GIGNMF：挖掘个体脑电图特征，助力认知与临床诊断

为优化个体脑电图（EEG）成分分析，研究人员开展 GIGNMF 框架研究，成果助力认知和临床诊断。

　　脑电图（EEG）振荡在广泛的空间和频谱尺度上发生，对神经节律变异性的分析作为发育、智力、认知状态和神经疾病的标志物，近来受到关注。非负矩阵分解（NMF）已成功应用于多主体脑电图（EEG）频谱分析。然而，现有的群体 NMF 方法并未对从群体水平成分中导出的个体水平 EEG 成分进行明确优化。为在保留个体水平 EEG 特征的同时建立不同参与者之间模式的对应关系，研究人员提出了一种获取特定个体 EEG 成分的新框架，称为群体信息引导的 NMF（GIGNMF）。在这个框架中，通过标准 NMF 在群体水平捕获的群体信息被用作指导，通过多目标优化策略计算特定个体的成分。具体而言，研究人员提出了一个三阶段框架：首先，使用标准群体 NMF 工具导出群体水平的一致性 EEG 模式；其次，实施优化程序以确定成分数量；最后，群体水平的 EEG 模式在采用多目标优化求解器的新单一单元 NMF 中作为参考。研究人员在合成信号和从阿尔茨海默病数据中获得的真实 EEG 记录上测试了该算法的性能。研究结果凸显了使用 GIGNMF 识别 EEG 时空模式的可行性，并且展示了新的个体电生理特征，这加深了人们对认知功能的理解，并有助于临床神经病理学诊断。