基于动态模态分解的静息态脑电特征在阿尔茨海默病、额颞叶痴呆和帕金森病识别中的优势

《Communications Medicine》：Disease-specific intrinsic frequency alterations in electroencephalographic signals of Alzheimer’s disease, frontotemporal dementia, and Parkinson’s disease

　　

摘要

背景

静息态脑电图（EEG）在神经退行性疾病的临床评估中被广泛应用；然而，传统的频谱分析方法（如基于离散傅里叶变换（DFT）的幅值谱）可能无法充分捕捉疾病特异性的内在振荡动态变化，尤其是在非平稳条件下。我们旨在评估动态模态分解（DMD）——一种能够从非平稳多通道EEG信号中提取内在频率的数据驱动方法——是否敏感地识别阿尔茨海默病（AD）、额颞叶痴呆（FTD）和帕金森病（PD）中与疾病相关的神经动力学特征。

方法

对静息态EEG数据集进行了重新分析：一组痴呆数据集（AD，n?=?36；FTD，n?=?23；健康参与者，n?=?29），一组帕金森病数据集（PD，n?=?27；健康参与者，n?=?27），以及一个跨数据集验证队列（AD，n?=?35；健康参与者，n?=?32）。DMD产生动态模态（DM），其内在频率形成时间频率DM（tfDM）特征，用于线性支持向量机分类和嵌套交叉验证。

结果

本文表明，DM的频率分布与相同EEG信号的幅值谱存在差异。在痴呆患者分类中（62.16%对57.34%）和帕金森病分类中（71.11%对61.85%），使用tfDM特征的分类性能显著优于使用幅值特征的分类性能（两者p?<?0.001，单因素方差分析后Tukey?Kramer事后检验）。在跨数据集验证中，使用tfDM特征进行AD与健康参与者的分类显著高于随机水平（68.66%，p?=?0.002，分层置换检验）。

结论

这些结果表明，DM频率分布能够捕捉传统幅值谱未能充分表征的疾病相关神经动力学特征，突显了其在神经退行性疾病中作为临床相关神经标志物的潜力。