Association between visuospatial working memory and brain functional connectivity in university students with depressive symptoms
-
摘要:目的 从行为表现与脑功能连接层面探讨大学生抑郁症状与视空间工作记忆之间的关系，解析大脑自发神经活动的协同模式，识别大学生抑郁症状早期筛查的脑功能连接特征及潜在神经电生理指标。方法 采用病例对照研究设计，从上海市松江大学城7所高校选取60名有抑郁症状的大学生作为抑郁症状组，60名健康大学生作为健康对照组。采用贝克抑郁量表第2版评估受试者抑郁症状，采集5 min闭眼静息态脑电图信号，并采用2-back视空间工作记忆任务评估工作记忆表现。运用BrainNet Viewer进行图论分析。结果 与健康对照组相比，抑郁症状组在2-back视空间工作记忆任务中反应时延长（P＜0.001），且存在差异的脑电指标集中在α2和β1波段（右顶区、枕区、右中央区、右侧颞区与后颞区）；抑郁症状得分与视空间工作记忆任务反应时呈正相关（r＝0.633，P＜0.01）。静息态脑电图及脑功能连接分析发现，在α2波段的顶区、枕区与侧颞区，抑郁症状组脑功能连接的平均密度（0.75）与平均强度（0.68）均高于健康对照组（平均密度为0.43、平均强度为0.55）；在β1波段上的顶区、右中央区与侧颞区，视空间短反应时组脑功能连接的平均密度（0.68）与平均强度（0.72）均高于长反应时组（平均密度为0.61、平均强度为0.70）。相关系数阈值为0.9的连接切面显示，α2波段中抑郁症状组与健康对照组的连接差异主要集中于O1-O2（枕区）通路，而β1波段中不同视空间工作记忆水平个体的连接差异主要集中于P4-T6（右顶区-右后颞区）通路。结论 大学生抑郁症状相关的视空间工作记忆改变主要表现为信息加工速度减慢而非任务准确性下降，并在静息态脑电节律及脑功能连接层面呈现出相应的网络特征。其中，α2波段O1-O2（枕区）通路可能是识别抑郁症状风险的关键连接特征，β1波段P4-T6（右顶区-右后颞区）通路可能对区分视空间工作记忆强弱具有潜在的指示意义。Abstract:Objective To examine the relationship between depressive symptoms and visuospatial working memory (VSWM) in university students from the perspectives of behavioral performance and brain functional connectivity, to analyze the coordinated patterns of spontaneous brain neural activity, and to identify potential electroencephalogram (EEG)-based connectivity markers for early screening of depressive symptoms.Methods A case-control design was adopted. Sixty university students with depressive symptoms and 60 healthy controls from 7 universities in Songjiang University Town, Shanghai, were enrolled. Depressive symptoms were assessed using the Beck depression inventory-Ⅱ (BDI-Ⅱ). Five minutes of eyes-closed resting-state EEG were recorded, and VSWM was evaluated using a 2-back task. Brain functional connectivity was analyzed using graph-theoretical methods with BrainNet Viewer.Results Compared with healthy controls, students with depressive symptoms showed significantly prolonged reaction time in the 2-back task (P<0.001), with EEG differences mainly observed in the α2 and β1 bands across right parietal, occipital, right central, right temporal, and posterior temporal regions. Depressive symptom scores were positively correlated with VSWM reaction time (r＝0.633, P<0.01). EEG and brain functional connectivity analyses revealed the following findings: in the α2 band, the depressive symptom group exhibited higher mean functional connectivity density (0.75) and strength (0.68) in parietal, occipital, and lateral temporal regions than healthy controls (mean density＝0.43, mean strength＝0.55); in the β1 band, students with better VSWM performance showed higher mean functional connectivity density (0.68) and strength (0.72) in the parietal, right central, and lateral temporal regions than those with poorer performance (mean density＝0.61, mean strength＝0.70). At a connectivity threshold of 0.9, connectivity differences were primarily localized in the O1-O2 (occipital) pathway in the α2 band and the P4-T6 (right parietal-right posterior temporal) pathway in the β1 band.Conclusion VSWM alterations associated with depressive symptoms in university students are mainly reflected in slowed information processing rather than reduced accuracy, accompanied by distinct resting-state EEG functional connectivity patterns. Specifically, the α2 band O1-O2 (occipital) pathway may represent a key marker of depressive symptom risk, while the β1 band P4-T6 (right parietal-right posterior temporal) pathway may indicate individual differences in VSWM capacity.
抑郁症是一种常见且严重的情绪障碍，广泛存在于不同人群中，显著影响患者的情绪、思维和行为[1]。据WHO统计，全球有超3亿人遭受抑郁症困扰，每年约有80万人因抑郁症自杀，存在抑郁症状的人数更是居高不下，这在年轻群体中尤为明显[2-3]。在全球范围内，抑郁症状被认为是导致残疾和健康寿命缩短的主要原因之一，其高发病率和死亡率增加了全球医疗系统的负担，因此早期精准识别抑郁症状的重要性和紧迫性不言而喻[4-5]。目前抑郁症状的早期识别方法主要依赖于自我报告问卷、临床访谈以及标准化量表，这些方法虽然在一定程度上提高了识别的准确性，但其主观性和依赖患者配合的特性限制了其应用效果[6-7]。因此，探索客观、可靠的神经生理指标以辅助识别抑郁症状，逐渐成为研究的重要趋势。
视空间工作记忆（visuospatial working memory）是指大脑处理和暂时存储视觉与空间信息的能力[8]。视空间工作记忆是工作记忆的一个子系统，主要负责在短时间内保持和操作视觉与空间信息，并在导航、阅读、绘图以及解决空间问题时起着重要作用[9]。大脑中负责处理和储存视觉与空间信息的主要区域包括顶叶、颞叶、枕叶和额叶的特定部分[10]。近年来，研究发现抑郁症状人群大脑在处理和储存视觉与空间信息方面存在异常，包括视皮质激活水平降低、视觉注意力偏向负性信息和工作记忆能力下降等[11-14]。这提示视空间工作记忆可能是理解抑郁症状病理机制的重要切入点。视空间工作记忆的异常可能是抑郁症状人群大脑功能连接变化的表现，通过监测和分析这些异常，有助于更早期、更准确地识别抑郁症状，从而制定个体化的干预方案。
脑功能连接是指大脑不同区域之间在功能上相互协作和信息传递的网络结构，可从功能和结构两个层面加以表征[15]。相比主要关注单一区域活动强度的传统分析，功能连接强调全脑网络视角，能够揭示健康与病理状态下信息整合方式及网络拓扑结构的改变[16-17]。这种全局视角使得脑功能连接在识别抑郁症状等复杂情绪障碍方面具有独特的优势[18]。基于脑电图的脑功能连接具有毫秒级时间分辨率，适于刻画节律振荡及其跨区域耦合的动态变化，增强了识别精准性和个性化治疗的可行性[19-20]，为识别抑郁症状、区分视空间工作记忆水平差异提供了重要的方法学支撑。本研究以视空间工作记忆为切入点，结合基于脑电图的脑功能连接分析，揭示抑郁症状相关的脑功能连接特征，为大学生抑郁症状的早期风险识别与干预策略制定提供依据。
1 对象和方法
1.1 研究对象
采用G*power 3.1.9.7软件对样本量进行预估，根据既往综述[21-22]确定效应量为0.6，α为0.05，检验效能为0.95，得到每组最小样本量为24。本研究通过对上海市松江大学城7所高校开展的心理健康调查，按照方便抽样的方式招募抑郁症状大学生（抑郁症状组），并根据年级、年龄、性别差异按1∶1的比例同步招募健康大学生（健康对照组）。
抑郁症状组纳入标准：（1）右利手；（2）视力、听力正常；（3）心理状态正常，能进行口头沟通，愿意配合完成调查；（4）愿意签署知情同意书；（5）贝克抑郁量表得分＞13分。排除标准：（1）严重心血管疾病或重大器质性疾病；（2）视力或听力差，无法完成检查；（3）长期或近期服用过氯丙嗪等精神类药物。
健康对照组纳入标准：前5项同抑郁症状组；贝克抑郁量表得分≤13分。排除标准：同抑郁症状组。
本研究在上海体育大学运动与健康促进研究中心开展，已获上海体育大学伦理委员会批准。
初步招募抑郁症状大学生63人，匹配健康大学生65人。排除患有严重心血管疾病或重大器质性疾病者4人，视力或听力受损、无法完成检查者2人，长期或近期服用过氯丙嗪等精神类药物者2人，最终纳入抑郁症状组60人、健康对照组60人。
1.2 测试流程
测试于2023年9－12月进行，地点为上海体育大学运动与健康促进研究中心，测试时间为15:00－17:00。要求所有受试者测试前24 h内避免剧烈运动，不饮用咖啡、酒精等刺激性饮品。测试流程：先填写基本信息和量表，然后采集5 min脑电图信号，最后进行视空间工作记忆测试。
1.3 质量控制
测试过程中有1名主试和2名助理研究人员进行数据采集、操作和监督，所有测试人员均不了解被试个人情况；参与者被告知研究的目的是评估情绪和表现的脑电图相关性，而没有任何具体假设的信息；被试研究过程中被告知测试流程以及脑电采集注意事项；最终全部数据统计由另外一名全程未参与干预以及数据采集的研究员统计分析。
1.4 研究方法
1.4.1 基本信息
通过自编问卷采集受试者基本信息，包括性别、年龄、身高、体重、是否有饮酒习惯、是否为独生子女、是否为单亲家庭、社交活动频率、身体状况、人际关系等。
1.4.2 贝克抑郁量表第2版
贝克抑郁量表第2版由心理学家阿伦·贝克及其同事编制，本研究采用王振等[23]修订的汉化版本，汉化版量表内部一致性信度为0.94，具有良好重测信度。该量表用于评估抑郁症状的严重程度，包含21个条目，每个条目按0~3分评分。量表总分为21个条目的评分总和，总分0~13分为无抑郁症状，＞13分为存在抑郁症状。
1.4.3 视空间工作记忆任务测试
考虑到大学生的认知能力、研究目的以及任务的难度和可操作性，本研究采取2-back任务进行测试。该任务共有55个试次，包括5个练习试次和50个正式试次。在完成5次练习试次后会询问被试是否熟知实验任务和流程，若未得到肯定的答复则让被试选择按“Q”键再次进行练习；若得到被试的肯定答复后，则按“Enter”键进入正式实验。正式实验共有50个试次，具体实验流程为：先呈现3 000 ms的注视点“+”，随后依次呈现带有1个字母的图片2 000 ms，刺激间隔为1 000 ms。任务是在分辨率为1 920像素×1 080像素的计算机上呈现实验材料与刺激，视线距离控制在40 cm左右。
实验素材选取8个大写英文字母，为了规避易产生混淆的大写字母，本研究选择大写字母B、D、H、K、M、P、S、Y，任务流程见图 1A。屏幕背景为黑色，这8个英文字母随机呈现在屏幕的8个位置上。2-back任务需要被试记住字母的空间位置，忽略字母本身，若当前呈现的字母位置与前面倒数第2个字母位置相同时（这里的相同会存在字母不同但字母空间位置相同的情况），按“J”键反应，若不同则按“F”键反应。其中，刺激匹配和非刺激匹配为1∶1。统计结果为2-back任务的反应时和正确率。
图 1 视空间工作记忆任务测试流程图（A）和大脑功能连接切面分析示意图（B）Fig. 1 Visuospatial working memory task paradigm (A) and schematic illustration of slice-based brain functional connectivity analysis (B)
下载:
全尺寸图片
1.4.4 脑电图信号采集与处理
通过配有前置放大器的脑电图仪（NCERP-190012，上海诺诚电气股份有限公司）采集脑电图信号，使用16单极导联，设置采样频率500 Hz，陷波50 Hz，低通滤波30 Hz，高通滤波0.3 Hz。此仪器根据频率将脑电图分为δ波段（1~＜4 Hz）、θ波段（4~＜8 Hz）、α1波段（8~＜10.5 Hz）、α2波段（10.5~＜13 Hz）、β1波段（13~＜20 Hz）和β2波段（20~＜30 Hz）。测试环境为静音、通风的暗室，室内不允许携带电子产品。受试者到达暗室后静坐熟悉环境，待受试者情绪稳定后佩戴脑电帽，连接脑电图仪。测试人员将阻抗调至5 kΩ以下，遵循国际脑电图学会规定的10/20系统电极放置法，设置Fp1、Fp2、F3、F4、F7、F8、C3、C4、P3、P4、O1、O2、T3、T4、T5、T6导联，接地电极为GND，参考电极为双侧耳垂位置的A1、A2。受试者要求身体放松、双手自然放于两侧、闭眼、保持清醒、呼吸平稳、避免吞咽口水或咬牙，待稳定后开始记录脑电图信号5 min。利用工具箱筛除具有明显伪迹干扰的数据段。将各导联信号归入对应的脑区，分别为前额区（Fp1、Fp2）、额区（F3、F4）、侧额区（F7、F8）、中央区（C3、C4）、顶区（P3、P4）、枕区（O1、O2）、侧颞区（T3、T4）和后颞区（T5、T6）。
1.4.5 脑功能连接
脑连接性在评估不同神经系统疾病患者的脑功能和追踪健康参与者的各种认知和情感脑状态方面显示出重要潜力，广泛分布的复杂脑网络在不同条件下产生多样的拓扑信号处理和互通。BrainNet Viewer是一个基于MATLAB的大脑网络可视化工具箱[24-25]。它采用图形化界面（graphical user interface，GUI），使用户可以方便地导入和处理各种类型的数据文件，包括大脑表面（brain surface）、节点（node）、边（edge）等，通过BrainNet Viewer生成三维神经影像数据的可视化表示，将图形导出为常用的图像文件格式或演示视频，从不同角度和不同层次上观察和分析大脑连接数据。热图采用邻接矩阵来表示脑连接性的量化，这在显示所有可用脑电图通道对之间的整体关系方面表现良好。通过观察大脑在静息状态的活动模式，功能连接主要分析功能连接强度和连接密度，以不同截断系数构建截断切面，分别构建以此为基础的脑网络可视化图谱，逐一分析其连接强度和密度[26]。本研究选择脑功能连接强度和密度变化最为显著的3个切面（相关系数阈值为0.4、0.7、0.9）进行分析[27]。无连线代表功能连接缺失；存在连线时，连线颜色代表功能连通性，粗细代表在同切面下全脑不同连接强度占比（图 1B）。
1.5 统计学处理
采用SPSS 29.0软件进行数据分析，通过MATLAB 2023b软件计算脑功能连接指标，使用Origin 2024、R Studio、BrainNet Viewer软件完成数据可视化。连续变量通过Shapiro-Wilk检验评估是否符合正态分布，符合正态分布的计量数据采用x±s描述，组间比较采用独立样本t检验；分类变量采用人数和百分数表示，组间比较采用χ2检验。通过偏相关分析探究抑郁症状与视空间工作记忆的关系。视空间工作记忆强弱分组采用中位数作为截断值。连续变量检验结果经错误发现率（false discovery rate，FDR）校正。所有参数统计分析均采用双尾检验，检验水准（α）为0.05。
2 结果
2.1 抑郁症状组与健康对照组在人口学特征及生活方式上的差异
共纳入120名受试者，抑郁症状组和健康对照组在年龄、性别、身高、体重、在读年级、饮酒习惯、是否为独生子女、是否单亲和社交活动频率上差异均无统计学意义（均P＞0.05），但抑郁症状组在身体状况和人际关系上差于健康对照组（均P＜0.001），提示身体状况和人际关系可能是导致抑郁症状的重要因素。见表 1。
表 1 抑郁症状组与健康对照组大学生基线资料Table 1 Baseline characteristics of university students in depressive symptom group and healthy control groupN＝60 Index Depressive symptom group Healthy control group Statistic P value Age/year, x±s 19.62±1.04 19.82±1.15 t＝－0.843 0.401 Male, n (%) 33 (55.0) 25 (41.7) χ2＝2.136 0.144 Body height/cm, x±s 167.55±7.40 168.23±7.21 t＝－0.512 0.609 Body weight/kg, x±s 59.83±14.30 61.42±13.43 t＝－0.625 0.533 College year, n (%) χ2＝0.677 0.878 First-year 16 (26.7) 19 (31.7) Second-year 24 (40.0) 22 (36.7) Third-year 18 (30.0) 18 (30.0) Fourth-year 2 (3.3) 1 (1.7) Drinking habit, n (%) 15 (25.0) 8 (13.3) χ2＝2.636 0.104 Only child, n (%) 22 (36.7) 31 (51.7) χ2＝2.737 0.098 Single-parent family, n (%) 1 (1.7) 5 (8.3) χ2＝2.807 0.094 Social activity frequency, n (%) χ2＝4.997 0.172 Every day 1 (1.7) 0 4-6 times per week 0 1 (1.7) 1-3 times per week 41 (68.3) 49 (81.7) Never 18 (30.0) 10 (16.7) Physical condition, n (%) χ2＝26.079 ＜0.001 Good 0 11 (18.3) Fairly good 25 (41.7) 29 (48.3) Average 29 (48.3) 14 (23.3) Poor 5 (8.3) 5 (8.3) Very poor 1 (1.7) 1 (1.7) Interpersonal relationship, n (%) χ2＝39.060 ＜0.001 Good 2 (3.3) 14 (23.3) Fairly good 25 (41.7) 38 (63.3) Average 28 (46.7) 8 (13.3) Poor 5 (8.3) 0 Very poor 0 0 2.2 抑郁症状大学生的视空间工作记忆表现受损
抑郁症状组与健康对照组视空间工作记忆任务测试的正确率分别为（85.995±8.361）%和（87.925±9.799）%，差异无统计学意义（t＝－1.161，P＝0.248）；抑郁症状组的反应时为（1.091±0.094）s，长于健康对照组的（0.873±0.178）s，差异有统计学意义（t＝8.361，P＜0.001，结果经FDR校正）。该结果提示，两组在视空间工作记忆任务的完成准确性上总体一致，而在信息加工速度方面存在显著差异。鉴于两组在正确率上未出现显著差异，后续分析主要聚焦于反应时指标，以进一步探索视空间工作记忆加工速度的差异。
2.3 抑郁症状得分与视空间工作记忆反应时呈正相关
通过偏相关分析发现，大学生抑郁症状得分与视空间工作记忆任务正确率无关（r＝－0.062，P＞0.05），而与视空间工作记忆任务反应时呈正相关（r＝0.633，P＜0.01，结果经FDR校正），即反应时越长抑郁得分越高。这提示抑郁症状加重伴随视空间工作记忆加工速度的下降。
2.4 抑郁症状大学生在α2与β1波段呈现特异脑电节律特征
抑郁症状大学生与健康大学生脑电功率值存在差异的脑区集中在右顶区、枕区、右中央区、右侧颞区及后颞区，差异存在统计学意义的波段集中在α2和β1波段（均P＜0.05，结果经FDR校正，表 2），两组在其余波段、脑区上差异无统计学意义（均P＞0.05）。这提示抑郁症状相关的脑电异常主要表现为特定脑区与频段的选择性改变，其中α2和β1波段（右顶区、枕区、右中央区、右侧颞区和后颞区）可能是识别大学生抑郁症状的潜在靶点。
表 2 抑郁症状组与健康对照组大学生在α2和β1波段上各脑区的功率值差异Table 2 Differences across brain regions in α2 and β1 bands of university students between depressive symptom group and healthy control groupn＝60, µV2, x±s Band Brain region Depressive symptom group Healthy control group t value P value α2 P4 16.752±6.525 20.152±8.254 －2.503 0.014 O1 15.520±6.138 20.998±8.031 －4.198 ＜0.001 O2 15.248±5.706 20.450±8.275 －4.008 ＜0.001 T5 12.963±5.248 15.903±5.755 －2.924 0.004 T6 13.572±5.559 17.488±7.499 －3.250 0.002 β1 C4 8.547±2.526 9.552±2.674 －2.116 0.036 P4 9.145±2.599 10.333±3.501 －2.111 0.037 T4 7.180±1.740 8.298±3.282 －2.331 0.021 T5 8.112±2.146 9.493±3.759 －2.473 0.015 T6 7.822±1.923 9.287±3.723 －2.708 0.008 2.5 视空间工作记忆水平较低者呈现更高的抑郁症状负担
依据视空间工作记忆任务反应时中位数将大学生划分为长反应时组和短反应时组，长反应时组有抑郁症状者的比例（78.3%，47/60）高于短反应时组（21.7%，13/60），抑郁症状得分[（16.88±6.06）分]高于短反应时组[（7.77±6.51）分]，差异均有统计学意义（χ2＝38.533，P＜0.001；t＝－7.940，P＜0.001，结果经FDR校正）。结果提示，视空间工作记忆加工速度下降可能是抑郁症状加重的行为学表征之一。
2.6 抑郁症状与视空间工作记忆相关的脑功能连接特征
为探究抑郁症状组与健康对照组、视空间工作记忆强与弱的脑功能连接是否存在差异，将大学生分为抑郁症状-长反应时组（n＝47）、抑郁症状-短反应时组（n＝13）、健康-长反应时组（n＝13）、健康-短反应时组（n＝47）。对存在差异的点位进行偏相关分析，构建邻接矩阵，形成相关性热图（图 2、图 3，结果经FDR校正）。结果提示，不同抑郁症状与视空间工作记忆水平的交互分层可能对应不同的脑功能连接组织特征。
图 2 抑郁症状-长反应时组（A）、抑郁症状-短反应时组（B）、健康-长反应时组（C）、健康-短反应时组（D）大学生α2波段的相关性热图Fig. 2 Correlation heatmaps of α2 band of university students in depressive symptom-long reaction time (A), depressive symptom-short reaction time (B), healthy-long reaction time (C), and healthy-short reaction time (D) groups*P<0.05, **P<0.01, ***P<0.001.下载:
全尺寸图片
图 3 抑郁症状-长反应时组（A）、抑郁症状-短反应时组（B）、健康-长反应时组（C）、健康-短反应时组（D）大学生β1波段的相关性热图Fig. 3 Correlation heatmaps of β1 band of university students in depressive symptom-long reaction time (A), depressive symptom-short reaction time (B), healthy-long reaction time (C), and healthy-short reaction time (D) groups*P<0.05, **P<0.01, ***P<0.001.下载:
全尺寸图片
2.6.1 抑郁症状大学生在α2波段枕-顶功能连接增强
将邻接矩阵导入BrainNet Viewer工具箱生成三维神经影像，通过观察抑郁症状-长反应时组、抑郁症状-短反应时组、健康-长反应时组、健康-短反应时组大学生3个切面（相关系数阈值为0.4、0.7、0.9）的脑功能连接图（图 4），结果如下：（1）抑郁症状大学生在α2波段（顶区、枕区与侧颞区）上的平均密度和强度高于健康对照组（抑郁症状大学生平均密度为0.75、平均强度为0.68，健康对照大学生平均密度为0.43、平均强度为0.55）；（2）O1（左枕区）与O2（右枕区）的连接可能是区分抑郁症状大学生与健康大学生的关键脑功能连接特征，这在相关系数阈值为0.9的切面中尤为明显（图 5）。
图 4 4组大学生在α2波段的脑功能连接图（从左至右分别为相关系数阈值0.4、0.7和0.9切面）Fig. 4 Brain functional connectivity in α2 band across 4 groups at thresholds of 0.4, 0.7, and 0.9 (from left to right)DL: Depressive symptom-long reaction time; DS: Depressive symptom-short reaction time; HL: Healthy-long reaction time; HS: Healthy-short reaction time.下载:
全尺寸图片
图 5 基于脑功能连接的神经电生理指标在抑郁症状组与健康对照组及不同视空间工作记忆水平大学生间的差异（相关系数阈值为0.9切面）Fig. 5 Differences in functional connectivity-based neural electrophysiological indices between depressive symptom group and healthy control group and among students with different visuospatial working memory levels at a threshold of 0.9下载:
全尺寸图片
2.6.2 视空间工作记忆优者在β1波段顶-颞网络连接更紧密
将邻接矩阵导入BrainNet Viewer工具箱生成三维神经影像，通过观察抑郁症状-长反应时、抑郁症状-短反应时、健康-长反应时、健康-短反应时大学生3个切面（相关系数阈值为0.4、0.7、0.9）的脑功能连接图（图 6），结果如下：（1）短反应时的大学生在β1波段（顶区、右中央区与侧颞区）上的平均密度和强度高于长反应时的大学生（短反应时大学生平均密度为0.68、平均强度为0.72，长反应时大学生平均密度为0.61、平均强度为0.70）；（2）P4（右顶区）与T6（右后颞区）的连接可能是区分视空间工作记忆强弱的潜在神经电生理指标，这在相关系数阈值为0.9的切面中尤为明显（图 5）。
图 6 4组大学生在β1波段的脑功能连接图（从左至右分别为相关系数阈值0.4、0.7和0.9切面）Fig. 6 Brain functional connectivity in β1 band across 4 groups at thresholds of 0.4, 0.7, and 0.9 (from left to right)DL: Depressive symptom-long reaction time; DS: Depressive symptom-short reaction time; HL: Healthy-long reaction time; HS: Healthy-short reaction time.下载:
全尺寸图片
3 讨论
本研究通过行为学任务和脑电指标揭示了抑郁症状与视空间工作记忆之间的关联，结果显示，抑郁症状大学生和健康大学生在视空间工作记忆上存在显著差异，且抑郁症状得分越高视空间工作记忆表现越差（反应时越长），这一模式与针对老年人群的流行病学结果[28-29]一致。在神经电生理层面，研究发现两组间异常脑电活动主要集中于α2和β1波段的右顶区、枕区、右中央区、右侧颞区及后颞区等关键区域，与既往相关研究[30-33]一致。在此基础上，进一步的脑功能连接分析表明，无论根据有无抑郁症状分组还是根据视空间工作记忆强弱进行分组，不同组间在连接强度与密度上均存在差异，其中O1-O2（枕区）与P4-T6（右顶区-右后颞区）等通路表现出较高的识别效应，有望成为抑郁症状早期筛查及视空间工作记忆分层评估潜在的神经电生理指标。
本研究发现，抑郁症状组在α2波段（顶区、枕区与侧颞区）的脑功能连接的密度和强度均高于健康对照组，且O1（左枕区）与O2（右枕区）的连接可能是区分抑郁症状大学生与健康大学生的潜在神经电生理指标。α波段的活动与大脑的放松状态和情绪稳定性密切相关[34]，而在抑郁症状人群中，α波段的活动模式常常发生异常变化[35]。本研究进一步细化了这一发现，尤其是在α2波段，揭示了抑郁症状大学生与健康大学生之间的显著差异。顶区与空间注意和工作记忆相关[36]，枕区主要负责视觉信息处理[37]，而侧颞区则与听觉和语言处理相关[38-39]。枕区是大脑视觉信息处理的核心区域[40-41]，O1与O2的连接增强，可能反映了抑郁症状人群在视觉信息处理方面的异常。抑郁症状人群常常表现出负性认知偏向，即对负面信息的处理更加敏感和持久[42-43]。这种偏向可能导致枕区在处理负性视觉信息时的过度激活，进而增强O1与O2之间的功能连接。
从另一角度出发，本研究发现了能够识别视空间工作记忆强弱的潜在指标，这为识别抑郁症状提供了间接证据支持。视空间工作记忆强的大学生在β1波段（顶区、右中央区与侧颞区）的功能连接密度和强度均高于视空间工作记忆弱的大学生，且P4（右顶区）与T6（右后颞区）的连接可能是区分视空间工作记忆强弱的重要标志。研究表明，较高的β1波段活动可能与更高的认知效率和更快的反应速度相关[44-45]。视空间工作记忆强的个体，其顶区、右中央区和侧颞区之间的功能连接更为紧密，这可能是因为这些区域在完成视空间工作记忆任务时需要更高效的协作和信息传递。顶区是空间注意和工作记忆的关键区域[36]，后颞区涉及听觉处理和语义记忆[38]，右中央区则与运动控制和感觉信息处理相关[46]。对于视空间工作记忆较强的个体，大脑在处理视觉信息时可能需要更紧密的跨区域协作，而这一过程在β1波段的功能连接中表现为高连接密度和强度。然而，对于视空间工作记忆较弱的个体，这些关键区域间的连接效率可能较低，从而影响其整体视觉认知表现。
就临床效应而言，抑郁症状的早期识别一直是一个挑战[47-48]。通过分析α2波段的脑功能连接，特别是O1与O2的连接，可以为抑郁症状的诊断提供客观线索，辅助临床决策，这一连接的特异性也提示了可能的干预靶点。通过神经反馈训练或脑刺激技术调节这一特定连接的活动，或许可以改善抑郁症状的行为表现。此外，身体状况和人际关系可能是导致抑郁症状发生的重要影响因素，未来需要进一步探索。总之，通过对抑郁症状和视空间工作记忆的脑功能连接研究，不仅揭示了其特异性连接模式，丰富了对抑郁症状认知机制的理解，为理解大脑在认知和情绪处理中的复杂机制提供了新的视角，也为开发更有效的干预方法提供了新的科学依据。
综上所述，本研究基于视空间工作记忆任务和静息态脑电图数据，从行为表现、脑电节律及脑功能连接三个层面系统考察了大学生抑郁症状相关的认知与脑功能连接特征。抑郁症状大学生在2-back视空间工作记忆任务中主要表现为反应时延长，而正确率保持相对稳定，提示抑郁症状相关的认知改变更多体现在加工效率层面。在神经电生理上，不同抑郁症状与视空间工作记忆水平个体在脑功能连接密度与强度上均呈现出可区分的网络特征，其中，在α2波段，抑郁症状大学生在顶区、枕区及侧颞区等通路上的脑功能连接平均密度和强度高于健康大学生，O1-O2（枕区）通路可能是识别大学生抑郁症状的重要标志；在β1波段，视空间工作记忆强（短反应时）的大学生在顶区、右中央区及侧颞区等通路上的脑功能连接平均密度和强度高于视空间工作记忆弱（长反应时）的大学生，P4-T6（右顶区-右后颞区）通路可能是区分视空间工作记忆强弱的重要标志。
本研究存在以下局限性：首先，研究对象以中国大学生为主，不能反映不同年龄、性别和文化背景群体的连接模式；其次，本研究基于观察性研究对静息态脑电图进行分析，主要分析了α2和β1频段的点位连接，未结合任务态、纵向随访及其他频段和网络指标，因此难以全面揭示功能连接的时间动态与因果方向。未来研究可在严格控制协变量的基础上，扩展至多任务、多时点和多模态成像（如结构MRI、功能MRI等），并开展跨年龄、跨性别与跨文化群体比较，以更系统地揭示抑郁症状与视空间工作记忆相关脑网络的普适规律。
图 1 视空间工作记忆任务测试流程图（A）和大脑功能连接切面分析示意图（B）
Fig. 1 Visuospatial working memory task paradigm (A) and schematic illustration of slice-based brain functional connectivity analysis (B)
下载:
全尺寸图片
图 2 抑郁症状-长反应时组（A）、抑郁症状-短反应时组（B）、健康-长反应时组（C）、健康-短反应时组（D）大学生α2波段的相关性热图
Fig. 2 Correlation heatmaps of α2 band of university students in depressive symptom-long reaction time (A), depressive symptom-short reaction time (B), healthy-long reaction time (C), and healthy-short reaction time (D) groups
*P<0.05, **P<0.01, ***P<0.001.
下载:
全尺寸图片
图 3 抑郁症状-长反应时组（A）、抑郁症状-短反应时组（B）、健康-长反应时组（C）、健康-短反应时组（D）大学生β1波段的相关性热图
Fig. 3 Correlation heatmaps of β1 band of university students in depressive symptom-long reaction time (A), depressive symptom-short reaction time (B), healthy-long reaction time (C), and healthy-short reaction time (D) groups
*P<0.05, **P<0.01, ***P<0.001.
下载:
全尺寸图片
图 4 4组大学生在α2波段的脑功能连接图（从左至右分别为相关系数阈值0.4、0.7和0.9切面）
Fig. 4 Brain functional connectivity in α2 band across 4 groups at thresholds of 0.4, 0.7, and 0.9 (from left to right)
DL: Depressive symptom-long reaction time; DS: Depressive symptom-short reaction time; HL: Healthy-long reaction time; HS: Healthy-short reaction time.
下载:
全尺寸图片
图 5 基于脑功能连接的神经电生理指标在抑郁症状组与健康对照组及不同视空间工作记忆水平大学生间的差异（相关系数阈值为0.9切面）
Fig. 5 Differences in functional connectivity-based neural electrophysiological indices between depressive symptom group and healthy control group and among students with different visuospatial working memory levels at a threshold of 0.9
下载:
全尺寸图片
图 6 4组大学生在β1波段的脑功能连接图（从左至右分别为相关系数阈值0.4、0.7和0.9切面）
Fig. 6 Brain functional connectivity in β1 band across 4 groups at thresholds of 0.4, 0.7, and 0.9 (from left to right)
DL: Depressive symptom-long reaction time; DS: Depressive symptom-short reaction time; HL: Healthy-long reaction time; HS: Healthy-short reaction time.
下载:
全尺寸图片
表 1 抑郁症状组与健康对照组大学生基线资料
Table 1 Baseline characteristics of university students in depressive symptom group and healthy control group
N＝60 Index Depressive symptom group Healthy control group Statistic P value Age/year, x±s 19.62±1.04 19.82±1.15 t＝－0.843 0.401 Male, n (%) 33 (55.0) 25 (41.7) χ2＝2.136 0.144 Body height/cm, x±s 167.55±7.40 168.23±7.21 t＝－0.512 0.609 Body weight/kg, x±s 59.83±14.30 61.42±13.43 t＝－0.625 0.533 College year, n (%) χ2＝0.677 0.878 First-year 16 (26.7) 19 (31.7) Second-year 24 (40.0) 22 (36.7) Third-year 18 (30.0) 18 (30.0) Fourth-year 2 (3.3) 1 (1.7) Drinking habit, n (%) 15 (25.0) 8 (13.3) χ2＝2.636 0.104 Only child, n (%) 22 (36.7) 31 (51.7) χ2＝2.737 0.098 Single-parent family, n (%) 1 (1.7) 5 (8.3) χ2＝2.807 0.094 Social activity frequency, n (%) χ2＝4.997 0.172 Every day 1 (1.7) 0 4-6 times per week 0 1 (1.7) 1-3 times per week 41 (68.3) 49 (81.7) Never 18 (30.0) 10 (16.7) Physical condition, n (%) χ2＝26.079 ＜0.001 Good 0 11 (18.3) Fairly good 25 (41.7) 29 (48.3) Average 29 (48.3) 14 (23.3) Poor 5 (8.3) 5 (8.3) Very poor 1 (1.7) 1 (1.7) Interpersonal relationship, n (%) χ2＝39.060 ＜0.001 Good 2 (3.3) 14 (23.3) Fairly good 25 (41.7) 38 (63.3) Average 28 (46.7) 8 (13.3) Poor 5 (8.3) 0 Very poor 0 0 表 2 抑郁症状组与健康对照组大学生在α2和β1波段上各脑区的功率值差异
Table 2 Differences across brain regions in α2 and β1 bands of university students between depressive symptom group and healthy control group
n＝60, µV2, x±s Band Brain region Depressive symptom group Healthy control group t value P value α2 P4 16.752±6.525 20.152±8.254 －2.503 0.014 O1 15.520±6.138 20.998±8.031 －4.198 ＜0.001 O2 15.248±5.706 20.450±8.275 －4.008 ＜0.001 T5 12.963±5.248 15.903±5.755 －2.924 0.004 T6 13.572±5.559 17.488±7.499 －3.250 0.002 β1 C4 8.547±2.526 9.552±2.674 －2.116 0.036 P4 9.145±2.599 10.333±3.501 －2.111 0.037 T4 7.180±1.740 8.298±3.282 －2.331 0.021 T5 8.112±2.146 9.493±3.759 －2.473 0.015 T6 7.822±1.923 9.287±3.723 －2.708 0.008 [1] SMITH K. Mental health:a world of depression[J]. Nature, 2014, 515(7526):181. DOI: 10.1038/515180a. [2] STRINGARIS A. Editorial: what is depression[J]. Child Psychology Psychiatry, 2017, 58(12): 1287-1289. DOI: 10.1111/jcpp.12844. [3] MILLER L, CAMPO J V. Depression in adolescents[J]. N Engl J Med, 2021, 385(5): 445-449. DOI: 10.1056/NEJMra2033475. [4] KALIN N H. Depression: factors contributing to risk and therapeutic insights[J]. Am J Psychiatry, 2024, 181(9): 777-780. DOI: 10.1176/appi.ajp.20240648. [5] BARNETT R. Depression[J]. Lancet, 2019, 393(10186): 2113. DOI: 10.1016/S0140-6736(19)31151-1. [6] ANDERSON E, CRAWFORD C M, FAVA M, et al. Depression: understanding, identifying, and diagnosing[J]. N Engl J Med, 2024, 390(17): e41. DOI: 10.1056/nejmp2310179. [7] POP R, KINNEY R, GRANNEMANN B, et al. VitalSign: screening, diagnosis, and treatment of depression for adolescents presenting to pediatric primary and specialty care settings[J]. J Am Acad Child Adolesc Psychiatry, 2019, 58(6): 632-635. DOI: 10.1016/j.jaac.2019.01.019. [8] ZIMMER H D. Visual and spatial working memory: from boxes to networks[J]. Neurosci Biobehav Rev, 2008, 32(8): 1373-1395. DOI: 10.1016/j.neubiorev.2008.05.016. [9] HENDERSON M M, RADEMAKER R L, SERENCES J T. Flexible utilization of spatial-and motor-based codes for the storage of visuo-spatial information[J]. eLife, 2022, 11: e75688. DOI: 10.7554/eLife.75688. [10] CACIAGLI L, PAQUOLA C, HE X, et al. Disorganization of language and working memory systems in frontal versus temporal lobe epilepsy[J]. Brain, 2023, 146(3): 935-953. DOI: 10.1093/brain/awac150. [11] BÂ M B, CURTIS L, PELLIZZER G. Viewer and object mental rotation in young adults with psychotic disorders[J]. Schizophr Res, 2022, 240: 92-102. DOI: 10.1016/j.schres.2021.12.040. [12] SALMELA V, SOCADA L, SÖDERHOLM J, et al. Reduced visual contrast suppression during major depressive episodes[J]. J Psychiatry Neurosci, 2021, 46(2): E222-E231. DOI: 10.1503/jpn.200091. [13] LE T M, BORGHI J A, KUJAWA A J, et al. Alterations in visual cortical activation and connectivity with prefrontal cortex during working memory updating in major depressive disorder[J]. Neuroimage Clin, 2017, 14: 43-53. DOI: 10.1016/j.nicl.2017.01.004. [14] GÄRTNER M, GHISU M E, SCHEIDEGGER M, et al. Aberrant working memory processing in major depression: evidence from multivoxel pattern classification[J]. Neuropsychopharmacology, 2018, 43(9): 1972-1979. DOI: 10.1038/s41386-018-0081-1. [15] FINGELKURTS A A, FINGELKURTS A A, KÄHKÖNEN S. Functional connectivity in the brain: is it an elusive concept[J]. Neurosci Biobehav Rev, 2005, 28(8): 827-836. DOI: 10.1016/j.neubiorev.2004.10.009. [16] BAZINET V, HANSEN J Y, VOS DE WAEL R, et al. Assortative mixing in micro-architecturally annotated brain connectomes[J]. Nat Commun, 2023, 14(1): 2850. DOI: 10.1038/s41467-023-38585-4. [17] THIEBAUT DE SCHOTTEN M, FORKEL S J. The emergent properties of the connected brain[J]. Science, 2022, 378(6619): 505-510. DOI: 10.1126/science.abq2591. [18] CHEN H, LEI Y, LI R, et al. Resting-state EEG dynamic functional connectivity distinguishes non-psychotic major depression, psychotic major depression and schizophrenia[J]. Mol Psychiatry, 2024, 29(4): 1088-1098. DOI: 10.1038/s41380-023-02395-3. [19] KLOOSTER D, VOETTERL H, BAEKEN C, et al. Evaluating robustness of brain stimulation biomarkers for depression: a systematic review of magnetic resonance imaging and electroencephalography studies[J]. Biol Psychiatry, 2024, 95(6): 553-563. DOI: 10.1016/j.biopsych.2023.09.009. [20] WANG Z, ZHU Y, LI C, et al. Correlation between physical exercise levels, depressive symptoms, and sleep quality in college students: evidence from electroencephalography[J]. J Affect Disord, 2025, 369: 789-799. DOI: 10.1016/j.jad.2024.10.043. [21] ROCK P L, ROISER J P, RIEDEL W J, et al. Cognitive impairment in depression: a systematic review and meta-analysis[J]. Psychol Med, 2014, 44(10): 2029-2040. DOI: 10.1017/S0033291713002535. [22] SNYDER H R. Major depressive disorder is associated with broad impairments on neuropsychological measures of executive function: a meta-analysis and review[J]. Psychol Bull, 2013, 139(1): 81-132. DOI: 10.1037/a0028727. [23] 王振, 苑成梅, 黄佳, 等. 贝克抑郁量表第2版中文版在抑郁症患者中的信效度[J]. 中国心理卫生杂志, 2011, 25(6): 476-480. DOI: 10.3969/j.issn.1000-6729.2011.06.014. [24] SONG X, ZENG Y, TONG L, et al. Neural mechanism for dynamic distractor processing during video target detection: insights from time-varying networks in the cerebral cortex[J]. Brain Res, 2021, 1765: 147502. DOI: 10.1016/j.brainres.2021.147502. [25] XIA M, WANG J, HE Y. BrainNet Viewer: a network visualization tool for human brain connectomics[J]. PLoS One, 2013, 8(7): e68910. DOI: 10.1371/journal.pone.0068910. [26] TOMASI D, VOLKOW N D, DESIMONE R. Functional connectivity density mapping[J]. Proc Natl Acad Sci U S A, 2010, 107(21): 9885-9890. DOI: 10.1073/pnas.1001414107. [27] BULLMORE E, SPORNS O. Complex brain networks: graph theoretical analysis of structural and functional systems[J]. Nat Rev Neurosci, 2009, 10(3): 186-198. DOI: 10.1038/nrn2575. [28] DONG X, NG N. Contribution of multiple pathways to the relationship between visual impairment and depression: explaining mental health inequalities among older Chinese adults[J]. J Affect Disord, 2021, 278: 350-356. DOI: 10.1016/j.jad.2020.09.068. [29] YAN R, HU Y, YANG J, et al. Depressive symptoms trajectories and cardiovascular disease in Chinese middle-aged and older adults: a longitudinal cohort study[J]. J Affect Disord, 2025, 380: 456-465. DOI: 10.1016/j.jad.2025.03.154. [30] WU Z, ZHONG X, LIN G, et al. Resting-state electroencephalography of neural oscillation and functional connectivity patterns in late-life depression[J]. J Affect Disord, 2022, 316: 169-176. DOI: 10.1016/j.jad.2022.07.055. [31] ZHANG B, YAN G, YANG Z, et al. Brain functional networks based on resting-state EEG data for major depressive disorder analysis and classification[J]. IEEE Trans Neural Syst Rehabil Eng, 2021, 29: 215-229. DOI: 10.1109/TNSRE.2020.3043426. [32] LI L, WANG P, LI S, et al. Construction of a resting EEG-based depression recognition model for college students and possible mechanisms of action of different types of exercise[J]. BMC Psychiatry, 2023, 23(1): 849. DOI: 10.1186/s12888-023-05352-0. [33] MILJEVIC A, BAILEY N W, MURPHY O W, et al. Alterations in EEG functional connectivity in individuals with depression: a systematic review[J]. J Affect Disord, 2023, 328: 287-302. DOI: 10.1016/j.jad.2023.01.126. [34] MORRONE J, MININI L. The interlinking of alpha waves and visuospatial cognition in motor-based domains[J]. Neurosci Biobehav Rev, 2023, 149: 105152. DOI: 10.1016/j.neubiorev.2023.105152. [35] HORATO N, QUAGLIATO L A, NARDI A E. The relationship between emotional regulation and hemispheric lateralization in depression: a systematic review and a meta-analysis[J]. Transl Psychiatry, 2022, 12(1): 162. DOI: 10.1038/s41398-022-01927-9. [36] HUSAIN M, NACHEV P. Space and the parietal cortex[J]. Trends Cogn Sci, 2007, 11(1): 30-36. DOI: 10.1016/j.tics.2006.10.011. [37] MALLER J J, THOMSON R H, ROSENFELD J V, et al. Occipital bending in depression[J]. Brain, 2014, 137(Pt 6): 1830-1837. DOI: 10.1093/brain/awu072. [38] RICHARDS S E, HUGHES M E, WOODWARD T S, et al. External speech processing and auditory verbal hallucinations: a systematic review of functional neuroimaging studies[J]. Neurosci Biobehav Rev, 2021, 131: 663-687. DOI: 10.1016/j.neubiorev.2021.09.006. [39] ELLIS G. Top-down effects in the brain[J]. Phys Life Rev, 2019, 31: 11-27. DOI: 10.1016/j.plrev.2018.05.006. [40] HIMMELBERG M M, WINAWER J, CARRASCO M. Polar angle asymmetries in visual perception and neural architecture[J]. Trends Neurosci, 2023, 46(6): 445-458. DOI: 10.1016/j.tins.2023.03.006. [41] HEITMANN C, ZHAN M, LINKE M, et al. Early visual experience refines the retinotopic organization within and across visual cortical regions[J]. Curr Biol, 2023, 33(22): 4950-4959.e4. DOI: 10.1016/j.cub.2023.10.010. [42] ZHANG X, BULLARD K M, COTCH M F, et al. Association between depression and functional vision loss in persons 20 years of age or older in the United States, NHANES 2005-2008[J]. JAMA Ophthalmol, 2013, 131(5): 573-581. DOI: 10.1001/jamaophthalmol.2013.2597. [43] MORSE A R. Vision function, functional vision, and depression[J]. JAMA Ophthalmol, 2013, 131(5): 667-668. DOI: 10.1001/jamaophthalmol.2013.61. [44] LOMAS T, IVTZAN I, FU C H. A systematic review of the neurophysiology of mindfulness on EEG oscillations[J]. Neurosci Biobehav Rev, 2015, 57: 401-410. DOI: 10.1016/j.neubiorev.2015.09.018. [45] LOPES DA SILVA F. EEG and MEG: relevance to neuroscience[J]. Neuron, 2013, 80(5): 1112-1128. DOI: 10.1016/j.neuron.2013.10.017. [46] TATE M C, HERBET G, MORITZ-GASSER S, et al. Probabilistic map of critical functional regions of the human cerebral cortex: Broca's area revisited[J]. Brain, 2014, 137(Pt 10): 2773-2782. DOI: 10.1093/brain/awu168. [47] KRAUS C, KADRIU B, LANZENBERGER R, et al. Prognosis and improved outcomes in major depression: a review[J]. Transl Psychiatry, 2019, 9(1): 127. DOI: 10.1038/s41398-019-0460-3. [48] GAO S, CALHOUN V D, SUI J. Machine learning in major depression: from classification to treatment outcome prediction[J]. CNS Neurosci Ther, 2018, 24(11): 1037-1052. DOI: 10.1111/cns.13048.
