[发明专利]一种抑郁症研究方法

说明书

本发明公开了一种抑郁症研究方法，在研究的过程中，针对处于抑郁发作期的单向抑郁和双向情感障碍的患者进行分析并作为参考；在临床症状评估过程中，采用素质特征评估、状态特征评估相互结合的因素作为研究指标，包括以下实施步骤：影像、临床数据采集→多模态脑网络分析→模式分类预测模型构建。本发明实用性和功能性强，可广泛应用于抑郁症研究技术领域。

技术领域

本发明涉及抑郁症研究领域，具体是指抑郁症研究方法。

背景技术

针对抑郁症的治疗过程中，存在的问题是无法从理论上以及微观上来实现一定深度的针对性治疗，且无法实现一定程度上针对抑郁症患者的深度解析，且无法达到一定程度上对于抑郁症患者的全面且有效的后期治疗指导方案的改进。

发明内容

针对以上问题，本发明提出了一种能够针对抑郁症进行研究的新方法。

本发明提供的技术方案为：

一种抑郁症研究方法，在研究的过程中，针对处于抑郁发作期的单向抑郁和双向情感障碍的患者进行分析并作为参考；在临床症状评估过程中，采用素质特征评估、状态特征评估相互结合的因素作为研究指标，包括以下实施步骤：

影像、临床数据采集→多模态脑网络分析→模式分类预测模型构建。

进一步地，影像数据采集包括高空间分辨率结构数据采集、静息态功能共振数据采集、弥散张量数据采集；

影像数据分析包括结构形态学分析、功能网络构建、结构网络构建、成对空间聚类、静息态动态功能网络以及抑郁症的模式识别分类模型。

进一步地，在结构形态学分析的过程中，创建一个对称的平均全脑模板，创建灰质模板、分别为每个被试创立镜像图、将被试原始图像及所创建的镜像图像配准到所产生的模板进行分割、对原始图像及镜像图像两组数据的灰质密度/体积进行基于体素的两样本检验，得到参数统计图，并取多重比较矫正后以P0.05为差异的区域。

进一步地，对于功能网络构建过程中，基于先验假设或结构影像分析结果，选取感兴趣区；

提取每个感兴趣区中所有体素的平均时间序列作为感兴趣区的时间序列信号；

对每个感兴趣区的时间序列信号进行时间域预处理，包括回归被试头动信号；带通滤波去除机器噪声和生理噪声的时间序列信号进行时间域预处理，包括回归被试头动信号；带通滤波去除机器噪声和生理噪声，然后对两两之间的感兴趣区时间序列计算相关系数，并把得到的相关系数用Fisher r-z变换把所有的相关系数归一化到正态分布；利用每个感兴趣区作为网络中的节点，节点之间的边用这两个节点之间的相关系数作为边，得到整个和抑郁症相关的功能网络；

对所述功能网络，采用连接度得到每个节点的总连接度；

统计比较患者和正常被试功能脑网络节点度的改变，寻找其生理上的标记，探索抑郁症存在异常的脑结构连接与素质特征和状态特征的相关性。

进一步地，在功能网络构建的过程中，采用全脑功能连接网络构建，在结构网络构建的过程中，具体包括弥散张量成像。

进一步地，在抑郁症的模式识别分类模型中，提取被试的功能与结构各个脑区的局部指标以及连接指标，对于每个特征，计算与抑郁症量表的相关性。

本发明与现有技术相比的优点在于：

通过采用本发明提出的技术方案，能够发展多模态影像分析方法，实现脑功能、结构活动特征信息提取的功能；

通过采用本发明提供的方法，实现了探测抑郁症的情感神经环路的脑功能结构以及脑网络神经机制；

通过采用本发明提供的方法，发展模式分类和预测关键方法，实现抑郁症早期诊断和鉴别。

具体实施方式