《Neuropsychiatric Disease and Treatment》:Wavelet Entropy Analysis of EEG Signals During Wake and Sleep in Patients with Alzheimer’s Disease: A Pilot Study
编辑推荐:
本研究针对阿尔茨海默病(AD)现有脑脊液及影像学生物标志物存在侵入性、辐射暴露及高成本局限,聚焦无创脑电图(EEG)复杂度量化难题,首次将小波熵(Wavelet Entropy)应用于AD患者全睡眠周期脑电信号分析。结果显示AD组觉醒期整体熵值显著降低,N3期显著升高,频带特异性熵变呈现阶段依赖性差异。该发现为揭示AD睡眠-觉醒动态紊乱的神经病理机制提供了全新电生理视角,有望成为辅助诊断的非侵入性指标。
当夜幕降临,大脑并未真正“关机”,而是进入一套精密维护的清洁与修复程序——睡眠。特别是对于阿尔茨海默病(AD)患者而言,这套程序往往出现了致命的bug。作为一种进行性神经退行性疾病,AD占据了全球痴呆病例的60%至80%,其核心病理特征是β-淀粉样蛋白(Aβ)沉积和tau蛋白过度磷酸化导致的突触丢失与神经元凋亡。目前临床确诊的金标准是脑脊液(CSF)检测或淀粉样蛋白正电子发射断层扫描(Amyloid-PET),但这些手段要么需要痛苦的腰椎穿刺,要么涉及高昂费用和辐射暴露,限制了其在早期筛查和疾病监测中的广泛应用。
相比之下,脑电图(EEG)凭借其无创、低成本和高时间分辨率的优势,成为了窥探大脑神经活动的理想窗口。然而,传统的EEG分析方法,如功率谱分析,往往局限于单一频段的能量变化,难以全面捕捉AD复杂的神经网络动态。在此背景下,小波熵(Wavelet Entropy)这一基于热力学无序度概念的信号处理技术应运而生。它不仅能衡量信号能量在时间-频率尺度上的分布,更能反映多尺度神经振荡的组织水平,被认为是比传统方法更全面的信号复杂度度量指标。尽管已有研究关注AD患者觉醒期的EEG变化,但关于睡眠不同阶段(尤其是NREM睡眠)中神经网络同步性的改变,及其与疾病进展的关联仍不清晰。为了填补这一空白,天津联合医疗中心的研究团队开展了一项开创性试点研究,旨在探讨小波熵能否作为AD患者觉醒与睡眠期EEG复杂度的可靠指标,相关成果发表在了《Neuropsychiatric Disease and Treatment》杂志上。
为了回答上述问题,研究人员采用了多项关键技术方法。首先,研究纳入了30名参与者,包括15名符合2011年NIA-AA诊断标准的AD患者和15名年龄、性别匹配的健康对照者(HC)。所有受试者均在严格控制用药和饮食干扰的条件下,使用EB-neuro Be-light EEG系统,依据国际10-20系统放置20个电极进行整夜EEG记录,采样率为512 Hz。随后,由专业技师依据标准睡眠分期规则手动标注觉醒(Wake)、N2、N3及REM期,并从各期提取无伪差的10秒EEG片段。数据分析方面,研究采用连续小波变换(CWT)对原始EEG信号进行多尺度分解,计算积分小波熵(En)和单尺度小波熵(En(a)),其中尺度7、9、12、15分别对应β、α、θ、δ频段。最后,使用IBM SPSS Statistics 25软件进行统计分析,包括t检验、卡方检验、重复测量方差分析(ANOVA)及效应量计算。
研究结果揭示了AD患者独特的EEG熵变模式。
Entropy Between the Groups During Wake Stage and Different Sleep Stages
与对照组相比,AD患者在觉醒期表现出显著较低的积分小波熵(En),而在N3睡眠期则表现出显著升高的En(均P < 0.001)。这一结果直接反映了AD患者觉醒期神经网络同步性降低、信息处理能力下降,而N3期本应高度同步的慢波活动出现了病理性紊乱。
Individual-Scale Wavelet Entropy During Wake Stage and Different Sleep Stages Between Two Groups
单尺度分析进一步细化了这种差异。在觉醒期(图2A),AD组在3-10尺度(对应较高频段)的En(a)低于对照组,而在12-16尺度(较低频段)则更高。在N2期(图2B),对照组在6-9尺度占据优势,AD组则在13-16尺度更高。值得注意的是,在N3期(图2C),AD组在4-12尺度的熵值显著高于对照组,但在14-16尺度低于对照组。REM期(图2D)也观察到了类似的复杂交互模式。这些结果表明AD患者的EEG复杂度改变具有强烈的频率和睡眠阶段依赖性。
Individual-Scale Wavelet Entropy Was Compared Between Groups Across EEG Frequency Bands During Wake Stage and N3 Sleep
将尺度映射到经典EEG频段后,差异更加具体。在觉醒期(图3),AD组在β频段(尺度7)的En(a)显著低于对照组,特别是在FP1、FP2等多个电极点;α频段(尺度9)的熵值在O1、O2电极点也显著降低。相反,在θ(尺度12)和δ(尺度15)频段,AD组表现出更高的熵值。在N3期(图4),情况发生逆转,AD组在β、α和θ频段的En(a)均显著高于对照组,其中T3电极(β频段)和O1电极(α、θ频段)的差异尤为明显,δ频段也整体偏高。这提示在深睡眠阶段,AD患者的大脑未能实现正常的低熵同步状态,反而呈现出一种异常的“高熵”去同步化状态。
综合讨论与结论部分,该研究首次描绘了AD患者全睡眠架构下的小波熵图谱,得出了三个关键结论。首先,AD患者觉醒期全局熵降低与N3期熵升高的“倒置”现象,反映了疾病对睡眠-觉醒周期的双重打击:觉醒期表现为神经同步性受损和信息处理能力下降,而深睡眠期则表现为慢波活动调节障碍和突触稳态失衡。其次,单尺度分析显示的额叶和枕叶区域特异性熵变,特别是觉醒期β、α频段熵减和θ、δ频段熵增,可能与Aβ介导的突触耗竭及tau蛋白相关的神经元超兴奋性有关。最后,这些阶段依赖性的熵异常与AD病理生理学高度相关,小波熵作为一种非侵入性、动态的多尺度评估工具,能够捕捉到传统频谱分析可能遗漏的细微神经生理变化。尽管受限于样本量和缺乏多导睡眠图(PSG)的宏观结构数据,该研究仍为理解AD相关的脑网络动力学紊乱提供了全新的电生理视角,为未来开发基于EEG的无创辅助诊断和病情监测工具奠定了重要基础。