抑郁中的兴奋-抑制失衡与可观测性边界：基于静息态EEG与三区域Wilson-Cowan模型的队列推断

人们普遍认为抑郁涉及神经元兴奋与抑制之间的失衡，但这一观点很少在宏观脑网络层面得到定量检验，因为动力学模型难以拟合EEG频谱，而且逐人拟合的速度慢得令人难以承受。我们提出了一个完整、可复现的流程，使这种检验成为可能，并报告了它在哪些方面成功、在哪些方面不成功。使用117名参与者（22名终生重性抑郁障碍患者，95名无此障碍）的闭眼静息态EEG，我们采用摊销贝叶斯方法拟合了一个三区域兴奋-抑制网络模型，其中单个共享的模拟库服务于每位参与者，并将推断缩减至每人毫秒级。抑郁参与者在三个核心网络中表现出一致的向兴奋偏移，同时伴有更强的抑制性环路增益和更低的工作点驱动。模型的默认模式共振频率随症状严重程度升高，而从同一记录计算出的传统峰值频率估计则没有升高。随后我们追问该模型究竟带来了什么。在区分组别方面，它并未优于简单的频谱指标，且其逐人低频预测较差，因此我们相应地限制了我们的主张。一个实时状态观测器在毫秒内检测到网络工作点的突然变化，却无法重建逐时刻的状态，这一限制由模型的内在随机性而非我们的算法所设定。最后，一项剂量匹配的对照显示，闭环刺激在相同剂量下并不比固定刺激更准确，因此我们报告该闭环的实时可行性，而不声称具有准确性优势。因此，本文的贡献是一个可复用、经过校准的推断流程，以及对其局限的明确描绘，包括我们特意保留为结果的阴性发现。

中文由 AI 翻译，仅供参考，以原文为准。