学者网
研究背景
重性抑郁障碍是全球重要的精神健康问题，自杀意念是其临床评估和干预中最关键的风险信号之一。目前，自杀意念的识别仍主要依赖量表和访谈，易受主观表达、回避报告及评估时点等因素影响，亟需发展客观、可量化的生理标记。脑-心交互连接中枢神经系统与自主神经系统，参与情绪调节、认知控制和身体状态感知。抑郁症可能并非单一脑功能异常，而是涉及脑、心及外周生理系统的动态失衡。然而，伴自杀意念抑郁症患者是否存在特异性的脑-心动态耦合异常，仍缺乏系统研究。
论文概要
2026年5月，华南理工大学生物医学科学与工程学院吴凯教授与广州医科大学附属脑科医院吴逢春教授联合BIGHI团队在国际期刊《BMC Psychiatry》发表最新研究成果，论文题为："Temporal dynamic brain-heart interaction alterations associated with suicidal ideation in major depressive disorder"。研究首次提出时间动态脑-心交互（Temporal Dynamic Brain-Heart Interaction, TD-BHI）分析方法，通过同步采集静息态脑电（EEG）和心电（ECG）数据，系统刻画了伴自杀意念重性抑郁障碍患者的脑—心耦合异常模式。研究发现，伴自杀意念组在顶叶theta频段相关TD-BHI中表现出显著增强，而在右侧顶叶beta频段相关TD-BHI中表现出显著降低。进一步分析表明，TD-BHI异常与注意/警觉性认知功能及睡眠质量显著相关。基于TD-BHI特征构建的集成学习模型在区分伴自杀意念与不伴自杀意念患者时取得了较好的性能，AUC达到0.825。该研究突破了传统单一脑或心指标的研究框架，为理解抑郁症自杀意念的脑—心耦合机制提供了新的理论视角，并提示TD-BHI有望成为辅助识别自杀意念风险的客观生物标志物。华南理工大学生物医学科学与工程学院吴凯教授与广州医科大学附属脑科医院吴逢春副院长为论文共同通讯作者，华南理工大学博士生李兆波为论文第一作者。
结果分析
研究首先从当前脑-心交互研究中的关键问题出发：既往研究已发现重性抑郁障碍患者存在异常脑激活或心率变异性改变，但伴与不伴自杀意念患者的脑-心动态耦合模式仍不清楚。为此，研究团队提出时间动态脑-心交互分析方法，通过同步采集静息态EEG和ECG数据，分别提取EEG五个频带的动态功率谱密度及ECG衍生RR间期的低频、高频功率谱密度，并利用Pearson相关系数量化二者之间的动态关联，从而在统一框架下刻画脑活动与心脏节律的耦合模式。与单独分析脑电或心电指标不同，该方法更强调中枢神经活动与自主神经节律之间的同步变化，为揭示抑郁症自杀意念相关的脑—心调控失衡提供了新的分析工具。
图1 TD-BHI计算流程：构建静息态脑—心交互的动态测量框架
研究首先利用短时傅里叶变换计算脑电信号在delta、theta、alpha、beta和gamma五个频段上的动态功率谱密度；同时从心电信号中提取RR间期，并计算低频和高频心率变异性功率谱。随后，研究通过计算脑电动态功率谱与心电动态功率谱之间的Pearson相关系数，获得多脑区、多频段的TD-BHI特征。进一步按照是否存在自杀意念，将首发重性抑郁障碍患者分为伴自杀意念组和不伴自杀意念组。结果显示，两组抑郁症患者在总体抑郁严重程度、去除自杀条目后的抑郁评分以及睡眠质量评分上并无显著差异，这提示TD-BHI所捕捉到的脑-心异常并不只是一般抑郁严重程度的简单反映，而可能与自杀意念相关的特定生理过程有关。
图2 三组人群TD-BHI异常的空间分布特征
研究进一步比较了健康对照、不伴自杀意念MDD患者和伴自杀意念MDD患者之间TD-BHI差异。结果显示，显著异常主要集中在ECG低频/高频成分与EEG theta、alpha和beta频段之间的交互关系中，涉及右侧额上回、颞极及顶叶等脑区。这表明MDD患者的脑-心耦合异常并非局限于单一脑区或单一频段，而是呈现出跨脑区、跨频段的系统性改变。其中，伴自杀意念患者表现出更广泛的TD-BHI异常，提示脑-心动态调控失衡可能与自杀意念的发生密切相关。
图3 不同MDD亚组相对于健康对照的脑—心交互异常模式
在确定三组间存在显著TD-BHI差异后，研究进一步比较了不伴自杀意念MDD患者和伴自杀意念MDD患者相对于健康对照的异常模式。结果显示，不伴自杀意念患者主要表现为左侧顶叶alpha/beta频段及右侧额上回beta频段相关TD-BHI降低；而伴自杀意念患者除上述异常外，还在颞叶、右侧顶叶beta频段表现出TD-BHI降低，并在顶叶及右侧颞叶theta频段表现出TD-BHI增强。这表明伴自杀意念MDD患者的脑—心交互异常范围更广，且同时存在特定频段的增强与减弱，提示自杀意念可能与更复杂的脑—心动态调控失衡有关。
图4 基于TD-BHI的分类模型性能
为进一步评估TD-BHI的潜在临床应用价值，研究构建了基于集成学习的分类模型。结果显示，基于TD-BHI特征的模型能够较好地区分MDD患者与健康对照，五折交叉验证平均AUC为0.815；在区分伴自杀意念MDD患者与不伴自杀意念MDD患者时，模型平均AUC达到0.825，准确率为0.806，F1值为0.851。该结果表明，TD-BHI不仅能够反映MDD患者脑-心交互的异常模式，也具有辅助识别自杀意念风险的潜在应用价值。
结论与讨论
本研究通过同步采集静息态脑电与心电信号，提出时间动态脑-心交互（TD-BHI）分析方法，系统刻画了重性抑郁障碍患者自杀意念相关的脑-心动态耦合异常。研究发现，伴自杀意念患者相较于健康对照表现出更广泛的TD-BHI改变，尤其集中于顶叶及颞叶相关通路，并呈现出theta频段交互增强与beta频段交互降低并存的异常模式。这提示自杀意念可能并非仅对应单一脑区或单一生理指标异常，而是涉及中枢神经活动与自主神经节律之间的动态调控失衡。进一步分析显示，TD-BHI异常与注意/警觉性、语言学习、视觉学习及睡眠质量等临床表型存在显著关联，说明脑-心交互改变不仅能够反映生理信号层面的异常，也与患者的认知功能和睡眠状态密切相关。与此同时，基于TD-BHI特征构建的集成学习模型在区分伴与不伴自杀意念的MDD患者时取得较好性能，提示该指标具有辅助识别自杀意念风险的潜在应用价值。总体而言，该研究突破了传统单独分析脑电或心电指标的研究框架，从脑-心耦合角度为理解抑郁症自杀意念的生理机制提供了新的证据。未
通讯作者介绍
广州医科大学-华南理工大学吴凯/吴逢春BIGHI研究团队
（照片提供自吴凯/吴逢春团队）
通讯作者简介：吴凯，华南理工大学生物医学科学与工程学院教授、博士生导师，国家重点研发计划首席科学家，广东省杰出青年基金获得者。长期聚焦精神神经疾病的脑功能网络损伤机制及其与微生态系统的交互关系，主持国家重点研发计划、国家自然科学基金及广东省重点项目等科研课题20余项，以通讯作者身份在PNAS、Advanced Science、Research、Journal of Translational medicine及NeuroImage等国际高水平期刊发表论文180余篇。
通讯作者简介：吴逢春，广州医科大学附属脑科医院副院长，医学博士，主任医师，教授，博导；主持国家重点研发计划课题1项、广东省、广州市重点科研专项5项，承担和参与“973”计划、“863”计划、国家自然科学基金面上项目等10余项；主要研究方向为精神疾病“肠-脑”轴研究，以核心作者在Military Medical Research、NeuroImage、Human Brain Mapping等国内外期刊发表研究论文100余篇，获得实用新型专利1项，科技进步奖2项。
第一作者简介：李兆波，华南理工大学博士研究生，主要研究方向为脑机接口、精神疾病。
课题组前期相关论文：
[1]Wu F, Zhu B, et al. The Brain-Gut Health Initiative (BIGHI): A Prospective Cohort on Psychiatric Disorders in China[J]. Research, 2026.
[2]Yunheng Diao, Yuanyuan Huang, Baoyuan Zhu, Minxin Guo, Wei Wang, Zhaobo Li, Wenhao Li, Heng Zhang, Jing Zhou, Xiaobo Li, et al. Heterogeneity-Aware, Multiscale Annotation of Shared and Specific Neurobiological Signatures among Major Neurodevelopmental Disorders. Research. 0:DOI:10.34133/research.1115.
[3]Guo M, Zhang H, Huang Y, et al. Transcriptional patterns of nodal entropy abnormalities in major depressive disorder patients with and without suicidal ideation. Research. 0:DOI:10.34133/research.0659.
[4]Wang Y, Feng S, Huang Y, et al. Revealing multiple biological subtypes of schizophrenia through a data-driven approach[J]. Journal of Translational Medicine, 2025, 23(1): 505.
[5] Peng R, Wang W, Liang L, et al. The brain-gut microbiota network （BGMN） is correlated with symptom severity and neurocognition in patients with schizophrenia. Neuroimage. 2025;308:121052. doi:10.1016/j.neuroimage.2025.121052.
[6] Wang H, Peng R, Huang Y, et al. MO-GCN: A multi-omics graph convolutional network for discriminative analysis of schizophrenia. Brain Res Bull. 2025. doi:10.1016/j.brainresbull.2025.111199.
[7] Zhu B, Liang L, Huang Y, et al. Exploring the relationship between the gut microbiota and cognitive function in schizophrenia patients with distinct weights[J]. Schizophrenia Research, 2025, 280: 103-113
[8] Li W, Gao C, Li Z, et al. BrainFusion: a Low‐Code, Reproducible, and Deployable Software Framework for Multimodal Brain‒Computer Interface and Brain‒Body Interaction Research[J]. Advanced Science, 2025: e17408.
评论 0