基于心理痛苦和靜息態腦電成分的多模態數據對抑郁癥自殺未遂的分類效能

安依雯，李楊，李歡歡，溫曉通，郭婷，王湘

（1.中國人民大學心理學系，北京 100872；2.中南大學湘雅二醫院醫學心理研究中心，長沙 410011）

自殺是全球性重大公共衛生問題,每年約造成70 萬人死亡[1]。重性抑郁癥（major depressive disorder, MDD）是自殺死亡中最常見的精神障礙之一。MDD患者終生自殺未遂的發生率為31%[2]。因此，以MDD 患者為研究對象，探索能有效區分高、低自殺風險的關鍵心理因素及其相關神經基礎，是自殺研究領域的一個重要方向。

近年來，心理痛苦能有效預測MDD患者自殺意念和自殺未遂的行為學證據逐漸累積。心理痛苦是一種復雜的負性情緒內省體驗，表現為羞恥、恐懼、內疚、悲傷、絕望和憤怒等[3]。來自橫斷面和縱向研究結果顯示，心理痛苦在大學生的抑郁與自殺未遂之間起部分中介作用，且只有大學生入學時的心理痛苦水平能顯著預測10年后的自殺未遂，而抑郁和無望感則不能[4，5]。Li[6]進一步提出自殺的心理痛苦三因素模型（痛苦喚醒、痛苦體驗和痛苦逃避），強調高痛苦逃避動機才是預測自殺行為的關鍵因素。傳統線性回歸分析結果顯示，在國內MDD患者中僅有痛苦逃避可以顯著預測自殺意念和自殺未遂，國內大學生、國外社區和大學生人群中僅有痛苦逃避可以顯著預測自殺意念[7-9]。采用分類與回歸樹算法結果顯示，痛苦逃避位于中學生自殺危機分類模型的根節點[10]。以上行為學證據顯示，心理痛苦，尤其是痛苦逃避可能是預測MDD 患者自殺未遂的關鍵心理因素。

情感激勵延遲任務（affective incentive delay task,AID）是能夠有效分離痛苦加工過程的認知范式[11]。該范式懲罰條件下的期待階段、目標反應階段和反饋階段分別對應痛苦逃避、痛苦喚醒和痛苦體驗。來自傳統分析的任務態腦電研究結果顯示，有自殺未遂史的MDD 患者在AID 任務懲罰條件負反饋時誘發的反饋相關負波（feedback-related negativity,FRN）波幅顯著大于無自殺未遂史者[12]。高自殺意念水平的大學生在自我參照懲罰條件和獎勵條件負反饋時誘發的晚期正電位（late positive potential,LPP）波幅均大于中性條件，在自我參照懲罰條件下，負反饋誘發的晚期theta能量值顯著小于低自殺意念者[13]。由于FRN可能反映了個體對負性刺激的注意偏向和情緒加工[14]，LPP 反映了個體對動機性刺激的神經反應[15]，theta也與情緒加工有關[16]，上述研究結果提示，高自殺風險的MDD患者對懲罰刺激的注意投入過多，并且對其誘發的負性情緒反應難以進行有效調節。

上述研究基于傳統分析方法探索區分高低自殺風險者的痛苦加工相關神經電生理指標，可能存在的問題是：一方面，神經電生理指標與自殺意念或自殺未遂之間并非線性關系，而傳統分析方法對于非線性數據的處理具有明顯的局限性，基于平均值差異的計算結果可能存在偏倚，難以發現區分不同自殺風險的有效神經電生理指標。另一方面，自殺腦機制作為一個復雜的、具有高維空間特征的模型，應綜合多模態數據，而非單模態數據進行刻畫。機器學習（machine learning,ML）作為一種新興的尋找疾病生物標記物的非線性數據處理方法，能夠整合多模態數據來預測自殺風險，提高自殺分類模型的敏感性和特異性[17]。一項綜述表明，基于機器學習對自殺行為的預測效能（AUC=0.87）優于傳統回歸分析（AUC=0.58）[18]。

在機器學習中，支持向量機（support vector machine,SVM）是具有相關學習算法的監督學習模型，可用于分析和分類連續變量，且當樣本量較小時，分類準確率高，泛化能力強[19]?；诖?，有研究者結合心理痛苦三因素模型的行為指標、自我參照AID 任務態腦電成分和少數靜息態腦電特征，采用支持向量機算法建立多模態大學生自殺意念分類模型，結果顯示，該模型準確率（accuracy）高達85.66%。痛苦逃避是模型重要特征集的首位重要特征，排名前十的腦電特征均為任務態腦電成分，包括自我參照懲罰條件下的關聯性負變（contingent negative variation, CNV）、LPP、target-P3 和feedback-P3 等，而靜息態腦電成分未能進入該模型的前十位重要特征中[20]。提示機器學習構建痛苦逃避及痛苦加工相關腦電成分的多模態模型對于識別非臨床群體自殺意念具有較為重要的價值。然而，基于心理痛苦三因素模型的多模態數據是否在MDD 患者自殺未遂分類模型中具有重要作用仍需要探索。

值得注意的是，基于心理痛苦相關的多模態數據建構的自殺分類模型，還缺乏更為豐富的靜息態腦電指標。與任務態相比，靜息態EEG作為大腦的自發腦電活動，不受任務本身的干擾，有利于了解基線心理痛苦水平的神經電生理指標對于自殺分類模型的貢獻。以往研究發現，有自殺未遂史的MDD患者相比于健康對照組在睡眠期間delta 活動減少[21]。在控制抑郁水平后，額葉delta活動可以負向預測心理痛苦水平[16]。由于較低的delta表征了靜息態下自發大腦活動較強，上述結果提示，delta功率減少，反映出額葉皮層的高度激活和睡眠質量下降，可能是個體表現出更高的心理痛苦水平和自殺風險的神經電生理特征。

此外，也有研究考察額葉α不對稱性、theta、beta和gamma與自殺風險的關系。例如，MDD患者的額葉α不對稱指數與自殺風險呈正相關[22]；健康人群中高自殺意念水平者額葉中區的theta 相對功率值顯著高于低自殺意念水平者[23]。在女性MDD 患者中考察靜息態EEG與自殺之間的關系，發現與無自殺意念和自殺未遂史的MDD 患者相比，有自殺意念和自殺未遂史者在額葉區域均表現出較低的beta和gamma 節律[24]。因此，基于多模態數據的自殺分類模型，應納入上述多種靜息態腦電指標進行分析。

綜上，本研究以有、無自殺未遂史的MDD 患者為研究對象，結合心理痛苦三因素模型，整合人口學特征、臨床量表得分和靜息態EEG 成分，使用遞歸式特征消除（recursive feature elimination,RFE）算法結合支持向量機分類器，建立多模態數據的自殺未遂分類模型?？疾煸撃Ｐ偷姆诸愋?，并分析心理痛苦和靜息態腦電指標在該模型中的重要性。

1 對象和方法

1.1 被試

本研究招募某大學附屬醫院心理門診部的73名患者（女性52名），所有患者均由精神科醫師根據DSM-5 診斷為MDD。病例組入組標準為：①年齡18～45 歲；②右利手；③初中及以上文化程度；④聽力、視力或矯正視力正常；⑤貝克抑郁量表第一版（BDI-Ⅰ）得分≥17。根據有無自殺未遂史，將MDD患者分為抑郁自殺未遂組（major depressive disorder with a history of suicide attempts, MDD-SA，n=30）和抑郁無自殺未遂組（major depressive disorder with no history of suicide attempts,MDD-NSA，n=43）。

健康對照組（healthy control，HC）來自于同期招募的36名健康人（女性20名）。入組標準為：①年齡18～45 歲；②右利手；③BDI-I≤10；④BSI-C＜2 且BSI-W＜16；⑤既往無自殺未遂史；⑥初中及以上文化程度；⑦聽力正常、視力或矯正視力正常。

所有被試排除標準如下：①當前或既往其他軸Ⅰ精神障礙；②既往腦部器質性疾病或既往頭部創傷史、頭部手術史；③當前或既往患有重大軀體疾病或神經系統疾??；④近一年接受過電休克治療。

本研究經大學附屬醫院研究倫理委員會審批，所有被試均自愿參加并簽署知情同意書。

1.2 測量工具

采用自編量表收集被試的一般人口學信息，包括性別、年齡、受教育程度等信息。專業醫師進行臨床結構化訪談并記錄被試的既往自殺未遂史。

三維心理痛苦量表（Three-dimensional Psychological Pain Scale, TDPPS）[6]：用于測量心理痛苦水平，包括痛苦喚醒、痛苦體驗、痛苦逃避三個分量表。該量表在我國MDD群體中信效度良好[6]。本研究樣本中，TDPPS 和痛苦喚醒、痛苦體驗、痛苦逃避分量表的Cronbach’s α系數分別為0.96、0.85、0.93和0.91。

貝克抑郁量表第一版（Beck Depression Inventory-I,BDI-Ⅰ）[25]：用于評估個體抑郁狀態。該量表中文修訂版在中國MDD 群體中具有良好的信效度[26]。本研究樣本中，Cronbach’s α=0.96。

貝克自殺意念量表（Beck Suicide Ideation Inventory, BSI）[27]：評估最嚴重時自殺意念（suicidal ideation at one’s worst point,BSI-W）和最近一周自殺意念（current suicidal ideation, BSI-C）。本研究樣本中，BSI-W和BSI-C的Cronbach’s α系數均為0.94。

1.3 EEGs數據采集和分析

1.3.1 腦電數據采集和預處理 在屏蔽電磁和安靜的實驗室，被試坐于舒適凳子上保持清醒的放松狀態，采用美國NeuroScan 4.3（Neurosoft, IncSterling,USA）型64導數字化腦電記錄分析系統記錄其睜眼靜息狀態下的5分鐘腦電信號。收集電生理數據時使用左乳突（M1）作為參考電極，右乳突（M2）為記錄電極，所有電極與頭皮之間的阻抗均保持在5kΩ以下。采用0.05～100Hz的帶通濾波器，采樣頻率為1000Hz/電導，通過放大器放大，記錄連續腦電圖。

使用基于MATLAB 的開源工具包EEGLAB 對腦電數據進行預處理。將M1、M2 的平均值作為重參考數據，進行0.1～50Hz的帶通濾波。對數據進行分段（2s/段），對壞電極插值壞導。使用獨立成分分析（independent component analysis, ICA）算法，人工去除眨眼、眼動或肌電等偽跡成分。刪除振幅超過±100uV分段，保留至少有30個分段的被試。

1.3.2 頻譜分析 預處理后的腦電數據進行頻譜分析，計算每個被試每個電極的功率譜。每段數據進行快速傅里葉變換（fast fourier transform,FFT），將時域特征轉化為頻域特征，以獲得頻段能量。從感興趣電極點中提取了以下9個頻段的平均絕對功率值和相對功率值：delta（1～4Hz，Fz、Pz 和Oz）、theta（5～7Hz，Fpz、Fcz 和Fz）、總alpha（8～12Hz，F3 和F4）、低頻alpha（8～10Hz）、高頻alpha（10～12Hz）、beta（13～30Hz，Cz、Oz 和Pz）、總gamma（31～49Hz，Fpz、Fz、Cz 和Oz）、低頻gamma（31～40Hz）、高頻gamma（40～49 Hz）。由于EEG數據高度偏態化，對各頻段能量值在統計分析之前均采用自然對數轉換以達到正態性。關于額葉alpha 不對稱指數，計算FAA=ln[F4alpha]-ln[F3alpha], 低頻FAA=ln[F4 低頻alpha]-ln[F3 低頻alpha]，高頻FAA =ln[F4 高頻alpha]-ln[F3高頻alpha]作為其指標。

1.4 統計分析

使用SPSS 26.0 進行數據分析。對人口學變量采用卡方檢驗/單因素方差分析（ANOVA）進行組間差異檢驗，進一步以年齡為協變量對臨床量表變量進行協方差分析（ANCOVA）。事后檢驗P值在方差齊性時使用Bonferroni 校正，方差不齊時使用Games-Howell校正。對量表得分與FAA值、各頻段各電極點能量值進行Pearson積差相關，設置P＜0.05為具有統計學意義。

1.5 機器學習

從每個被試中提取了19個EEG特征（均采用絕對能量值），作為單模態特征集。加上年齡、痛苦喚醒、痛苦體驗、痛苦逃避和BDI量表分等人口學和臨床特征，得到24個特征，構成多模態特征集。

首先，分別構建痛苦喚醒、痛苦體驗和痛苦逃避單模態二分類模型。結果變量根據TDPPS 中各分量表的劃界分標記，小于劃界分標記為“0”，大于劃界分標記為“1”[28]。其次，分別構建自殺未遂的單模態和多模態分類模型。結果變量根據既往有無自殺未遂史進行標記，無自殺未遂史的個體為“0”，有自殺未遂史的為“1”。對結果變量進行編碼后，將單模態特征與多模態特征分別作為輸入特征集（設變量數為M）。

機器學習需要在數據子集上訓練分類器，并在獨立子集上測試分類器。第一步，將數據隨機拆分為訓練集（70%）和測試集（30%）并通過有放回的隨機抽樣重復1000 次。第二步，采用RFE 的思想，在訓練集中應用支持向量機分類器進行M-1 次訓練。采用十折交叉驗證對測試集數據進行分割，根據10 次驗證結果的平均值計算所有輸入特征的權重。根據權重對所有特征進行排序，刪除權重值最低的特征后，將其余特征存儲為新特征集（變量數為M-1），以此為輸入變量進行下一次訓練。第三步，將每次訓練獲得的分類應用于測試集進行評估，獲取準確率（Accuracy）、精度（Precision）、召回（Recall）和AUC 值隨納入特征的個數變化的函數曲線作為模型分類性能的評估指標[29]。最后，對上述評估指標曲線在1000次抽樣之間進行平均，以獲取其隨分類模型納入的重要特征數目變化的平均函數曲線，同時對每個特征在1000 次抽樣中的權重等級值進行平均，以獲取特征權重等級的平均值。

2 結果

2.1 人口統計學和臨床量表結果

卡方檢驗和方差分析結果顯示，三組被試的性別比例、受教育程度差異不顯著，年齡差異顯著（P＜0.01）（見表1）。年齡與各量表得分做相關分析顯示，年齡與BSI-C 顯著負相關（r=-0.20,P＜0.05），與BDI、BSI-W、TDPPS 及其分量表得分相關均不顯著。后續差異分析將年齡作為協變量。

表1 被試人口統計學特征和臨床量表得分差異

方差分析顯示，三組被試BDI、BSI-C、BSI-W、TDPPS總分及其分量表得分差異顯著（Ps＜0.01）（見表1）。事后比較發現，MDD-SA 組的BDI、BSI-C、BSI-W、TDPPS和痛苦逃避得分顯著高于MDD-NSA組和HC 組（Ps＜0.01）；MDD-SA 組痛苦喚醒得分顯著高于MDD-NSA 組（P＜0.05）和HC 組（P＜0.01）；上述量表得分MDD-NSA 組均顯著高于HC 組（Ps＜0.01）。MDD-SA和MDD-NSA的痛苦體驗得分顯著高于HC組（Ps＜0.01）。

2.2 機器學習結果

單模態分類模型中，痛苦喚醒、痛苦體驗、痛苦逃避和自殺未遂分類模型在分別納入11、12、8 和8個重要特征時，1000次抽樣的模型評估指標平均值達到最佳（見表2）。

表2 五個分類模型的重要特征集及分類性能

多模態分類模型在1000 次抽樣的模型評估指標平均值隨納入重要特征數目變化的函數曲線如圖1所示。當納入3個重要特征時，自殺未遂多模態分類模型各指標達到最佳（accuracy=85.01%, precision=0.73, recall=0.78, AUC=0.93）。自殺未遂多模態分類模型中，痛苦逃避、年齡、oz通道的低頻gamma和BDI在重要特征集中排序前四（見表2）。

圖1 自殺多模態分類模型評估指標變化曲線

2.3 靜息態腦電傳統分析結果

方差分析結果表明，在低頻gamma頻段，oz通道的絕對能量值在三組之間差異顯著，事后檢驗顯示:MDD-SA 組顯著大于MDD-NSA 組。三組被試總FAA 和高頻FAA 值差異顯著，事后檢驗顯示MDDSA 組顯著小于HC 組和MDD-NSA 組。在delta 頻段，三組被試的絕對能量值在fz、oz和pz通道上差異顯著，事后檢驗顯示在fz和oz通道上MDD-SA 組顯著大于MDD-NSA 組和HC 組，且MDD-NSA 組顯著大于HC 組；在pz 通道上MDD-SA 組顯著大于MDD-NSA 組。三組被試的相對能量值在fz 通道上差異顯著，事后檢驗顯示MDD-SA 組顯著大于MDD-NSA。在beta頻段，三組被試的絕對能量值在oz 通道差異顯著，事后檢驗顯示MDD-SA 組顯著大于MDD-NSA組。其余頻段和通道的絕對能量值或相對能量值三組之間差異均不顯著（見表3）。

表3 三組被試額葉alpha不對稱指數與各頻段絕對/相對能量值差異

相關分析結果表明，總gamma、低頻gamma、高頻gamma 頻段的絕對能量值在fpz 通道上均與痛苦逃避以及BSI-C顯著正相關；總gamma、低頻gamma和高頻gamma 頻段的相對能量值在fpz 通道上均與痛苦逃避、BSI-C 和BSI-W 顯著正相關。其余腦電指標和量表相關分析的結果見表4。

表4 EEG絕對和相對能量值與臨床量表得分的相關分析

3 討論

本研究首次整合人口學特征、TDPPS 量表得分和多種靜息態腦電指標等多模態數據，采用機器學習算法考察MDD 患者自殺未遂分類模型的區分效能及其重要特征集。結果發現，基于多模態數據的自殺未遂分類模型準確率為85.01%，AUC 為0.93，模型區分效能優良。痛苦逃避在自殺未遂多模態分類模型的最優特征集中排名第一，抑郁排名第二，枕葉區域的低頻gamma、beta 和高頻gamma 是該分類模型特征重要性排名前三的靜息態腦電指標。且cz和fpz通道低頻和fpz通道的高頻gamma是痛苦逃避分類模型中排名前三的靜息態腦電指標。進一步驗證了痛苦逃避的行為學指標在區分MDD 自殺風險中的重要性，并為gamma 作為自殺未遂和痛苦逃避分類模型有效指標的可能性提供了研究證據支持。

本研究發現，MDD-SA 組TDPPS 總分、痛苦喚醒和痛苦逃避得分顯著高于MDD-NSA 組，但兩組痛苦體驗得分無顯著差異，與以往研究結果類似[6，20]。表明痛苦逃避是能夠區分有和無自殺未遂史MDD患者穩定的行為學指標。具有高痛苦逃避動機的MDD患者，自殺風險更高。

本研究結果顯示，基于支持向量機遞歸特征消除法構建的痛苦喚醒（accuracy=63.32%）、痛苦體驗（accuracy=52.91%）、痛苦逃避（accuracy=58.46%）分類模型準確率較低，AUC 值僅高于隨機水平（0.5）。提示使用單模態的靜息態腦電指標對心理痛苦進行分類的效能有限?？赡艿慕忉屖牵阂皇菢颖玖肯鄬^小，所得結果穩定性有待驗證；二是作為復雜的內省情緒體驗，單模態的靜息態腦電指標表征心理痛苦不同成分的效能有限，或是當前構建模型選擇的靜息態腦電指標對區分不同心理痛苦加工過程的特異性不足。與痛苦分類模型不同的是：無論是自殺未遂單模態（accuracy=72.10%）還是多模態（accuracy=85.01%）分類模型的準確率均較高，且多模態分類模型的AUC 值高達0.93，優于單模態（AUC=0.59）。相比于近期一項基于靜息態EEG 建立MDD的自殺意念分類模型結果（accuracy=70.50%,AUC=0.77），本研究中的自殺未遂多模態模型的AUC和準確率均更高[30]，提示與僅使用靜息態EEG 特征的單模態數據相比，結合心理痛苦三因素模型和靜息態腦電特征的多模態數據對MDD 患者自殺未遂的識別更具有優勢。

值得注意的是，在自殺未遂多模態分類模型的重要特征集中，痛苦逃避排序第一，與大學生自殺意念分類模型結果類似[20]。此外，排序第二到第四的分別是年齡、oz 通道的低頻gamma 和抑郁。提示年齡和抑郁對區分有無自殺未遂個體也有較好的效能。痛苦逃避分類模型與自殺未遂分類模型中重疊的重要腦電特征為gamma?？赡艿慕忉屖?，痛苦逃避作為心理痛苦的動機成分，是一種高級認知過程，而在所有頻段中，gamma（30～49hz）與高階認知功能最密切相關[31]。因此，gamma 可能表征了個體基線的痛苦逃避動機，可以作為自殺未遂的潛在電生理指標。

在傳統分析中，本研究發現，相比于MDD-NSA和HC 組，MDD-SA 組FAA 顯著降低，且FAA 與TDPPS、痛苦喚醒和痛苦逃避得分呈顯著負相關，即右側額葉更高的激活與高痛苦逃避、自殺未遂有關，與一項任務態腦電研究結果一致。該研究發現相比于低自殺風險組，高自殺風險組在情緒stroop 任務中左額葉區域表現出活動減少[32]。由于左半球在處理積極情緒方面占主導地位，右半球激活則與負面情緒加工有關[33]。該結果提示MDD-SA組表現出對負性刺激的優勢加工，可能是促發高水平心理痛苦和痛苦逃避動機的神經基礎。此外，MDD-SA 組在delta、beta 以及低頻gamma 的絕對能量值上顯著大于MDD-NSA 組，這與Benschop[24]等人的研究結果存在矛盾，可能的原因是該研究與本研究關注的對象不同，本研究對象同時包括男性和女性MDD 患者，而非僅聚焦于女性。結合機器學習的結果，提示上述各頻段腦電指標在建構自殺分類模型時的重要性值得進一步探討。從相關分析結果來看，額葉和枕葉delta、前額gamma 頻段絕對能量值和相對能量值均與痛苦逃避和當前自殺意念顯著正相關，且gamma 與抑郁無顯著相關，提示gamma 可能是痛苦逃避與自殺風險共同的神經電生理指標。

本研究尚存在以下不足：第一，本研究中樣本量相對較小且線性特征較多，這可能會導致使用支持向量機建構的分類模型過度擬合，未來可進一步擴大樣本量，避免過擬合或增加外部驗證提高模型的準確性。第二，腦電預處理部分使用ICA 去除偽跡可能會改變固有腦電信號信息，未來可采取從無偽跡的部分選擇用于分析的分段，提高腦電信號的穩定性。第三，所采用的臨床量表得分均為自我報告，后續研究應考慮納入他評量表、客觀的醫療記錄等自殺評估數據，進一步提高模型的分類效能。