • 极端梯度提升(XGBoost)分类器模型的准确率为74.9 ± 5.6%。 • 低频段绝对HRV功率较低提示PT。 • 前额叶EEG相对

  

心率变异性(HRV)和前额叶脑电图(EEG)特征分析——在147例健康对照组(HC)和123例精神障碍患者(PT)中获取的数据显示:

• 极端梯度提升(XGBoost)分类器模型的准确率为74.9 ± 5.6%。
• 低频段绝对HRV功率较低提示PT。
• 前额叶EEG相对β功率较高反映重度抑郁和中度焦虑。
• 前额叶EEG相对θ功率较高提示中度抑郁和轻度焦虑。

**引言**

压力可能与精神障碍(如重度抑郁症和恐慌症)有关(Byun等,2024)。重度抑郁症已成为全球公共卫生问题,具有高发病率、异质性临床表现和病程轨迹以及功能残疾(Buch & Liston, 2021; Gauthier等, 2017; Yang等, 2024)。恐慌发作是一种强烈的焦虑形式,伴随多种躯体表现,导致频繁急诊就医和生活质量下降(Chang等, 2019; de Jonge等, 2016)。精神障碍患者表现出自主神经反应改变,这可能影响其应激反应性(Byun等, 2024)。心率变异性是衡量大脑心脏自主神经支配的指标(Gorman & Sloan, 2000),被认为是多种精神障碍中心血管系统自主调节及相关情绪调节的生理标志物(Lane等, 2009; Mather & Thayer, 2018),包括重度抑郁症(Gorman & Sloan, 2000; Musselman等, 1998)、焦虑障碍、双相情感障碍(Valenza等, 2014)、精神分裂症(Boettger等, 2006)和创伤后应激障碍(Cohen等, 1998)。此外,头皮脑电图已被广泛用作精神障碍患者脑皮质活动的一种方便检测手段,包括抑郁症(Tsai等, 2023)。脑电数据可以以无创方式轻松采集,机器学习算法在分析脑电数据以区分重度抑郁症患者与健康对照方面展现了巨大潜力(Kapitány-F?vény等, 2024)。使用可穿戴设备日常采集生理和行为数据并分析这些真实世界数据,有助于远程、被动和连续监测情绪和神经精神症状,从而实现精神障碍的早期检测,缩短未治疗疾病持续时间,并克服当前评估方法的局限性和不便性(Rykov等, 2024)。

值得注意的是,基于脑电的机器学习模型能够区分重度抑郁症患者与健康对照,并预测重度抑郁症患者的治疗反应性。首先,在静息状态下和情绪词汇加工过程中测量的左前额区θ频带频谱功率反映了抑郁症状(如犹豫不决和绝望)的严重程度,并能区分重度抑郁症患者与健康对照(Kapitány-F?vény等, 2024; Zhang等, 2023)。其次,基于静息态前额脑电信号衍生的与其他脑区的功能连接特征和非线性指标(如关联维数)可有效区分重度抑郁症患者与双相情感障碍或恐慌症患者(Aderinwale等, 2023; Ravan等, 2023)。第三,右前额叶和中央前额区的α和β频带基线静息态脑电频谱功率、前额区θ频带、半球不对称性以及连接指数在预测重度抑郁症患者对抗抑郁药物、10赫兹背外侧前额叶重复经颅磁刺激(rTMS)和电休克治疗(ECT)的治疗反应方面表现出最大能力(Acharya等, 2017; Li等, 2023; Tsai等, 2023)。这些研究结果表明静息态前额脑电可能用于PT与健康对照的分类。

包括心率变异性数据在内的电生理数据在个体水平分类精神障碍患者与健康对照中的潜在应用已多次在多项研究中得到证明,这些研究构建了基于机器学习或深度学习的分类模型。首先,应激与放松任务间HRV的波动可作为随机森林和多层感知器分类器的特征,用于区分应激状态与放松状态,并分类健康对照与重度抑郁症或恐慌症患者(Byun等, 2024)。其次,当应用神经模糊方法、线性判别分析和支持向量机等机器学习算法时,各种HRV相关特征在区分重度抑郁症患者与健康对照方面被证明是有效的(Matsui等, 2016; Roh等, 2014)。第三,结合心率变异性、基于脑电的睡眠结构和血清蛋白特征的支持向量机或带LASSO正则化的逻辑回归模型可有效分类抑郁症患者与健康对照(Kim等, 2017; Saad等, 2019)。第四,使用通过可穿戴设备获取的基础代谢率中消耗卡路里等数字生物标志物的个体内机器学习模型可成功检测抑郁症患者与无抑郁症患者中产后抑郁症的患病率差异(Hurwitz等, 2024)。最后,纵向采集的生理和数字表型数据所实现的预测准确性提升表明,基于心率变异性患者监测在精神障碍患者临床轨迹中的预测价值(Byun等, 2024)。

总之,精神障碍患者的心率变异性改变已被视为心脏自主神经调节及相关情绪调节的生理反映。脑电信号反映大脑皮层活动及相关精神病理学特征。心率变异性及/或脑电数据已被应用于机器学习和深度学习算法中,单独使用或与其他生理/数字表型特征结合,不仅用于分类健康对照与PT,还用于预测重度抑郁症和恐慌症患者临床症状的波动。为了更好地捕捉精神障碍患者情感症状背后的神经-内脏整合机制改变(Thayer & Lane, 2000),结合使用脑电和心率变异性进行神经生理和心脏生理特征的多维评估,可能有助于更好地分类和解析社区成人(Onda等, 2025)以及精神障碍患者(Selvam, 2024)或一般医学患者(Cheng等, 2024)的认知(如抑制控制认知灵活性)、情感(如焦虑和抑郁症状)和行为(如过度游戏)特征谱。

值得注意的是,重度抑郁症患者终身共病恐慌症的患病率为11.2%,恐慌症患者终身共病重度抑郁症的患病率为55.6%(Roy-Byrne等, 2000)。由于恐慌症的发病中位年龄(25–27岁)早于抑郁/双相情感障碍(30–35岁)(Solmi等, 2022),以恐慌症为首发的诊断不能排除后续发生重度抑郁发作的可能。相反,首发恐慌发作是后续抑郁的标志,而首发抑郁是继发性恐慌发作的危险因素,反映抑郁的严重程度(Kessler等, 1998)。此外,共病恐慌症和更长的共病焦虑持续时间与抑郁症患者更差的预后相关(Buckman等, 2021a; Buckman等, 2021b)。而且,恐慌症患者的自杀尝试和死亡风险分别为一般人群的5.33倍和2.58倍(Wagner等, 2026)。鉴于更高的抑郁-恐慌症终身共病率和当前研究的横断面性质,本研究未构建诊断准确率的分类模型。相反,本研究旨在识别一种可通过可穿戴设备检测的重度抑郁症和恐慌症易感性的电生理风险指标。

首先,本研究旨在阐明心率变异性相关和前额叶脑电相关特征在心理健康方面的电生理关联,这些特征根据前额叶脑电-心率变异性-精神症状(抑郁症状严重程度和焦虑)-精神诊断的非定向正则化偏相关网络与精神诊断(重度抑郁症和恐慌症)显著相关。其次,通过在机器学习分类模型中运用这些网络中发现的枢纽特征(基于图论方法计算的区域中心值),检验这些枢纽特征在预测健康对照与PT中的相对影响。最后,使用这些枢纽特征作为指标的潜在剖面分析可以揭示PT中电生理特征-精神症状剖面的可能亚型(当具有特定亚型剖面的成人被转诊至精神科进行进一步评估时可作为参考)。

**参与者**

本研究对270名参与者(147例HC和123例PT)进行了同时5分钟长的右耳垂光电容积脉搏波(PPG;一种通过测量皮肤表面光强变化来检测外周血液循环容量变化的光学技术)记录和静息态脑电图记录,脑电采集使用位于左侧(Fp1)和右侧(Fp2)额部的头皮电极。

**人口统计学、临床、心率变异性相关和前额叶脑电相关变量**

在147例HC[年龄(M ± SD)= 45.3 ± 12.6;性别(男/女)= 39/108]和123例PT[重度抑郁症(MDD; N = 107)和恐慌症(N = 16);年龄 = 41.7 ± 12.8;性别 = 41/82]中进行了同时5分钟长的耳垂光电容积脉搏波和静息态前额脑电数据采集(表1)。123例PT中有121例在研究参与时点被处方了精神类药物。与健康对照组相比,PT组年龄更轻(P

**讨论**

迄今为止,很少有研究探讨心率变异性数据和前额叶双通道脑电数据在社区和初级医疗保健环境中对成人心理健康困扰-电生理剖面进行亚分型的临床应用,以及相关的转诊至精神科进行进一步评估的建议(Prakash等, 2025; Tiinanen等, 2011)。我们基于关键心率变异性/前额叶脑电特征识别了PT的3个具有差异精神症状剖面的亚型。

**结论**

总之,本研究使用MGM、XGBoost和LPA构建了基于心率变异性相关和前额叶脑电相关特征(回归去除年龄和性别后)的心理健康风险分层平台。本研究的结果可用于个体水平使用可穿戴设备采集的电生理数据对精神障碍进行初步风险分层,有助于缩短未治疗疾病持续时间。为赋能临床

**CRediT作者贡献声明**

Je-Yeon Yun:论文审阅与编辑、原创草稿撰写、可视化、验证、软件、资源、方法论、调查、经费获取、形式分析、数据整理、概念化。Goomin Kwon:论文审阅与编辑、调查、形式分析、数据整理。Miseon Shim:论文审阅与编辑。Seon-Min Kim:论文审阅与编辑、数据整理。Seung-Hwan Lee:论文审阅与编辑、资源、项目管理、经费获取。

**利益冲突声明**

Prof. SH Lee和Dr. S Park分别作为BWAVE Inc.的CEO和研究主任与之有关联(https://www.bwaveeeg.com),该公司是Maumgyeol软件的生产商。其余作者声明研究是在没有任何可能被解释为潜在利益冲突的商业或财务关系的情况下进行的。

**致谢**

本研究得到了韩国国家研究基金会(NRF)由韩国政府(MSIT)资助的资助(编号RS-2024-00455484授予Prof. SH Lee;编号RS-2026-25476691授予Prof. JY Yun)。资金来源未参与研究设计、数据收集、分析和解释、报告撰写以及决定提交文章发表的决策。

Je-Yeon Yun | Goomin Kwon | Miseon Shim | Seon-Min Kim | Seung-Hwan Lee | Sangshin Park
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号