BMC Psychiatry|新乡医学院于毅/赵宗亚团队揭示强迫症患者异常的EEG微状态非线性特征

强迫症，也称为强迫性障碍（Obsessive-Compulsive Disorder, OCD），是一种精神障碍。根据以往的数据显示，强迫症的患病率在全球范围内是相当普遍的，估计每个国家的患病率约为1%到3%之间。OCD可以影响任何年龄段的人，但通常在青少年或成年早期开始，其特征在于患者经历反复出现的强迫性思维和强迫性行为。这种疾病通常会导致个体感到极度焦虑和困扰，因此他们会采取一系列的强迫性行为来试图减轻这种焦虑，这会对患者的生活产生严重的影响，包括社交和职业功能的受损，甚至可能导致其他精神健康问题。因此，研究和发现OCD的生物标志物对早期诊断OCD具有重要的临床意义。

近日，脑成像与脑调控团队在BMC Psychiatry上发表了题为“Abnormal nonlinear features of EEG microstate sequence in obsessive–compulsive disorder”的研究性论文。该研究系统探讨了OCD（强迫症）患者脑电图微状态序列的非线性特征，揭示了OCD患者与健康对照组之间的显著差异。研究发现，与HC相比，OCD患者的微观状态A、B、C的持续时间显著减少，而微观状态D的发生时间显著增加。与HC相比，强迫症患者微状态序列的样本熵和Lempel-Ziv复杂性显著增加，而Hurst指数显著下降。利用微观状态序列的非线性特征进行的分类准确率高达85%，明显高于基于微观状态时间参数模型的分类准确率。这些非线性特征或可作为强迫症的潜在电生物标志物。相关成果有助于进一步理解OCD患者的神经机制，并为其客观诊断和精准治疗提供了新思路。

图片

方法

本研究共纳入96名参与者，其中48名强迫症患者（OCD）和48名健康对照者（HC），具体研究流程见下图1所示。

图片

图1材料及使用方法的流程图

结果

OCD组和HC组均表现出四种典型的脑电微状态地形图（微状态A-D），与先前研究一致（图2）。比较两组全局解释方差（GEV）以评估微状态地形图对EEG数据的解释能力，结果显示，两组间GEV无统计学显著差异（P = 0.0912）。

图片

图2.  HC组和OCD组四种脑电微状态地形图

为探讨OCD组和HC组之间的差异，提取了每类微状态的时间参数，包括持续时间（Duration）、出现频率（Occurrence）、覆盖率（Coverage）以及过渡概率（TP）（图3）。结果显示，在持续时间方面，OCD组的微状态A、B、C显著低于HC组，而微状态D无显著差异；在出现频率方面，OCD组的微状态D显著高于HC组，其他微状态无显异；两组覆盖率和过渡概率未观察到显著差异。

采用样本熵、LZC以及Hurst指数等三种非线性特征来量化OCD组和HC组脑电微状态序列的复杂性。发现OCD组的平均Entropy明显高于HC组(图4(A)；Pfdr＝0.0069＜0.01)。同样，OCD组的平均LZC显著高于HC组(图4(B)；Pfdr＝0.0007＜0.001)。而OCD组的平均Hurst却显著低于HC组(图4(C)；Pfdr＝0.0001＜0.001)。

进一步采用SVM、LR和GNB三种机器学习模型对OCD和HC进行分类，基于微状态时间参数的分类准确率分别为77%、71%、77%，而基于微状态序列非线性特征的分类准确率分别为80%、85%、80%。结果表明，基于微状态序列非线性特征的机器学习分类性能显著优于时间参数，证实非线性特征可作为区分OCD的潜在生物标志物（图5）。

图片

图3.  OCD组和HC组同类微状态之间的三种参数对比：（A）持续时间（B）发生率（C）覆盖率。“**”表示Pfdr＜ 0.01。

图片

图4.  OCD组和HC组脑电微状态序列非线性特征：（A）Entropy（B）LZC（C）Hurst。“**”和“***”分别表示Pfdr ＜ 0.01和Pfdr ＜ 0.001。

图片

    图5.  机器学习分类结果：(A)基于微状态时间参数的机器学习分类 (B)基于微状态序列非线性特征的机器学习分类

结论

本研究确定了OCD患者的共同和独特的脑电微状态特征。脑电微状态时间参数和序列非线性特征揭示了OCD患者与健康对照组之间的显著差异，特别是非线性特征表现出较高的分类能力，表明其可作为OCD的潜在生物标志物。这些发现为深入理解OCD的神经机制提供了新视角，有助于精准识别患者，优化诊断策略，减少诊断和治疗中的试错过程，并最终改善患者的预后。

文章链接:https://bmcpsychiatry.biomedcentral.com/articles/10.1186/s12888-024-06334-6