《Frontiers in Neurology》：Auditory paradigm-dependent EEG feature screening and representation for distinguishing consciousness states in male patients with disorders of consciousness
编辑推荐：
摘要专业翻译
引言： 意识障碍（DoC）的准确评估，包括微意识状态（MCS）和无反应觉醒综合征（UWS/VS），仍然是临床神经康复中的一项重大挑战。基于EEG的生物标志物提供了一种非侵入性方法来表征残留脑活动，但其判别灵敏度可能取决于听觉刺激的设计。
方法：
摘要专业翻译
引言： 意识障碍（DoC）的准确评估，包括微意识状态（MCS）和无反应觉醒综合征（UWS/VS），仍然是临床神经康复中的一项重大挑战。基于EEG的生物标志物提供了一种非侵入性方法来表征残留脑活动，但其判别灵敏度可能取决于听觉刺激的设计。
方法： 研究人员在四种听觉刺激范式下获取了15名男性DoC患者的EEG记录。提取了非线性、频谱功率和图论特征，共产生136个候选特征。所有单个特征均采用患者水平留一交叉验证（LOOCV）独立评估，以表征范式特异性和特征域特异性的预测性能。在一项补充性探索优化分析中，单变量统计筛选确定了26个具有名义组间差异（p < 0.05）的特征；这些特征随后在折内进行K-means聚类和主成分分析（PCA），并与直接组合的特征表征在MCS与UWS/VS分类及CRS-R评分回归方面进行比较。
结果： 在单特征基准测试中，倒序词语序列范式表现出相对较高的平均分类性能，而非线性特征相比频谱功率和图论特征展现出相对更强的分类特性。在优化分析中，PCA衍生表征取得了具有竞争力的分类性能，而所有统计筛选特征的直接组合达到了观察到的最高分类准确率。回归性能总体有限。
讨论： 这些发现提示，听觉刺激设计和EEG特征表征可能影响DoC中意识状态的判别。在这项小样本探索性研究中，倒序词语听觉刺激和非线性EEG特征显示出有前景的判别特性，而直接特征组合为分类预测提供了额外的信息。需要在更大规模和独立队列中进行进一步验证。
论文解读文章
一、研究背景与问题
意识障碍（DoC）源于支持觉醒和觉知的神经系统的严重损伤，典型表现为无反应觉醒综合征（UWS/VS）和微意识状态（MCS），反映了大规模脑网络整合的不同程度破坏。目前，昏迷恢复量表修订版（CRS-R）被广泛用作DoC诊断的临床参考标准，该行为量表评估听觉、视觉、运动和沟通反应。然而，其可靠性受到运动障碍、觉醒水平波动和主观解释等多方面因素的制约，报告的误诊率可达37%–43%，尤其是在检测MCS患者中细微但有意义的反应方面存在困难。这些局限性凸显了对客观神经生理学测量手段的需求，以补充行为评估。
脑电图（EEG）提供了一种非侵入性、经济高效且可在床旁实施的脑功能探测方法。近年来，EEG在DoC患者诊断和预后中的作用日益显著。静息态和任务态EEG均显示出区分意识水平和预测临床结局的潜力，其中任务相关范式可增强对残留认知加工的检测。然而，现有大多数研究依赖单一类型的听觉刺激范式，限制了对刺激结构如何影响残留神经处理的理解。不同听觉范式可能涉及不同水平的认知加工，从基本感觉编码到高阶语言和语义整合，但多种听觉范式在统一分析框架内的系统比较仍然有限。
二、研究内容与主要发现
本研究旨在系统比较DoC患者在四种听觉范式下的EEG反应，探讨不同刺激结构是否影响EEG特征的判别性能，以及非线性、频谱和图论特征是否为意识评估提供互补信息。研究具体目标包括：（1）比较不同听觉范式中EEG特征类型区分MCS和UWS/VS的判别性能；（2）评估EEG特征与CRS-R评分的关联；（3）评估低维表征相对于单个和组合特征集的性能。
研究得出三个主要发现：第一，倒序词语序列范式在单特征层面表现出相对较高的分类性能；第二，非线性特征相比频谱功率和图论特征展现出相对更强且更一致的分类特性；第三，优化分析表明PCA提供了具有竞争力分类性能的紧凑表征，而筛选特征的直接组合达到了更高的峰值准确率。这些发现提示，刺激设计和特征表征均可能影响基于EEG的意识状态判别。
三、关键技术方法
研究人员从中国康复研究中心（北京博爱医院）招募了18名DoC患者，最终数据集包含15名患者（6名MCS，9名UWS/VS），均为男性。采用标准19通道国际10–20系统记录EEG，采样率1000 Hz。研究设计了四种听觉范式：纯音范式、呼名范式、倒序词语序列范式和异词序列范式，分别探测从基本感觉知觉到高阶语言整合的不同认知加工水平。分析框架包含两条互补的分析流：第一，所有136个候选特征在患者水平留一交叉验证（LOOCV）框架内独立评估，使用五种分类模型（逻辑回归、线性核支持向量机、随机森林、K近邻、决策树）和两种回归模型（普通最小二乘线性回归、支持向量回归）；第二，探索性特征优化策略，包括单变量统计筛选、K-means聚类冗余消减和主成分分析（PCA），并与直接组合特征表征进行比较。
四、研究结果
探索性统计筛选结果： 136个候选特征中，26个特征满足名义筛选标准（p < 0.05），包括14个非线性特征、9个频谱功率特征和3个图论特征，分别占各域特征的70.0%、45.0%和3.1%。非线性特征显示出最高的名义显著特征比例。效应量方面，16个非线性特征、13个频谱功率特征和12个图论特征表现出大效应（|d| > 1）。在个体特征层面，近似熵、样本熵、频谱熵和Lempel–Ziv复杂度在MCS患者中普遍高于UWS/VS患者；UWS/VS患者普遍表现出较高的相对delta功率，而MCS患者在较快频段（特别是beta和gamma）表现出相对较高的功率。
范式层面单特征性能比较： 倒序词语序列范式在分类层面表现出相对较高的平均性能，在所有主要分类指标上取得最高值，包括准确率（0.611）、精确率（0.334）、召回率（0.313）、Cohen's kappa（0.123）和AUC（0.403）。在回归层面，各范式差异较小且一致性较低，倒序词语范式在SVR回归中取得最高R2（0.193），而纯音范式在OLS回归中略高（0.148）。
特征类型层面性能比较： 非线性动力学特征在分类层面表现出相对较高的性能，准确率（0.635）、精确率（0.367）、召回率（0.343）、Cohen's kappa（0.172）和AUC（0.412）均适度高于频谱特征（准确率0.603，kappa 0.099）和图论特征（准确率0.529，kappa为负值?0.050）。回归层面，非线性特征在SVR建模中表现相对较高（R2 = 0.216），而图论特征在OLS回归中R2相对较高（0.159）。
特征优化与表征策略评估： PCA衍生表征PC1在分类中达到准确率0.773、精确率0.747、召回率0.667、Cohen's kappa 0.521和AUC 0.793，优于筛选特征集中最佳单个特征（频谱熵SPE_R的AUC为0.726，gamma频段功率PSD_Gamma_R的AUC为0.572，theta频段wPLI接近中心性WPLI_Theta_Clo_T的AUC为0.750）。所有筛选特征的直接组合（Combined_all_feature）达到最高观察准确率（0.800）和kappa（0.585），AUC为0.756。回归分析中，PC1预测性能有限（OLS R2 = 0.118，SVR R2 = 0.216），未超过最佳单个特征（倒序范式gamma功率，SVR R2 = 0.429，p = 0.008）。
与现有方法比较： 基于ERP的方法（P3a-Cz + SVM）和EEGNet深度学习方法分类性能有限，准确率分别为0.467和0.533，AUC分别为0.611和0.426。DOC-Forest启发的Extra-Trees方法使用136个EEG特征达到较高性能（准确率0.733，AUC 0.667）。本研究提出的特征表征优化框架取得最佳性能（准确率0.773，AUC 0.793，kappa 0.521）。
五、讨论与结论
讨论部分指出，倒序词语刺激可能对预期听觉或语言加工产生更强扰动，从而引出MCS与UWS/VS患者之间更可区分的神经反应，但该解释仍属推测。非线性特征的相对较强性能可能反映其表征EEG复杂性和动力学组织的能力，这与意识障碍相关的脑动力学改变密切相关。PCA提供紧凑表征而直接特征组合保留更多多变量信息，两者之间存在权衡，最优表征可能取决于预测目标。分类结果受类别不平衡影响，准确率单独可能高估预测效用。优化分析的初始统计筛选在LOOCV之前进行，结果应视为探索性内部估计，可能存在乐观偏差。
研究结论指出，本研究通过互补的单特征和特征优化分析，考察了听觉范式设计和EEG特征表征对意识障碍患者意识状态判别的影响。在单特征基准中，倒序词语序列范式和非线性EEG特征展现出有前景的判别特性，直接特征组合为分类预测提供了额外信息。研究局限性包括样本量小（n = 15）、类别分布不平衡、缺乏健康对照组和独立外部验证队列，以及初始统计筛选可能引入乐观偏差。这些发现需要在更大规模和独立队列中进一步验证。
