近日，数理医学院李刚团队在国际知名的医学-精神病学领域期刊Journal of Affective Disorders（二区top）上在线发表题为“Neurophysiological Mechanisms and Predictive Modeling of SSRI Treatment Response in Depression Disorder Based on Multidimensional EEG Features”的高水平研究论文，对深化生物医学信号与人工智能在抑郁症疗效预测领域发展具有重要的推动意义。浙江师范大学为第一单位，李刚为第一作者，研究生黄博义为共同第一作者，浙江大学温州研究院副研究员胡佛和金华市第二医院主任汪林兵为通讯作者。

抑郁症是一种高患病率、高致残性的常见精神障碍，其核心临床特征表现为持续性的情绪低落、兴趣减退以及一系列认知与生理功能的失调。该疾病不仅严重损害患者的日常生活能力与社会功能，还为其家庭乃至整个社会带来了沉重的经济与照护负担。选择性血清素再摄取抑制剂（SSRI）虽作为一线抗抑郁药物，但其疗效存在显著个体差异，目前缺乏能够早期预测治疗反应的客观生物标志物。脑电图（EEG）因其高时间分辨率和非侵入性特点，被视为揭示抑郁症神经机制及预测疗效的重要工具。然而，现有研究多局限于单一类型的EEG特征，难以全面捕捉大脑活动的多维度信息，且在高维特征空间中易出现冗余和过拟合问题。

为解决上述问题，本研究整合了来自同一医院的27名抑郁症患者（数据集Ⅰ）和5名独立验证患者（数据集Ⅱ）的多时间窗EEG数据，并根据治疗前后的抑郁量表分数分为药物无效组（DIG）和药物有效组（DEG）。从频域、非线性动力学和功能连接角度提取了多维脑电特征，以全面刻画脑电活动。通过递归特征消除（RFE）算法优化特征子集，并构建机器学习分类模型进行疗效预测。结果显示，SVM-RFE模型在12秒时间窗口下被试独立测试下达到96.83%的预测准确率（图2）。对独立验证集中5名患者的进一步验证结果显示，模型预测准确率最高可达100%，在小样本条件下依然稳定可靠（表1）。特征分析发现，Beta2频段在预测中起关键作用：DEG在Beta2频段表现出更高的相对功率和模糊熵（图3）。功能连接分析表明，DEG组在中高频段（Alpha1、Alpha2、Beta1、Beta2）的长程功能连接增强，且主要涉及前额叶区域。综上所述，本研究提出了一种基于多维度EEG特征与机器学习相结合的SSRI疗效预测框架，不仅显著提升了分类性能，还揭示了Beta2振荡增强与前额叶长程连接强化作为SSRI应答的潜在神经生物标志物，为抑郁症的个体化治疗提供了可靠的客观评估工具，也为理解抗抑郁药物作用的脑网络机制提供了新的理论依据。

图1.总体结构流程图。

图2.基于RFE特征选择后SVM-RFE模型的最大准确率及最优特征子集。

表1.在12秒时间窗口下，采用与未采用特征选择的新招募患者的模型预测准确率（%）验证结果

图3.Beta2节律的RP和FE能量分布图。其中每个值均为所有受试者的平均值。为了更好地可视化，对DIG组和DEG组Beta2节律的RP和FE进行了0到1之间的标准化处理，对应值大小可参照颜色条。红色圆点表示由RFE算法选出的最优特征。可观察到DEG组的RP和FE值明显高于DIG组。

图4.脑功能网络中的Theta、Alpha1、Alpha2、Beta1和Beta2节律。其中，红色线表示DEG中的PLI值低于DIG的PLI值，而蓝色线则表示DEG的PLI值高于DIG的PLI值。