编辑推荐：
阿尔茨海默病（AD）和轻度认知障碍（MCI）的早期诊断意义重大。研究人员基于脑电图（EEG）信号，运用庞加莱和熵方法开展研究。结果显示该方法分类准确率高达 97.8% ，为 AD 和 MCI 的早期检测提供了有效途径。
在全球老龄化加剧的当下，神经系统疾病成为严重威胁老年人健康的 “杀手”，其中阿尔茨海默病（Alzheimer’s disease，AD）尤为突出。AD 是一种常见的神经退行性疾病，全球约有 5000 万患者深受其害，它不仅让患者认知、行为和智力功能出现严重缺陷，还会导致痴呆。目前，AD 尚无治愈方法，早期诊断就成为减缓疾病进展、提高患者生活质量的关键。轻度认知障碍（Mild Cognitive Impairment，MCI）患者虽然症状不如 AD 严重，但他们存在认知缺陷，且有发展成 AD 的风险，早期诊断 MCI 对于预防疾病恶化至关重要。
传统的 AD 和 MCI 诊断方法，如主观的神经心理学测试，存在主观性强、准确性不足的问题；基于磁共振成像（MRI）的检测虽然在定位和检测脑部异常方面有优势，但成本高、耗时长。相比之下，脑电图（Electroencephalography，EEG）检测凭借无创、快速、廉价且准确率高的特点，成为研究热点。不过，以往利用 EEG 信号分析 AD 和 MCI 的研究大多集中于区分两类人群，对 AD、MCI 和健康个体三类人群的分类研究较少。
为了填补这一研究空白，来自土耳其加齐大学（Gazi University）电气与电子工程系的研究人员 Umut Aslan 和 Mehmet Feyzi Ak?ahin 开展了相关研究，其成果发表在《BioMedical Engineering OnLine》上。
研究人员主要运用了两种关键技术方法。一是非线性分析方法，包括庞加莱（Poincare）和多种熵（Entropy）方法，用于从 EEG 信号中提取有意义的特征。例如，通过庞加莱图分析时间序列，获取如 SD1、SD2 等特征；利用排列熵（Permutation entropy，PerEn）、近似熵（Approximate entropy，AppEn）等多种熵方法量化信号复杂性。二是机器学习算法，如 K 近邻（K-nearest neighbor，KNN）、支持向量机（Support vector machine，SVM）和袋装树（Bagged tree）算法，对提取的特征进行分类分析。研究使用的 EEG 信号来自 35 名年龄在 65 - 90 岁的参与者，这些参与者被分为健康组、MCI 组和 AD 组，数据采集遵循严格的伦理规范。
在实验过程中，研究人员进行了多组实验。首先，分别分析庞加莱和熵方法提取的特征，结果发现基于庞加莱图的统计特征在分类三类人群时，测试集准确率达到 91.9%；熵特征方面，SVM 和 KNN 分类器表现优于庞加莱方法。接着，研究人员考虑所有特征进行实验，结果令人惊喜，使用 SVM 分类器和三次核函数时，准确率高达 97.8% 。此外，研究人员还对 AD 与对照组、AD 与 MCI 组、对照组与 MCI 组分别进行分类实验，在考虑所有特征的情况下，KNN 分类器在区分 AD 和健康个体时准确率达到 98.7%；SVM 分类器在区分 AD 和 MCI 患者时准确率为 98.2%；在区分对照组和 MCI 组时，熵特征结合 SVM 分类器的准确率为 97.2%。
从研究结论来看，基于庞加莱和熵特征的计算机辅助决策支持系统，能够以较高的准确率区分 AD、MCI 和健康个体。熵特征在分类中表现尤为出色，但综合考虑所有特征时，系统性能更优。与以往研究相比，该方法在多类分类任务中表现卓越，且无需复杂的预处理步骤。不过，研究也存在一定局限性，如实验样本量较小，未来需要在更大规模的数据集上进行验证；同时，在熵方法的选择上还有优化空间，可通过特征选择技术进一步提高方法的有效性。
总体而言，这项研究为 AD 和 MCI 的早期检测提供了一种新的、有潜力的方法，有望改变目前依赖昂贵、耗时检测技术的现状，以相对简单且低成本的方式实现更准确的早期诊断，为患者赢得宝贵的治疗时间，在神经退行性疾病的早期诊断领域具有重要的理论和实践意义。
