摘 要 非自杀性自伤行为和自杀意念是抑郁症患者自杀未遂的重要危险因素。目前研究发现，两者在脑电特征上存在明显差异。脑电静息态分析发现伴自杀意念抑郁症患者Gamma绝对功率在特定电极点明显升高，伴非自杀性自伤行为者的Beta和Gamma活性发生变化。脑电微状态研究表明，伴非自杀性自伤行为者、伴自杀意念者的微状态存在差异，其中微状态序列短片段具有一定潜力。事件相关电位研究中，两者在P3波、N2波等成分表现出特定特征，伴非自杀性自伤行为的抑郁症患者N2波幅值较低。虽然脑电技术的机器学习相关研究较少，但已显示出一定的应用前景。因此本文概述两者相关的脑电研究进展，旨在为抑郁症自杀的早期预测提供依据。

关键词

抑郁症；自我伤害行为；自杀意念；自杀；脑电图；事件相关电位；机器学习

抑郁症患者自杀意念（suicide ideation, SI）发生率为53.1%^[1]，约37%的青少年抑郁症患者会出现非自杀性自伤（non-suicidal self-injury, NSSI）行为^[2]。NSSI和SI是自杀未遂（suicide attempt，SA）重要危险因素^[3-5]，早期识别并及时干预可降低抑郁症自杀风险。目前对NSSI行为和SI的评估主要依赖于患者的自我报告和临床医生问诊，存在一定的主观性，亟需客观有效的诊断技术。脑电图（electroencephalogram, EEG）包含功率谱分析、功能连接分析、脑电微状态分析、事件相关电位（event-related potential, ERP）以及机器学习等技术，具有低成本、高时间分辨率、非侵入性的优势，可作为早期评估新方向^[6]。本文将从抑郁症患者NSSI行为和SI相关的脑电静息态分析（功率谱分析、功能连接分析、脑电微状态分析）、ERP和机器学习3个方面进行综述，旨在为临床评估提供参考和指导。

1 EEG静息态分析

1.1 EEG功率谱分析 近年关于抑郁症患者NSSI行为和SI的EEG功率谱研究，主要涉及Alpha节律、Beta节律、Gamma节律、Delta节律等的变化。

Alpha节律指频率为8~13 Hz的脑电节律，大脑处于静息态时明显。在抑郁症患者中进行的回顾性研究发现，伴NSSI行为者的绝对Alpha功率在FP2电极点的Z值较高，F4电极点的Z值较低^[7]。此外，IZNAK等^[8]在45例青少年女性抑郁症患者中进行的研究发现，Alpha节律的频谱功率在NSSI行为组中右半球更高，而在NSSI行为+SA组中左半球更高。这提示可利用Alpha不对称性评估此类患者的自杀风险程度。

Beta节律指频率为14~30 Hz的脑电节律，可反映大脑皮质的兴奋性，与预期、焦虑有关。BENSCHOP等^[9]发现在女性抑郁症患者中，与不伴SI者相比，伴SI者的Beta节律频谱功率在额叶区域更高，但KREPEL等^[10]在重复此项研究方法后，未发现有明显差异。JIANG等^[11]的研究发现，与不伴SI的抑郁症患者相比，伴SI者在右前中央通道的Beta绝对功率增大。进一步对比发现，与伴SI者相比，伴SA者在右前中央通道和顶枕叶通道的Beta节律绝对功率减小。同时，Beta1（13~18 Hz）的绝对功率与SA呈负相关，与SI呈正相关，这表明抑郁症患者的Beta1绝对功率可能是SA和SI的指标。此外，HONG等^[7]在2024年纳入52例抑郁症患者的研究发现与不伴NSSI行为者相比，伴NSSI行为者在FP2节点和F3节点高Beta（20~30 Hz）的活性增加，在F7、F8节点高Beta活性减少。

Gamma节律指频率为30~80 Hz的脑电节律，与学习、记忆、注意、执行等认知功能紧密相关，可能与情绪调节也有关联。ARIKAN等^[12]发现Gamma绝对功率在伴SI的抑郁症患者中具有特异性，具体表现为伴SI者在F4、Fz、C4、Cz、O2、F8、T5和T6电极点的高Gamma（60~80 Hz）绝对功率明显高于不伴SI者。这提示高Gamma节律有潜力成为筛查自杀风险的生物标志物。HONG等^[7]发现，伴NSSI行为的抑郁症患者与不伴NSSI行为的抑郁症患者相比，FP2、F3和F8电极点的Gamma绝对功率相对较高，而FP1和F7电极点的Gamma绝对功率较低，同时FP2和F8电极点的高Gamma绝对功率更高。然而，该研究存在一定的局限性。具体表现为两组的流行病学特征（例如性别、年龄、童年创伤史等）存在明显差异，并且该研究没有对其他混杂因素（例如教育、药物）进行控制。

Delta节律指频率为0.5~4 Hz的脑电节律，与情绪加工相关。目前关于Delta节律在NSSI行为的研究极少。HONG等^[7]发现，在抑郁症患者中，与不伴NSSI行为者比较，伴NSSI行为者在FP2节点的Delta功率Z值更高。

综上所述，伴NSSI行为和SI的抑郁症患者在Alpha、Beta、Gamma、高Gamma、Delta节律的绝对功率、频谱功率等方面与单纯抑郁症患者存在差异^[13]，这些节律有潜力作为筛查自杀风险的生物标志物。然而，部分研究存在局限性，如样本量较小、未控制药物等混杂因素。为进一步证实脑电功率谱可作为NSSI和SI的生物标志物，需要开展更大样本量且控制混杂因素的前瞻性研究。

1.2 脑电微状态研究 脑电微状态是指脑电地形图在短时间内（约为80~120 ms）保持相对稳定的状态，经典微状态按照空间分布特征、时间特征、功能意义被分为A、B、C和D 4类。目前利用脑电图微状态探讨NSSI行为和SI的研究很少。2023年，一项研究利用脑电微状态分析青少年抑郁症患者自伤时皮质活动特征，发现伴NSSI行为组的脑电图微状态与健康对照组相似，不伴NSSI行为组微状态A的贡献率、发生率以及微状态E到A的转换率均高于健康对照组和伴NSSI行为组^[14]。同年，HE等^[15]进行的研究发现，与不伴SI的青少年抑郁症组相比，伴SI组在微状态动力学方面具有独特的模式，主要涉及与知觉加工相关的微状态A和B，其微状态B的发生率和覆盖率显著降低，从微状态D、C到微状态A的转换率增加，这表明微状态动力学可能作为识别抑郁症青少年SI的潜在神经生物标志物。但以上研究均基于青少年群体，可能不适用于有抑郁症和SI的其他人群。

微状态序列是指脑电微状态随着时间的推移不断出现而形成的具有特定顺序和模式的序列，蕴含着丰富的生物信息^[16]。一项横断面研究分析抑郁症患者在进行双选择Oddball任务时的微状态序列短片段，发现伴NSSI行为组在自伤线索下微状态B的平均持续时间显著大于在中性线索下，而健康对照组和不伴NSSI组无此显著差异，提示微状态B是自伤行为的一项指标。此外，在中性线索标准刺激、中性线索偏差刺激、自伤线索标准刺激和自伤线索偏差刺激4种条件下，无论有无NSSI的抑郁患者与健康对照组在微状态序列短片段上存在显著差异，表明其有作为识别伴NSSI的青少年抑郁症生物标志的潜力，但微状态序列短片段在不同时间点的重测可信度不明^[17]。

1.3 脑电功能连接分析 脑功能连接主要通过脑区间的相干性指标来体现，相干性指标能够反映不同脑区间在功能上的协同作用或潜在的因果关系。研究表明，缘上回和中央前回、中央后回和楔前叶、角回和中央前回的功能连接，均是预测SI的重要特征^[18]。IZNAK等^[8]在青少年女性抑郁症患者中进行脑电相干性的分析，发现NSSI行为+SA组在额叶-中央-顶叶区域的相干性高于NSSI行为组，表明利用功能连接分析可明确抑郁女性青少年的自杀风险程度。OZGER等^[19]记录26例青少年抑郁症患者的闭眼静息状态脑电图并计算相干性，发现与伴SI者相比，近期有SA者在在右额前叶和左顶枕叶电极对中Delta、Alpha和Beta的相干性增加，但需更大规模的研究证实该结果。

2 事件相关电位

任务态脑电中的ERP可反映情绪和认知加工过程中的神经电生理特征^[20]。目前与NSSI、SI相关的ERP成分主要包括P3波^[21]、N2波、反馈相关负波（feedback-related negativity, FRN）、晚期正电位（late positive potential, LPP）和奖赏正波（reward positivity, RewP）等^[22]。研究发现，相比于健康对照，伴NSSI行为的青少年抑郁症患者在激光诱发电位中的N2波幅值更低，且N2波振幅降低与自杀相关^[23]。一项横断面研究发现，与没有NSSI行为的儿童相比，有NSSI行为史的儿童表现出更多的负DFN（即损失的FRN减去获得的FRN），表明DFN对有自伤史的儿童具有特异性，这为有NSSI行为史的儿童对损失和获得的初始奖励反应增强提供了初步证据，但仍待进行重复、纵向的研究以证实^[24]。KLUMPP等^[25]研究中，抑郁症患者完成货币奖赏任务后，其SI与获得的RewP呈负相关，与损失后的RewP呈正相关，因此RewP有潜力作为SI的神经生理指标^[25]。SONG等^[26]发现惩罚性提示和反馈所引起的P3模式可区分SI者和SA者，进而预测自杀行为。一项研究表明，与伴SI的抑郁症患者相比，伴SA的抑郁症患者在惩罚条件下诱发的LPP波幅显著大于中性条件，且痛苦逃避得分可作为区分高自杀风险重性抑郁障碍患者的行为学指标，这意味着惩罚条件下的LPP波幅可能是与痛苦加工过程密切相关的神经电生理指标^[27]。周东东^[17]以双选Oddball范式对3组被试进行横断面研究，发现自伤线索下，伴NSSI的青少年抑郁组P3波幅大于健康对照组，不伴NSSI组与另两组无显著差异，提示自伤线索诱发NSSI青少年更显著的P3波幅。

综上所述，伴NSSI行为或SI的抑郁症患者在执行特定认知任务时，其ERP有特定表现，如N2波幅值变化、DFN特征、RewP关联、P3及LPP波幅差异等，这些表现为探究其认知功能与NSSI、SI之间的关联提供了重要依据。但目前多为横断面研究，需进一步重复和深入探究。

3 基于脑电技术的机器学习

脑电等生理特征的时间分辨率较高，与功能性磁共振成像相比，能够对NSSI、SI的认知加工过程做出更加精细的解释^[28]，但目前相关研究极少。2022年，张晶轩^[29]纳入了274名大学生被试，采用爱荷华博弈任务下的ERP、脑电溯源和源空间功能网络表征差异，再运用重复测量方差分析等方法得到脑电源空间神经表征，以表征作为特征，采用可优化的决策树、朴素贝叶斯等4种机器学习模型进行预测，发现抑郁个体在面对负性信息时，扣带皮质、脑岛皮质等功能网络指标特定时间窗上的表征能较准确地预测SI。该研究采用的脑电ERP和溯源指标经时间维度平均，可能失去部分信息，未来可采用动态脑电指标对多个时间采样点进行更加精确的分析。同年，周东东^[17]进行基于ERP及微状态序列短片段的机器学习研究，对28例伴NSSI行为的抑郁症患者进行3个月的随访，结果显示：以差异波N2、P3的波幅和潜伏期作为特征输入时，留一交叉验证的平均精度与随机分类器区分不大。而当被试完成反应抑制相关的心理学范式任务时，微状态序列中有意义的短片段可分类伴有NSSI的抑郁症患者及不伴有NSSI的抑郁症患者，且在一定程度上能从个体水平预测伴NSSI抑郁症患者的NSSI改善程度。该研究表明微状态序列短片段可辅助识别伴有NSSI抑郁症患者及预测短期内NSSI的改善情况。

4 总结与展望

基于EEG的抑郁症患者NSSI、SI的研究已取得一定进展。静息态分析表明，伴NSSI行为者绝对Alpha功率在不同电极点Z值有变化，Beta节律在伴SI者额叶区域频谱功率改变，Gamma绝对功率在伴SI者中有特异性，伴NSSI行为者的Gamma和Beta绝对功率在某些电极点改变，Delta功率在FP2节点Z值更高^[30]。脑电微状态研究发现伴NSSI行为、SI者的微状态存在差异，微状态序列短片段可辅助识别伴有NSSI抑郁症患者并预测其改善情况。脑电功能连接分析表明某些脑区的功能连接与SI相关^[31]。ERP研究提示，与NSSI、SI相关的ERP成分包括P3波、N2波、FRN、LPP和RewP等。伴NSSI行为者N2波幅值较低，DFN可能与自我伤害风险有关，RewP与SI有特定关联，P3模式可区分SI者和SA者，LPP波幅与痛苦加工过程相关，自伤相关线索能诱发伴有NSSI的青少年抑郁组显著的P3波幅。目前脑电技术的机器学习相关研究极少，需进一步深入探究^[32]。

总体而言，目前相关研究虽取得了一定进展，但存在局限性，目前多为横断面研究，部分研究存在样本量小、未控制药物等混杂因素等问题。未来需要扩大样本量、严格控制药物、病程等混杂因素的队列研究，以及结合机器学习等技术进行多维度探索，为早期识别和干预NSSI行为和SI提供策略^[33-36]。

参考文献：

1. DONG M, WANG S, LI Y, et al. Prevalence of suicidal behaviors in patients with major depressive disorder in China: A comprehensive meta-analysis[J]. J Affect Disord, 2018, 225: 32-39.

2. WEINTRAUB M J, VAN DE LOO M M, GITLIN M J, et al. Self-Harm, affective traits, and psychosocial functioning in adults with depressive and bipolar disorders[J]. J Nerv Ment Dis, 2017, 205(11): 896-899.

3. BEAUCHAINE T P, HINSHAW S P, BRIDGE J A. Nonsuicidal self-injury and suicidal behaviors in girls: The case for targeted prevention in preadolescence[J]. Clin Psychol Sci, 2019,7(4):643-667.

4. GEULAYOV G, CASEY D, BALE L, et al. Suicide following presentation to hospital for non-fatal self-harm in the multicentre study of self-harm: A long-term follow-up study[J]. Lancet Psychiatry, 2019, 6(12): 1021-1030.

5. CASTELLVÍ P, LUCAS-ROMERO E, MIRANDA-MENDIZÁBAL A, et al. Longitudinal association between self-injurious thoughts and behaviors and suicidal behavior in adolescents and young adults: A systematic review with meta-analysis[J]. J Affect Disord, 2017, 215: 37-48.

6. 周云飞, 刘铁榜, 胡静初, 等. 伴自杀行为和不伴自杀行为精神分裂症睡眠脑电功率谱密度比较研究[J]. 中国神经精神疾病杂志, 2022, 48(5): 275-280.

7. HONG S Y, PARK Y M, PARK E J. Non-suicidal self-injury and quantified electroencephalogram in adolescents and young adults with depression[J]. Clin Psychopharmacol Neurosci, 2024, 22(1): 151-158.

8. IZNAK A F, IZNAK E V, DAMYANOVICH E V, et al. Differences of EEG frequency and spatial parameters in depressive female adolescents with suicidal attempts and non-suicidal self-injuries[J]. Clin EEG Neurosci, 2021, 52(6): 406-413.

9. BENSCHOP L, BAEKEN C, VANDERHASSELT M A, et al. Electroencephalogram resting state frequency power characteristics of suicidal behavior in female patients with major depressive disorder[J]. J Clin Psychiatry, 2019, 80(6): 18m12661.

10. KREPEL N, BENSCHOP L, BAEKEN C, et al. An EEG signature of suicidal behavior in female patients with major depressive disorder? A non-replication[J]. Biol Psychol, 2021, 161: 108058.

11. JIANG C, HUANG Z, ZHOU Z, et al. Decreased beta 1 (12-15 Hertz) power modulates the transfer of suicidal ideation to suicide in major depressive disorder[J]. Acta Neuropsychiatr, 2023, 35(6): 362-371.

12. ARIKAN M K, GUNVER M G, TARHAN N, et al. High-gamma: A biological marker for suicide attempt in patients with depression[J]. J Affect Disord, 2019, 254: 1-6.

13. 陆志荣, 冯慧宇, 陈玲, 等. 量化脑电图在成人非超急性期缺血缺氧性脑病预后评估中的作用[J]. 中国神经精神疾病杂志, 2022, 48(10): 582-589.

14. HU J H, ZHOU D D, MA L L, et al. A resting-state electroencephalographic microstates study in depressed adolescents with non-suicidal self-injury[J]. J Psychiatr Res, 2023, 165: 264-272.

15. HE X Q, HU J H, PENG X Y, et al. EEG microstate analysis reveals large-scale brain network alterations in depressed adolescents with suicidal ideation[J]. J Affect Disord, 2023, 346: 57-63.

16. SIKKA A, JAMALABADI H, KRYLOVA M, et al. Investigating the temporal dynamics of electroencephalogram (EEG) microstates using recurrent neural networks[J]. Hum Brain Mapp, 2020, 41(9): 2334-2346.

17. 周东东. 青少年抑郁症中非自杀性自伤反应抑制的神经电生理研究[D]. 重庆: 重庆医科大学, 2022.

18. BOHATEREWICZ B, SOBCZAK A M, PODOLAK I, et al. Machine learning-based identification of suicidal risk in patients with schizophrenia using multi-level resting-state fMRI features[J]. Front Neurosci, 2020, 14: 605697.

19. OZGER C, CHUMACHENKO S, MCVOY M, et al. Evidence for altered electroencephalography coherence in depressed adolescents with suicidal ideation and behaviors[J]. J Child Adolesc Psychopharmacol, 2023, 33(7): 287-293.

20. 何山, 吕钦谕, 易正辉. 非自杀性自伤青少年执行功能障碍的研究进展[J]. 上海交通大学学报(医学版), 2024, 44(4): 518-524.

21. 何建锋, 杨乔, 唐莺莹, 等. 精神分裂症情绪刺激加工异常的P300成分研究[J]. 中国神经精神疾病杂志, 2022, 48(7): 419-425.

22. OBERG S A, CHRISTIE G J, TATA M S. Problem gamblers exhibit reward hypersensitivity in medial frontal cortex during gambling[J]. Neuropsychologia, 2011, 49(13): 3768-3775.

23. LEONE C, GALOSI S, MOLLICA C, et al. Dissecting pain processing in adolescents with non-suicidal self injury: Could suicide risk lurk among the electrodes?[J]. Eur J Pain, 2021, 25(8): 1815-1828.

24. TSYPES A, OWENS M, HAJCAK G, et al. Neural reward responsiveness in children who engage in nonsuicidal self-injury: An ERP study[J]. J Child Psychol Psychiatry, 2018, 59(12): 1289-1297.

25. KLUMPP H, BAUER B W, GLAZER J, et al. Neural responsiveness to reward and suicidal ideation in social anxiety and major depression before and after psychotherapy[J]. Biol Psychol, 2023, 178: 108520.

26. SONG W, LI H, SUN F, et al. Pain avoidance and its relation to neural response to punishment characterizes suicide attempters with major depression disorder[J]. Psychiatry Res, 2020, 294: 113507.

27. 宋巍, 李欢欢, 郭婷, 等. 金钱激励延迟任务下抑郁症自杀者的神经电生理特征及其与心理痛苦的关系[J]. 中国临床心理学杂志, 2018, 26(6): 1049-1056.

28. YURUK D, OZGER C, GARZON J F, et al. Sequential bilateral accelerated theta burst stimulation in adolescents with suicidal ideation associated with major depressive disorder: Protocol for a randomized controlled trial[J]. PLoS One, 2023, 18(4): e280010.

29. 张晶轩. 特质抑郁和冲动性个体的脑电源空间神经表征预测自杀意念研究——基于机器学习模型[D]. 重庆: 中国人民解放军陆军军医大学, 2022.

30. LOZUPONE M, SERIPA D, STELLA E, et al. Innovative biomarkers in psychiatric disorders: A major clinical challenge in psychiatry[J]. Expert Rev Proteomics, 2017, 14(9): 809-824.

31. DWYER D B, FALKAI P, KOUTSOULERIS N. Machine learning approaches for clinical psychology and psychiatry[J]. Annu Rev Clin Psychol, 2018, 14: 91-118.

32. NIEUWENHUIS M, VAN HAREN N E, HULSHOFF P H, et al. Classification of schizophrenia patients and healthy controls from structural MRI scans in two large independent samples[J]. Neuroimage, 2012, 61(3): 606-612.

33. ZENG X, YAN X, YANG Y, et al. A correlation analysis on the postpartum anxiety disorder and influencing factors in puerperae with gestational diabetes mellitus[J]. Front Endocrinol (Lausanne), 2023, 14: 1202884.

34. LANG X, XUE M, ZANG X, et al. Efficacy of low-dose risperidone in combination with sertraline in first-episode drug-naïve patients with schizophrenia: A randomized controlled open-label study[J]. J Transl Med, 2023, 21(1): 432.

35. GAO Z, XIU M, LIU J, et al. Obesity, antioxidants and negative symptom improvement in first-episode schizophrenia patients treated with risperidone[J]. Schizophrenia (Heidelb), 2023, 9(1): 17.

36. SU X, WANG X, PAN X, et al. Effect of repetitive transcranial magnetic stimulation in inducing weight loss in patients with chronic schizophrenia: A randomized, double-blind controlled 4-week study[J]. Curr Neuropharmacol, 2023, 21(2): 417-423.

【引用格式】何宇航，易芸，李荷花，等. 脑电技术在抑郁症非自杀性自伤行为和自杀意念中研究进展[J]. 中国神经精神疾病杂志，2024，50（9）：560-564.

【Cite this article】HE Y H,YI Y,LI H H,et al.Advance in research on EEG technology in non-suicidal self-injurious behaviour and suicidal ideation in depression[J]. Chin J Nervous Mental Dis，2024，50(9）：560-564.

DOI：10.3969/j.issn.1002-0152.2024.09.008