
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于O信息率的默认模式网络脑电图α波段的三阶相互作用:来自衰老与阿尔茨海默病的启示
《Alzheimer's Research & Therapy》:Three-order interactions in the alpha band of default mode network EEGs based on O-information rate: insights from aging and Alzheimer's disease
【字体: 大 中 小 】 时间:2026年07月16日 来源:Alzheimer's Research & Therapy 8.9
编辑推荐:
摘要背景随着年龄增长和阿尔茨海默病的发展,α波段默认模式网络(DMN)的连接性会下降。不过,大多数脑电图(EEG)连接性研究都采用成对(二阶)指标,如互信息率(MIR)。我们利用O信息率(OIR)来量化三阶相互作用,从而区分额叶、颞叶和顶叶DMN区域中冗余的信息处理与协同的信息处
随着年龄增长和阿尔茨海默病的发展,α波段默认模式网络(DMN)的连接性会下降。不过,大多数脑电图(EEG)连接性研究都采用成对(二阶)指标,如互信息率(MIR)。我们利用O信息率(OIR)来量化三阶相互作用,从而区分额叶、颞叶和顶叶DMN区域中冗余的信息处理与协同的信息处理。我们提出以下假设:基于已有关于成对连接性下降的研究结果,(i) 老年人与年轻人相比,以及阿尔茨海默病患者与健康对照组相比,OIR(及其构成成分)的值会降低;(ii) 将MIR与OIR结合使用,比单独使用MIR能提升分类效果;(iii) OIR指标会与整体认知能力(通过蒙特利尔认知评估量表衡量)呈正相关。
我们从两个样本中获取了静息状态脑电图数据——健康成年人群中的不同年龄段群体(95名年轻人;93名老年人)以及阿尔茨海默病相关群体(44名健康对照组;84名轻度遗忘症患者;41名阿尔茨海默病患者)。我们使用eLORETA技术将这些脑电图数据定位到DMN区域,随后通过多变量频谱分析计算α波段(8–13 Hz)的互信息率MIR和OIR。群体间的差异通过t检验或带多重比较校正的协方差分析来检测。对于分类任务,我们采用了交叉验证的逻辑回归模型、线性SVM模型和随机森林模型,同时运用自助法计算95%置信区间,并通过DeLong检验比较不同模型的AUC值。
与年轻人群相比,老年人以及阿尔茨海默病患者与健康对照组或轻度遗忘症患者相比,OIR及其冗余成分的值均有显著下降,而健康对照组与轻度遗忘症患者之间则没有差异。协同成分在不同群体间没有显著差异。MIR值则随着年龄增长而普遍下降,在阿尔茨海默病患者中,其下降更为明显,尤其出现在额叶和顶叶区域。在分类任务中(针对阿尔茨海默病相关数据集,经过交叉验证的AUC比较),基于OIR的指标表现优于MIR(阿尔茨海默病患者与健康对照组:0.93对比0.73;阿尔茨海默病患者与轻度遗忘症患者:0.93对比0.71;轻度遗忘症患者与健康对照组:0.48对比0.46)。将人口统计信息与所有信息论指标结合使用,可进一步提升阿尔茨海默病患者与健康对照组的分类准确率(0.98;DeLong p值=0.023),但对阿尔茨海默病患者与轻度遗忘症患者的分类准确率提升效果不明显(0.93),因为此时单独使用OIR已达到最大分类效果;而在轻度遗忘症患者与健康对照组的分类任务中,没有任何特征组合能超过随机水平的分类准确率。经过校正后,OIR及其冗余成分与蒙特利尔认知评估量表得分呈正相关,而MIR及其协同成分则没有这种关联。
α波段DMN的三阶相互作用——尤其是冗余的信息处理——会随着年龄增长和阿尔茨海默病的发展而下降,这类相互作用能为诊断分类提供超出二阶连接性之外的额外信息。OIR作为传统指标的补充,未来研究应探讨将其与更成熟的阿尔茨海默病生物标志物结合使用的价值。
随着年龄增长和阿尔茨海默病的发展,α波段默认模式网络(DMN)的连接性会下降。不过,大多数脑电图(EEG)连接性研究都采用成对(二阶)指标,如互信息率(MIR)。我们利用O信息率(OIR)来量化三阶相互作用,从而区分额叶、颞叶和顶叶DMN区域中冗余的信息处理与协同的信息处理。我们提出以下假设:基于已有关于成对连接性下降的研究结果,(i) 老年人与年轻人相比,以及阿尔茨海默病患者与健康对照组相比,OIR(及其构成成分)的值会降低;(ii) 将MIR与OIR结合使用,比单独使用MIR能提升分类效果;(iii) OIR指标会与整体认知能力(通过蒙特利尔认知评估量表衡量)呈正相关。
我们从两个样本中获取了静息状态脑电图数据——健康成年人群中的不同年龄段群体(95名年轻人;93名老年人)以及阿尔茨海默病相关群体(44名健康对照组;84名轻度遗忘症患者;41名阿尔茨海默病患者)。我们使用eLORETA技术将这些脑电图数据定位到DMN区域,随后通过多变量频谱分析计算α波段(8–13 Hz)的互信息率MIR和OIR。群体间的差异通过t检验或带多重比较校正的协方差分析来检测。对于分类任务,我们采用了交叉验证的逻辑回归模型、线性SVM模型和随机森林模型,同时运用自助法计算95%置信区间,并通过DeLong检验比较不同模型的AUC值。
与年轻人群相比,老年人以及阿尔茨海默病患者与健康对照组或轻度遗忘症患者相比,OIR及其冗余成分的值均有显著下降,而健康对照组与轻度遗忘症患者之间则没有差异。协同成分在不同群体间没有显著差异。MIR值则随着年龄增长而普遍下降,在阿尔茨海默病患者中,其下降更为明显,尤其出现在额叶和顶叶区域。在分类任务中(针对阿尔茨海默病相关数据集,经过交叉验证的AUC比较),基于OIR的指标表现优于MIR(阿尔茨海默病患者与健康对照组:0.93对比0.73;阿尔茨海默病患者与轻度遗忘症患者:0.93对比0.71;轻度遗忘症患者与健康对照组:0.48对比0.46)。将人口统计信息与所有信息论指标结合使用,可进一步提升阿尔茨海默病患者与健康对照组的分类准确率(0.98;DeLong p值=0.023),但对阿尔茨海默病患者与轻度遗忘症患者的分类准确率提升效果不明显(0.93),因为此时单独使用OIR已达到最大分类效果;而在轻度遗忘症患者与健康对照组的分类任务中,没有任何特征组合能超过随机水平的分类准确率。经过校正后,OIR及其冗余成分与蒙特利尔认知评估量表得分呈正相关,而MIR及其协同成分则没有这种关联。
α波段DMN的三阶相互作用——尤其是冗余的信息处理——会随着年龄增长和阿尔茨海默病的发展而下降,这类相互作用能为诊断分类提供超出二阶连接性之外的额外信息。OIR作为传统指标的补充,未来研究应探讨将其与更成熟的阿尔茨海默病生物标志物结合使用的价值。