基于EEG动态功能连接的卷积神经网络在痴呆亚型分类中的转化应用研究

本研究针对痴呆早期诊断难题，创新性采用静息态脑电图(EEG)功能连接动态特征（包括ISPC、wPLI、AEC等），结合卷积神经网络(CNN)构建分类模型。团队发现阿尔茨海默病(AD)与额颞叶痴呆(FD)在Delta和Theta频段呈现特异性连接模式，最终实现93.6%的多分类准确率，为痴呆的精准分型提供了可转化的电生理标志物。

　　

痴呆诊断的困境与突破
全球约5500万痴呆患者正面临诊断困境——传统神经影像学检查费用高昂，而脑电图(EEG)虽成本低廉却依赖主观判读。更棘手的是，阿尔茨海默病(AD)与额颞叶痴呆(FD)等亚型在早期症状相似但治疗方案迥异，亟需开发客观精准的分类工具。

创新研究路径
来自中国的研究团队独辟蹊径，将EEG信号转化为动态功能连接图谱。他们发现AD患者Delta频段呈现全脑超连接，而FD患者Theta频段相位同步性显著降低。这些特征被编码为19×19的连接矩阵，输入定制化的三层卷积神经网络(CNN)，最终在OpenNeuro数据集上创造了97.8%的AD识别准确率。

关键技术方法
研究采用10-20系统采集静息态EEG，通过ASR去噪和ICA去除眼动伪迹。计算三种连接指标：相位聚类指数(ISPC)、加权相位滞后指数(wPLI)和振幅包络相关(AEC)，提取均值、方差等动态特征。采用SMOTE算法解决数据不平衡问题，构建的CNN模型包含1024个卷积核和全局平均池化层。

Distinctive connectivity profiles of dementia subtypes
通过Kruskal-Wallis检验发现，AD组在Delta-ISPC呈现全脑超连接（p<0.05，η²=0.21），而FD组Theta频段连接强度降低40%。Alpha频段功能连接在两类痴呆中均显著受损，特别是额叶-枕叶通路（wPLI值下降0.35±0.08）。熵分析揭示AD患者Delta频段复杂度比FD高15.7%，这成为亚型鉴别的重要特征。

Dementia subtypes classification performance
CNN模型在五折交叉验证中表现优异：

• 多分类（AD/FD/HC）准确率93.5±3.4%
• AD与健康对照区分达97.8%（AUC=0.99）
• FD识别准确率96.7%，显著优于传统机器学习方法
  t-SNE可视化显示，模型能清晰分离三类人群的特征簇，且同一受试者的多次试验在特征空间紧密聚集。

讨论与展望
该研究首次系统揭示了痴呆亚型在EEG动态连接中的"数字指纹"：AD表现为Delta频段高同步性伴随熵值增加，反映神经活动紊乱；FD则以Theta频段相位解耦为特征。将Shannon熵等动态特征引入CNN，使模型性能提升6.2%，超越了仅使用静态特征的对照组。

尽管存在单中心样本量有限等局限，这项发表于《Scientific Reports》的工作为痴呆筛查提供了可推广的解决方案。未来结合任务态EEG和跨中心验证，有望发展成临床适用的自动化诊断系统，推动精准医疗在神经退行性疾病领域的应用。