基于焦虑障碍患者及高危人群的脑电图研究

目的探讨焦虑障碍患者及高危人群脑电特征,为军队征兵心理选拔及多质融合理论提供客观支持。方法招募焦虑障碍患者(焦虑障碍组,n=38)、焦虑障碍高危者(焦虑高危组,n=39)及健康人(正常组,n=38)并收集其脑电数据,使用eeglab软件对3组被试的多质融合指标[功率谱密度(PSD)、时频幅值、功能连接)进行分析,考察PSD、加权相位延迟指数(wPLI)能否用作评估焦虑障碍的脑异常指标;采用Python 2.0 Scikit-Learn包的支持向量机与K近邻分类器对3组被试进行二分类。结果在δ、θ和α低频频段,3组被试PSD差异显著。PSD在δ频段组间主效应差异有统计学意义(F=97.55,P<0.001),焦虑障碍组(6.16±0.61)>焦虑高危组(5.22±0.73)>正常组(3.36±0.06);PSD在θ频段组间主效应差异有统计学意义(F=65.87,P<0.001),焦虑障碍组(2.25±0.07)>焦虑高危组(2.23±0.08)>正常组(1.34±0.39);PSD在α频段组间主效应差异有统计学意义(F=178.73,P<0.001),焦虑障碍组(2.02±0.45)>焦虑高危组(1.94±0.57)>正常组(0.98±0.02)。在β1、β2及γ高频频段,焦虑高危组前额叶(FP1、FP2)和颞叶(T3、T4)区PSD有上升波动。在β1频段焦虑障碍组与正常组的wPLI分别在TP7-FC3电极对(t=2.45,P<0.05)与T5-FC3电极对(t=-3.01,P<0.05)的差异有统计学意义。结合行为学、频域、时频和功能连接4种特征筛选指标应用于机器学习,多质融合指标较单纯行为学指标识别焦虑高危者与正常人的准确率从75.00%提高到82.61%。结论利用机器学习对脑电指标进行分类,结合多质融合理论可作为提高区分焦虑障碍人群的潜在特征,在未来征兵心理选拔与临床评估中具有前瞻性意义。

焦虑障碍高危人群自陈式问卷作答的眼动特征分析

目的采用视线追踪技术采集与分析焦虑障碍高危人群的眼动特征,为军队心理选拔及多质融合理论提供客观行为学指标支持。方法本研究共收集被试83人,其中焦虑障碍高危组29人,焦虑障碍组24人,健康人群组30人。通过在部队医院评估临床就诊患者与社会招募的方法,严格按照入组标准纳入受试人群,使用Tobii Pro X3-120仪器采集受试者在作答自陈式问卷时的眼动轨迹,采用单因素三水平重复测量设计,分析焦虑障碍高危人群在自陈式问卷作答时的眼动特征。自陈式问卷选用具有焦虑预测性的军事应激反应性焦虑预测量表。结果焦虑障碍高危人群与焦虑障碍患者在进行自陈式问卷作答时与健康人群相比具有更多的注视点个数(P<0.01),更长的注视时长(P<0.05),更多的回视个数(P<0.01)。结论焦虑障碍高危人群不满足诊断为焦虑障碍的标准,但在临床上易诱发为焦虑障碍,其眼动特征与健康人群相比表现出不同的眼动特征,为多质融合理论提供客观行为学指标,在未来人员选拔与临床评估中具有前瞻意义。