基于功率谱密度与排列条件互信息的任务态脑电特征提取方法在空间认知分析中的应用研究

针对脑电信号(EEG)特征提取中时-空域与频域信息割裂的问题，研究人员创新性提出PSDPCMI融合特征提取方法，通过矩阵运算整合功率谱密度(PSD)与排列条件互信息(PCMI)特征。实验基于VR空间认知训练任务，验证了该方法在Theta/Beta2/Gamma频段的优越性，分类准确率、F1-score等指标显著优于PSD、PCMI和PSDPLV方法，为认知障碍辅助诊断提供了新工具。

　　

在探索大脑奥秘的征程中，脑电信号(EEG)犹如一扇窥视神经活动的窗口，其高维复杂的特性让特征提取成为解码认知过程的关键瓶颈。传统方法往往顾此失彼：功率谱密度(PSD)能捕捉频域节律却忽视时-空关联，排列条件互信息(PCMI)擅长分析神经元群耦合却缺失频率维度。更棘手的是，简单特征拼接易引发"维度灾难"，而认知障碍早期诊断又亟需更精准的生物标志物。这一矛盾在空间认知研究中尤为突出——海马体与皮层网络的协同活动涉及多频段振荡和复杂信息传递，现有方法难以全面刻画。

为此，中国研究人员团队独辟蹊径，将PSD的频域解析能力与PCMI的耦合方向检测优势相结合，首创PSDPCMI融合特征算法。该方法通过矩阵运算实现特征深度融合，在VR空间认知训练实验中大放异彩：受试者在"虚拟社区"训练后完成"城市行走"测试，同步采集的EEG数据显示，新方法在Theta(4-8Hz)、Beta₂(20-30Hz)和Gamma(30-50Hz)频段表现尤为亮眼，不仅分类准确率全面碾压传统方法，更在AUC-score等指标上实现突破。这项发表于《Neuroscience》的研究，为认知功能评估提供了兼顾"时空-频率"双维度的新范式。

关键技术包括：1)基于虚拟现实(VR)的空间认知任务范式设计；2)功率谱密度(PSD)频域特征提取；3)排列条件互信息(PCMI)耦合分析；4)矩阵融合的PSDPCMI特征构建；5)卷积神经网络(CNN)分类模型验证。实验数据来自7名60岁以上健康受试者完成的VR训练-测试任务EEG记录。

【数据描述】
采用与Wen等(2023)相同的数据集，经秦皇岛第一医院伦理委员会批准(批号2018B006)，所有受试者均参与虚拟社区游戏干预。

【不同特征提取方法的分类结果】
PSDPCMI在7个频段均取得最高准确率：Theta频段精度达92.3%，Delta和Beta₁频段召回率超89%，除Beta₂外所有频段F1-score和AUC-score均领先。交叉验证显示其性能稳定，Kappa系数显著优于对照组(p<0.01)。

【PSDPCMI方法的可行性与有效性】
PSD单独使用时难以表征前额叶-顶叶的功能连接，而PCMI无法区分Alpha与Gamma频段的耦合差异。PSDPCMI通过特征互补，成功识别出空间导航时Theta-Gamma跨频段耦合现象，其信息熵值较单一方法降低37.2%(p=0.003)。

【结论】
该研究开创性地实现了EEG特征"时-空-频"三维融合：1)PSDPCMI在认知任务分类中展现全面优势，Gamma频段AUC达0.932；2)矩阵融合策略有效规避维度灾难，特征数较简单拼接减少62%；3)方法在跨数据集验证中保持稳健，为阿尔茨海默病早期筛查提供了可扩展的技术框架。

这项突破的意义不仅在于技术层面的创新——首次将排列熵理论与频谱分析深度结合，更在于其临床转化潜力：通过VR任务与多维度EEG标记的联动，有望建立认知衰退的定量预警系统。正如作者团队强调的，未来研究将探索该方法在MCI(轻度认知障碍)群体中的敏感性和特异性，推动脑科学走向"数字标记物"的新时代。