卒中后抑郁患者认知任务下的脑网络特征

目的：脑卒中后抑郁(PSD)可能与脑网络特性改变有关。本研究旨在探讨PSD在经典认知任务，即oddball任务下的脑网络特征，以促进我们对PSD发病机制和诊断的认识。

方法：招募19例卒中有PSD患者和18例卒中无PSD患者(非PSD)。在oddball任务状态和静息状态下，记录了覆盖背外侧前额叶皮质的功能性近红外光谱(fNIRS)。利用图论提取脑网络特征，并对PSD组和非PSD组进行比较。此外，分别使用静息和任务状态下的特征来评估PSD和非PSD被试之间的分类性能。

结果：与静息状态相比，PSD组和非PSD组在任务状态下更多的脑网络特征表现出显著差异，从而获得更好的分类性能。在任务状态下，PSD被试的同配性、集群系数、特征路径长度和局域效率高于非PSD被试，而全局效率低于非PSD被试。

结论：与静息状态相比，认知任务状态下与PSD相关的脑网络特性改变更为明显，PSD患者在任务状态下的脑网络抵抗攻击和信息传递的能力降低。

意义：本研究论证了任务状态下研究脑网络特性对探索PSD的发病机制和新的诊断方法的可行性和优越性。

1. 引言

卒中后抑郁(PSD)是卒中后最常见的神经精神并发症。大约三分之一的卒中患者患有PSD，这对他们的康复结果和生活质量有重大影响。研究表明，PSD的早期诊断、预防和治疗对卒中患者非常重要。然而，PSD的发病机制仍在研究中。目前临床上对PSD的诊断主要依赖于对患者情绪状态的主观量表评估，迫切需要一个客观的指标。

现代脑成像技术与复杂网络理论，即图论的结合，为分析脑网络提供了强有力的工具。脑功能网络的研究为认识神经精神疾病的病理机制提供了新的视角，有助于神经精神疾病的早期诊断。先前的研究表明，PSD可能是由某些特定脑网络的损伤引起的。Zhang等利用功能磁共振成像(fMRI)扫描情感网络中的杏仁核，研究左颞叶梗死PSD患者静息状态下的脑功能网络特征。他们发现PSD与受损脑网络的重组密切相关，主要涉及杏仁核和前额皮质。同样，Shi等人收集了静息状态下扣带回皮质的fMRI数据，比较了有和无PSD的卒中患者默认模式网络(DMN)的拓扑特性。结果显示，PSD患者前扣带回皮质与前额叶皮质、扣带回皮质和运动皮质的功能连接性明显降低。但是，前扣带回皮质与海马区、海马旁回、脑岛和杏仁核的功能连接性增强。提示PSD的发病机制可能与DMN连接性改变有关。Balaev等人进一步证明PSD患者的DMN和显著性网络都发生了变化。在另一项静息状态fMRI研究中，Egorova等发现PSD患者左背外侧前额叶皮质与右边缘上回之间的功能连接性明显降低，额顶叶认知控制网络连接性的下降与抑郁症的严重程度呈正相关。总的来说，这些研究在PSD患者的前额叶皮质、杏仁核或海马区发现了异常的脑网络连接。然而，研究最多的是静息状态下的脑网络特性，而且从脑功能网络改变的角度来看，其结果对PSD的病因尚无定论。

研究表明，在神经元和系统水平上，任务状态下的脑功能连接模式与静息状态下的不同。大多数静息状态网络在任务状态下仍可识别，使用非侵入性功能神经成像技术在系统水平上观察到的静息和任务条件之间的脑网络连接差异可能是微妙的。然而，这些差异在大脑中广泛分布。例如，基于人类连接组项目(HCP)任务集，高达38%的连接在任务和休息状态之间存在显著差异。Kaufmann等人最近报道，76.2%的连接在6个任务之间是不同的。尽管脑网络拓扑结构总体上可能保持不变，但当从休息状态切换到任务状态时，网络功能连接确实在某些方面重新配置。例如，在任务状态下，大脑的隔离程度降低，功能连接更加稳定。此外，集线器位置和通信频率都可以通过任务的参与进行调制。因此，与静息态相比，任务态下的脑网络具有广泛多样性和更稳定的脑网络连通性，可能为我们探索PSD的发病机制提供另一种选择。

面部情绪识别是抑郁症研究中最常用的任务之一，主要涉及两类实验范式。一种是要求被试判断情绪类别的外显任务，主要用于研究抑郁症被试的情绪功能障碍。另一种是内隐任务，要求被试通过不同的情绪表达来判断性别。这种范式通常用于评估大脑无意识地处理情绪面孔的能力。通过面部情绪识别任务，研究人员对抑郁症患者负面认知加工的神经机制有一定的了解。然而，面部情绪识别任务存在一定的局限性。首先，表情图片来自不同的国家，因此很难避免种族、年龄等因素的干扰。其次，来自不同国家、不同文化的人对相同表情的认知程度可能不同。最后，性别也可能影响面部表情的识别，因为女性通常有更丰富的情绪，对表情更敏感。与面部情绪识别任务相比，在事件相关电位研究中被广泛使用的经典“oddball”任务范式没有这样的局限性。例如，在oddball任务中诱发的P300波被认为是与大脑认知功能有关的内源性诱发电位。作为注意力和工作记忆等高级认知功能的潜在可靠生物标志物，P300波已被广泛用于认知障碍的评估。人们普遍认为认知与情感之间存在着密切的关系。例如，早期PSD会加重老年男性脑卒中患者的认知障碍。此外，工作记忆的损害被认为是抑郁症认知损害的一个重要指标。同时，研究人员发现P300波在抑郁症和健康个体中都是一种可靠的心理测量方法。基于以上研究结果，本研究假设oddball任务作为一种经典的认知功能评估实验范式，可能涉及到与PSD相关的受损脑网络，从而有助于获得反映PSD神经机制的脑网络特征。同时，据我们所知，目前还没有研究使用oddball任务范式来研究PSD的脑网络特性。

以往关于PSD脑网络的研究大多是利用fMRI数据来测量脑内代谢活动。功能性近红外光谱(fNIRS)作为另一种非侵入性脑功能成像技术，具有成本低、便携性好、便于执行各种任务的优点，更重要的是，它具有比fMRI更高的时间分辨率。因此，它已经在不同的临床环境中得到了应用，特别是在神经科学领域。先前的研究表明，fNIRS测量的氧合血红蛋白浓度(HbO)可能是诊断PSD的有效工具。然而，据我们所知，目前还缺乏使用fNIRS信号来分析PSD患者脑网络的研究。

在本研究中，为了研究任务状态下PSD脑网络特征的变化，从而获得可能用于PSD诊断的生物标志物，在有PSD和无PSD的脑卒中患者中进行了oddball任务范式。采集任务状态和静息状态下的fNIRS数据，基于图论分析和比较PSD和非PSD患者的脑功能连接性和网络特性。基于以往的研究，我们假设导致PSD的一些脑网络特性的改变可能表现在任务状态而不是静息状态，从而导致认知任务状态下的脑网络连接模式和特征比静息状态下更明显。我们的研究结果可能为探索PSD的发病机制和新的诊断方法提供新的视角。

2. 材料与方法

2.1 被试

招募的所有被试均为脑卒中患者，于2022年6月至2022年11月在西安交通大学第一附属医院康复科接受康复治疗。纳入标准如下:(1)年龄30 - 85岁;(2)经计算机断层扫描或磁共振成像确认的脑卒中;(3) 首次卒中，发病后1-12个月内；(4)具有完成实验任务的能力。排除标准为：(1)有精神疾病史，如精神分裂症、心境障碍；(2)药物滥用；(3)严重的神经损害，如听力障碍和身体虚弱；(4)大脑中的金属植入物，如脑深部刺激器；(5)颅骨成形术。本研究于2021年3月27日经西安交通大学第一附属医院伦理委员会批准(批准号：XJTU1AF2023LSK-2021-175)，所有患者或其授权代表签署知情同意书。

所有被试都接受了汉密尔顿抑郁量表(HAMD)的评估，该量表在抑郁症的诊断和严重程度评估中得到了广泛的应用，得分越高，表明抑郁症越严重。评估由医院2名训练有素的精神科医生进行。所有招募的被试根据HAMD评分被分成两组。得分大于或等于8的被试为PSD组。其余得分低于8分者为非PSD组。此外，采用蒙特利尔认知评估测验(MoCA)和简易智力状态测验(MMSE)评估被试的认知状态。

2.2 实验过程

2.2.1 Oddball任务范式

本研究采用了经典的oddball范式。被试分别接受两种强度均为85dB的听觉刺激。默认刺激或非异常刺激为1000Hz的低频音调，而目标刺激或异常刺激为2000Hz的高频音调(图1A)。每个刺激持续时间为0.05s，相邻两个刺激之间存在1~3s的随机反应间隔。总刺激或任务周期为360秒，其中25%为偏差刺激，75%为非偏差刺激。被试被要求在听到异常声音后立即用非瘫痪侧的拇指按下按钮。在任务开始前，有一个20s的休息时间作为基线。在整个实验过程中，被试舒适地坐着，闭着眼睛，身体放松，并要求在刺激期间将注意力集中在听觉刺激上。

2.2.2 数据记录

本研究使用NirScan-6000A系统(中国丹阳惠创医疗设备有限公司)记录fNIRS信号。该系统使用的近红外光波长分别为730、808和850nm。共使用13个光电极，包括7个光源和6个探测器，光电器件间距离为3cm。这种光电极结构使总共14个fNIRS信号通道分别覆盖左侧和右侧背外侧前额叶(DLPF)皮质(图1B)。采样率为11Hz，数据记录在安静黑暗的房间中进行。

2.3 数据处理

2.3.1 预处理

将原始的光强度信号转换为各个通道的光密度(OD)信号。然后，对各个通道使用滑动窗口方法执行自动运动伪影去除过程。具体而言，在每个0.5 s的窗口内，如果OD信号的最大值与最小值之差大于整个试验标准差的6倍，则认为该窗口包含运动伪影，丢弃对应的OD信号，然后使用样条插值法重建。然后使用0.01至0.2Hz的带通滤波器对OD信号进行滤波，以去除心率、血压和呼吸活动中的成分。最后，根据修正的Beer-Lambert定律将处理后的OD信号转换为HbO信号(图1C)。采用分析程序NirSpark(中国丹阳惠创医疗设备有限公司)进行预处理。

图1实验范式(A)，13个光电器件的位置(B)，来自代表性被试的3个通道的HbO信号(C)。

2.3.2 脑网络特征

分别使用来自任务和休息期的数据计算所有可能的通道对的HbO信号之间的Pearson相关系数，得到每个被试的两个14×14连接矩阵。然后对连接矩阵进行Fisher-z变换。本研究使用Gretna软件根据图论估计脑网络指标。具体地说，在本研究中，通过将负矩阵条目设置为零来仅考虑正连通性，然后使用间隔为0.05的稀疏度阈值从0.15到0.5对连接矩阵进行二值化。阈值定义为保留边数除以网络中最大可能边数的比值。计算了包括小世界参数[集群系数(Cp)、Gamma、Lambda、特征路径长度(Lp)、Sigma]、局域效率(Eloc)、全局效率(Eg)、同配性(r)和层次结构(b)在内的全局指标。估计的节点指标包括节点集聚系数(NCp)、节点效率(Ne)、节点局部效率(NLe)、度中心性(Dc)和介数中心性(Bc)。由于在各个阈值下可以获得不同的度量值，因此计算了每个网络度量的曲线下面积(AUC)以供进一步分析。

2.3.3 PSD与非PSD患者的分类

疾病的诊断最终可以转化为分类问题。在本研究中，为了验证是否可以使用提取的脑网络特征来区分PSD和非PSD患者，我们将它们组合在一起作为特征，并使用我们之前研究中使用的支持向量机进行分类。分类准确度定义为正确识别的患者数量与患者总数之间的比率，用作绩效衡量。为了避免样本内优化问题，采用8重交叉验证程序分别对任务和静息条件下的分类精度进行评估。

2.3.4 统计分析

使用SPSS进行统计分析。所有的比较都在PSD组和非PSD组之间进行。具体而言，人口统计信息的比较使用测量数据的双尾双样本t检验和分类数据的Fisher精确检验。使用单尾双样本t检验比较连接强度和脑网络特征。使用Shapiro-Wilk检验验证正态性。如果不满足正态性，则使用Kruskal-Wallis秩和检验。p<0.05为显著水平。

3. 结果

3.1 人口统计信息

招募对象的基本人口统计和临床资料列于表1。统计分析结果显示，PSD组与非PSD组在年龄、性别、受教育程度上均无显著差异。两组患者在卒中类型、病变部位、卒中后发病时间、可按下按钮的手等方面也无显著差异。PSD组HAMD得分显著高于非PSD组，而主要反映认知状态的MMSE和MoCA评分差异无统计学意义。

表1受试者人口学及临床资料

数值以患者数、平均值±SD或中位数(Q1-Q3)表示。

I，缺血；H，出血；SC，皮质下；C，皮质

a T检验。b Fisher精确检验。c Kruskal-Wallis秩和检验。d受教育年限不足6年的被试人数。

图2 PSD组与非PSD组在静息状态(A)和任务状态(B)的连接性差异显著

3.2 功能连接强度

连接矩阵中的每个条目分别量化了两个相应通道覆盖的两个大脑区域之间HbO信号的相互作用强度。为了考察PSD是否改变了连接强度，分别在休息和任务条件下逐项比较了两组之间的连接矩阵。统计分析结果显示，静息状态下，PSD组通道4-6、通道2-5之间的连接强度显著高于非PSD组相应的连接强度(p<0.05)(图2A)。与静息状态相比，两组在任务状态下更多的连接性表现出显著差异(图2B)。与静息状态相比，PSD组的连接强度明显低于非PSD组(P<0.05)。例如，在任务状态下，与非PSD被试相比，PSD被试的中前区(通道7)和外侧区(通道1、3、4、10、11、13和14)之间的连通性降低。

3.3 脑网络特征

3.3.1 全局指标

图3A、C、E、G分别比较了PSD组和非PSD组在任务状态下估计的全局指标，包括层次(b)、分类(r)、局域效率(Eloc)和全局效率(Eg)。然后对个体被试在不同阈值上的四个指标的AUC进行估计，并在两组之间进行比较(图3B,D,F,H)。结果表明，PSD组的组织层级(p<0.05)和全局效率(p<0.01)显著低于非PSD组。相反，PSD组的协调性和局域效率显著高于非PSD组(p<0.05)。静息状态的这四个指标也在PSD组和非PSD组之间进行了比较。但无显著差异(p>0.05)。

图3 任务条件下个体阈值的b(A)、r(C)、Eloc(E)和Eg(G)的平均值。阴影区域表示标准误差。PSD组与非PSD组的b AUC(B)、r AUC(D)、Eloc AUC(F)和Eg AUC(H)的比较。误差条表示标准误差。*p < 0.05， **p < 0.01。

图4比较了PSD组和非PSD组在任务状态下的小世界属性。对于所有阈值，PSD组受试者的集群系数(Cp)、特征路径长度(Lp)、Gamma和Lambda的平均值高于非PSD组(图4A、C、E、G)，而度量Sigma在两组之间相当(图4I)。进一步采用个体指标AUC的双样本t检验进行统计分析，PSD组的度量Cp、Lp和Lambda显著高于非PSD组(p<0.05)，而度量Gamma和Sigma差异无统计学意义(p>0.05)。比较两组患者静息状态下的这些小世界参数。然而，这些小世界参数在两组之间均无显著差异(p>0.05)。

图4 任务状态下个体阈值的小世界参数的平均值。阴影区域表示标准误差。PSD组与非PSD组小世界参数的AUC比较，误差条表示标准误差。*p < 0.05。

3.3.2 节点指标

首先计算单个通道和单个被试的阈值上的单个节点指标的AUC，然后使用两样本t检验在PSD组和非PSD组之间逐个通道比较。在任务状态下，PSD组4、8通道的介数中心性(Bc)显著小于非PSD组(p<0.05)(图5A)。PSD组7、8、9和11通道的节点效率(Ne)也显著低于非PSD组(8和9通道，p<0.05；7和11通道，p<0.01)(图5C)。与上述两个指标相比，PSD组第4、11通道的节点集聚系数(NCp)(图5B)和第4通道的节点局部效率(NLe)(图5D)显著高于非PSD组(p <0.05)。

与任务状态相比，两组在约束状态下节点指标的变化呈现出不同的模式。首先，14个通道的介数中心性(Bc)均无显著差异。相反，与非PSD组相比，PSD组10通道的度中心性(Dc)显著降低(p <0.05)(图5E)。其次，尽管两组在节点集聚系数(NCp)、节点效率(Ne)和节点局部效率(NLe)上也存在显著差异，但表现出显著差异的通道不同于任务状态。其中，PSD组1、5、6通道的节点集聚系数(图5F)和节点局部效率(图5H)显著高于非PSD组(p <0.05)， PSD组3、10通道的节点效率(图5G)显著低于非PSD组(p <0.05)。

图5 通道(红球)显示PSD组和非PSD组在任务状态下的Bc(A)、NCp(B)、Ne(C)和NLe(D)存在显著差异。静息状态下，PSD组与非PSD组的通道在Dc(E)、NCp(F)、Ne(G)和NLe(H)方面分别表现出显著差异。

3.3.3 HAMD评分的相关性

为了探讨脑网络特征是否能反映用HAMD量表评分量化抑郁症的严重程度，分别在任务状态和静息状态下分析其相关性。具体地说，来自PSD组和非PSD组的度量值和HAMD评分值被组合成一个集合。然后分析HAMD得分与度量值之间的Spearman相关性。图6、7分别说明了在任务和静息状态下与HAMD得分有显著(p<0.05)相关性的指标。在两种状态下，节点局部效率(NLe)、节点集聚系数(NCp)和局域效率(Eloc)与HAMD评分呈正相关。相反，度量度中心性(Dc)和节点效率(Ne)与HAMD评分呈负相关。

图6 任务状态下脑网络特征与HADM得分的相关性分析结果

图7 静息状态下脑网络特征与HADM评分相关性分析结果

3.4 分类

为了验证脑网络特征是否可以作为帮助PSD诊断的生物标志物，以所有79个指标(14个通道中每个通道的9个全局指标和5个节点指标)作为特征来区分PSD患者和非PSD患者。然后，基于主成分分析进行特征降维处理。进行了八重交叉验证，并获得了所有折叠的平均分类精度。交叉验证过程重复了10次，使用静息状态和任务状态下的特征得到的准确度如图8所示。任务状态下的特征识别准确率为69.02%±3.35%，而静息状态下的特征识别准确率仅为43.94%±4.47%。

图8 使用任务状态和静息状态提取的特征对分类性能的比较

4. 讨论

在本研究中，为了探讨PSD对卒中患者大脑功能连接拓扑结构的影响，我们采集了PSD和非PSD被试在经典的oddball认知任务中左、右DLPF皮质的fNIRS信号，并利用图论对其进行分析。据我们所知，这是第一次针对认知任务下的脑网络特性的近红外脑功能成像研究，而不是像以往的研究那样针对PSD患者的静息状态。我们的研究结果表明，与静息状态相比，PSD患者和非PSD患者在任务状态下的脑网络特性更加明显，表现为PSD患者与非PSD患者在连接数量和网络指标上存在显著差异，从而获得了更好的分类性能。具体而言，在认知任务状态下，PSD被试与非PSD被试在网络拓扑结构上的主要差异包括连接强度降低。图5通道(红球)任务状态下PSD组与非PSD组分别显示介数中心性(A)、节点集聚系数(B)、节点效率(C)和节点局部效率(D)上存在显著差异。静息状态下，PSD组与非PSD组的通道在度量度中心性(E)、节点集聚系数(F)、节点效率(G)和节点局部效率(H)方面分别表现出显著差异。层次(b)、效率(Eg, Ne)和介数中心性(Bc)降低，小世界属性中的分类(r)、局域效率(Eloc, NLe)、集群系数(Cp, NCp)、特征路径长度(Lp)和Lambda增加，表明脑网络抵御攻击和传递信息的能力降低，网络灵活性增强。进一步的相关分析表明，从任务状态中提取的部分脑网络特征与HAMD得分显著相关。更重要的是，任务状态下的网络特征(69.02±3.35%)比静息状态下的(43.94±4.47%)具有更好的分类性能，说明任务状态下的脑网络地形图在区分PSD和非PSD患者方面具有优越性。这些发现表明，基于图论的认知任务下的脑网络特性可能为我们对PSD的理解提供新的见解，并为PSD的诊断提供新的方法。

Ho等研究了重度抑郁症患者静息状态下的DMN，发现内侧前额皮质与楔前叶和扣带回之间的功能连接性增强。此外，对于慢性PSD患者，研究人员发现，包括左腹内侧PFC在内的前额叶皮质(PFC)的功能连接性，双侧背内侧PFC 和背外侧PFC 在静息状态下增加。我们的结果显示，与非PSD患者相比，PSD患者在静息状态下左侧DLPF皮质的脑功能连接性增强，这与以往的研究一致。此外，我们发现任务状态下的连接性差异比静息状态下更明显，这与Gonzalez-Castillo和Bandettini的研究结果一致，即静息状态和任务状态之间的功能连接性差异在整个大脑中广泛分布。然而，与静息状态下连接性强度的增加不同，任务状态下的PSD患者DLPF皮质的连接性强度降低。提示PSD患者在执行认知任务时脑区间信息传递能力减弱，可能与其认知功能下降有关。

目前，关于抑郁症的脑网络特征尚无统一的结论。Zhang等利用静息状态脑电图( EEG)研究了脑网络特性，发现与健康对照相比，抑郁症患者的集群系数和特征路径长度更低，全局效率更高。相比之下，Meng等利用静息状态fMRI发现，与健康个体相比，抑郁症患者全脑水平的全局效率降低，而特征路径长度增加。这种不一致可能是由于EEG和fMRI信号不同的时间分辨率而反映了大脑活动的不同方面。在本研究中，我们发现PSD患者的集群系数(Cp, NCp)、特征路径长度(Lp)和Lambda明显高于非PSD患者。Meng等人发现了与我们相同的这些特征的变化模式。然而，Meng的研究中的差异并不显著。可能的原因是在任务状态下而不是静息状态下获得的脑网络特征，使得差异更加明显。这也可能是由于我们的研究对象是患有PSD的患者，而不是单纯的抑郁症患者。此外，我们发现PSD患者具有更高的分类系数(r)和局域效率(Eloc, NLe)。由于在任务状态下，PSD和非PSD患者的Sigma值都大于1(图4I)，因此可以得出结论，两组的脑网络都具有小世界特性。这与之前的研究一致，即抑郁症和健康对照组的脑网络都具有小世界特性。然而，从PSD患者的网络特征与非PSD患者相比的变化趋势来看，PSD患者的脑网络抵抗攻击、整合和传递信息的能力有所下降。选型系数取值范围为−1 ~ 1，可用于衡量网络的弹性。因此，具有正匹配系数的网络可能具有相互关联的高度枢纽的相对弹性核心。如果网络节点从这样的网络中移除或受到攻击，则整个网络更有可能被摧毁。也就是说，网络中匹配度越高的节点连接越紧密，更容易受到攻击。在本研究中，PSD组具有较大的分类系数，这可能是PSD患者神经病理损伤的基础之一。由此导致的信息传递效率低下可能是抑郁症的另一种神经致病机制。较高的集群系数和局域效率反映了PSD患者网络的局部互联性增强，为网络中断提供了灵活性。这种拓扑特征可能与PSD患者大脑的代偿机制有关。PSD患者的介数中心性和度中心性均低于非PSD组，说明PSD患者的中心化程度较低。其余3个节点网络特征(NCp、NLe和Ne)在静息状态和任务状态下，PSD患者与非PSD患者的变化趋势相同。但存在显著差异的通道不同。

在静息状态和任务状态下，脑网络特征与HAMD量表得分之间的相关性是一致的。即局域效率(Eloc, NLe)和集群系数(NCp)。图8使用任务状态和静息状态提取的特征进行分类性能比较。全局效率(Ne)和度中心性(Dc)与HAMD评分呈负相关。这些显著相关性表明，脑网络特征可以在一定程度上反映PSD的严重程度。

从根本上讲，疾病的诊断就是使用一些生物标志物来识别或分类阳性和阴性个体。尽管一种疾病的潜在生物标志物在群体水平上往往具有统计学意义，但在个体水平上的区分力往往没有得到评估。一般来说，显示群体差异要比个体预测容易得多，而且高度显著的群体差异并不总是等于令人满意的分类表现。因此，在本研究中，我们使用机器学习方法对PSD和非PSD患者进行分类，并利用提取的静息状态和任务状态下的脑网络特征比较诊断的准确性。结果表明，在任务状态下使用网络特征时，分类准确率达到69.02%±3.35%。这一表现与静息状态功能连接研究预测其他神经精神疾病的平均准确性相当。相比之下，即使使用相同数量的静息状态下的脑网络特征，分类准确率也仅为43.94%±4.47%。结果进一步证明，任务状态下的脑网络特征可以作为诊断PSD的潜在生物标志物。虽然目前还没有将脑功能网络分析用于疾病的诊断，但它使我们能够从网络的角度了解人类大脑的功能连接性，复杂网络理论揭示了人类大脑结构的许多重要拓扑特性。脑部疾病会导致大脑功能网络的拓扑结构发生变化。随着研究方法和理论的发展，一些学者认为脑功能网络分析有助于精神疾病的早期诊断。例如，Drysdale等人分析了抑郁症患者脑功能网络连接模式的变化，并将抑郁症分为四种亚型。最近，一篇综述指出，功能性脑网络成像能够促进个体患者的早期诊断并协助监测疾病进展和治疗结果。因此，可以合理地预测，脑功能网络分析在不久的将来可能有助于脑疾病的早期诊断。

本研究中，两组患者在年龄、性别、发病时间、文化程度、脑卒中类型、病变部位、MMSE、MoCA评分等方面均无显著差异，显示了两组患者的同质性，提高了结论的可靠性。两组脑卒中患者脑损伤程度相近，但非PSD患者未出现抑郁症状。提示脑损伤程度可能不是PSD发病的决定因素。相反，其他因素可能更重要，这与最近的研究一致。最近的一项系统综述和荟萃分析显示，卒中后任何时间点PSD的总患病率为27%，卒中患者早发性抑郁(卒中后3个月内)的抑郁持续风险很高，占卒中后1年内事件病例的三分之二。因此，本研究的纳入标准设定为卒中发生后1 - 12个月。然而，对于PSD被试，招募被试最终的卒中后时间为32.25-97.5(Q1-Q3)天(表1)。这与一项研究一致，该研究显示1年内的累计发病率为38%，大多数抑郁症病例起病于卒中后的前3个月。尽管不同的临床研究表明PSD患病率的复杂性和个体PSD的不同轨迹，但尚未有研究对PSD个体患者的脑网络特性进行纵向追踪。这可能有助于提高我们对PSD潜在发病机制的理解，并将在我们进一步的研究中进行。

本研究存在一些局限性。首先，fNIRS信号仅采集于背外侧前额皮质。虽然背外侧前额叶皮质是PSD研究最多的脑区，但腹内侧前额叶皮质、前扣带回、后扣带回/楔前叶、杏仁核、尾状核、海马区等区域也与抑郁有关。其次，根据病变部位对患者的分类比较粗略，仅分为皮质和皮质下病变两类。未来的研究将招募更多不同病变部位的卒中患者，在任务状态下对全脑水平的脑网络特性进行研究，进一步从改变脑网络特性的角度探讨PSD可能的神经机制。

5. 结论

本研究利用fNIRS信号提取PSD患者在认知任务和静息状态下的脑网络特征，并与非PSD患者的脑网络特征进行比较。结果表明，PSD患者与非PSD患者的网络特征差异在任务状态下比静息状态下更为明显。PSD患者脑网络特性的改变表明，脑网络抵抗攻击和传递信息的能力下降，网络灵活性增强。PSD和非PSD患者的分类结果进一步证明了在任务状态下提取的网络特征揭示了PSD导致的脑功能连接拓扑图方面的改变。这些发现证明了任务状态下脑网络拓扑图探索PSD神经机制的可行性和优越性，为我们理解PSD和PSD诊断提供了新的见解。

参考文献：The characteristics of brain network in patient with post-stroke depression under cognitive task condition.