今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

脑电图(EEG)信号的微状态排列复杂性能够区分“最小意识状态+”与“最小意识状态-”

《Journal of NeuroEngineering and Rehabilitation》:Microstate permutation complexity of EEG signals distinguishes minimally conscious state plus from minimally conscious state minus

【字体: 大 中 小 】 时间:2026年05月01日 来源:Journal of NeuroEngineering and Rehabilitation 5.2

编辑推荐:

  摘要背景准确区分轻度意识状态加型(MCS+)和轻度意识状态减型(MCS–)对于预后和治疗计划至关重要。微状态分析将多通道脑电图(EEG)分解为一系列短暂且相对稳定的头皮电场图谱,从而提供了对大脑活动的独特时空视角。然而,将微状态方法应用于意识障碍的评估仍然十分有限。此外,大多数前

  

摘要

背景

准确区分轻度意识状态加型(MCS+)和轻度意识状态减型(MCS–)对于预后和治疗计划至关重要。微状态分析将多通道脑电图(EEG)分解为一系列短暂且相对稳定的头皮电场图谱,从而提供了对大脑活动的独特时空视角。然而,将微状态方法应用于意识障碍的评估仍然十分有限。此外,大多数前沿研究主要集中在描述微状态序列的复杂性上,而传统的复杂性度量方法忽略了微状态之间的转换。为了解决这一差距,我们提出了微状态排列Lempel–Ziv复杂性(MS-PLZC),这是一种对Lempel–Ziv复杂性的扩展,它明确编码了序数排列信息,以更敏感地捕捉微状态序列的时间组织结构。

方法

从45名意识障碍患者(15例无反应性清醒综合征患者、15例MCS–患者、15例MCS+患者)和15名神经健康对照组中记录了静息状态脑电图(EEG)。计算了MS-PLZC、传统的微状态LZC、频谱功率、样本熵和经典LZC,并进行了统计比较。这些特征是通过嵌套留一法交叉验证(LOOCV)和支持穷举超参数搜索的SVM来评估的。

结果

MS-LZC和MS-PLZC均显示出统计学上的显著组间差异(Kruskal-Wallis检验:MS-LZC:H = 26.92,p < 0.0000,η2 = 0.2099;MS-PLZC:H = 35.11,p < 0.0000,η2 = 0.2816),其中MS-PLZC的统计功效更高。值得注意的是,MS-PLZC能够成功区分MCS–和MCS+患者(pAdj < 0.05),且效应量较大(Cliff’s Delta = -0.6178),而MS-LZC的效应量仅为中等(Cliff’s Delta = -0.3067)。在机器学习分析中,MS-PLZC获得了最高的留一法准确率(0.733)和ROC-AUC(0.733)。

结论

这些结果表明,MS-PLZC能够敏感地捕捉微状态动态的细微变化,并提供了一个可靠的单一特征区分器,用于区分MCS+和MCS–,在常规意识评估中具有检测关键恢复窗口的潜力。

背景

准确区分轻度意识状态加型(MCS+)和轻度意识状态减型(MCS–)对于预后和治疗计划至关重要。微状态分析将多通道脑电图(EEG)分解为一系列短暂且相对稳定的头皮电场图谱,从而提供了对大脑活动的独特时空视角。然而,将微状态方法应用于意识障碍的评估仍然十分有限。此外,大多数前沿研究主要集中在描述微状态序列的复杂性上,而传统的复杂性度量方法忽略了微状态之间的转换。为了解决这一差距,我们提出了微状态排列Lempel–Ziv复杂性(MS-PLZC),这是一种对Lempel–Ziv复杂性的扩展,它明确编码了序数排列信息,以更敏感地捕捉微状态序列的时间组织结构。

方法

从45名意识障碍患者(15例无反应性清醒综合征患者、15例MCS–患者、15例MCS+患者)和15名神经健康对照组中记录了静息状态脑电图(EEG)。计算了MS-PLZC、传统的微状态LZC、频谱功率、样本熵和经典LZC,并进行了统计比较。这些特征是通过嵌套留一法交叉验证(LOOCV)和支持穷举超参数搜索的SVM来评估的。

结果

MS-LZC和MS-PLZC均显示出统计学上的显著组间差异(Kruskal-Wallis检验:MS-LZC:H = 26.92,p < 0.0000,η2 = 0.2099;MS-PLZC:H = 35.11,p < 0.0000,η2 = 0.2816),其中MS-PLZC的统计功效更高。值得注意的是,MS-PLZC能够成功区分MCS–和MCS+患者(pAdj < 0.05),且效应量较大(Cliff’s Delta = -0.6178),而MS-LZC的效应量仅为中等(Cliff’s Delta = -0.3067)。在机器学习分析中,MS-PLZC获得了最高的留一法准确率(0.733)和ROC-AUC(0.733)。

结论

这些结果表明,MS-PLZC能够敏感地捕捉微状态动态的细微变化,并提供了一个可靠的单一特征区分器,用于区分MCS+和MCS–,在常规意识评估中具有检测关键恢复窗口的潜力。

相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:微状态分析|脑电图(EEG)|Lempel-Ziv复杂性|意识障碍评估|MCS状态区分|机器学习模型(SVM)

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号