《Brain Sciences》：A Comparison of Machine Learning Models for Classification of Parkinson’s Disease During a Working Memory and Sustained Attention Task
编辑推荐：
背景与目的：帕金森病（PD）患者存在工作记忆（WM）与持续注意（ATTN）缺陷，但其诊断与监测仍具挑战。研究人员比较了在WM与ATTN任务中基于EEG与瞳孔测量数据训练的机器学习（ML）分类模型，以识别PD的任务特异性与共享认知生物标志物。方法：在视觉变更检测
背景与目的：帕金森病（PD）患者存在工作记忆（WM）与持续注意（ATTN）缺陷，但其诊断与监测仍具挑战。研究人员比较了在WM与ATTN任务中基于EEG与瞳孔测量数据训练的机器学习（ML）分类模型，以识别PD的任务特异性与共享认知生物标志物。方法：在视觉变更检测WM任务与连续执行ATTN任务中，记录PD患者与健康对照（HC）的EEG与瞳孔测量数据。标准化工具箱提取108个特征，经主成分分析（PCA）与递归消除（RE）降维，采用径向基核支持向量机（SVM-RBF）在嵌套5折交叉验证流程中分类，训练折内严格执行类别平衡（SMOTE）与特征选择以防泄漏。结果：内部测试折中WM准确率为71%（F1=0.701）、ATTN为73%（F1=0.699）；独立留出集WM为63%（F1=0.626）、ATTN为70%（F1=0.623）。ATTN准确率与精度更高，WM召回率更高；单变量分析独立支持若干高排名特征（如theta/beta与alpha/theta比率）；前额叶alpha指数（PAI）与前额alpha偏侧化（FAA）在两任务均居前，但仅ATTN达单变量显著。这表明WM与ATTN产生互补的、任务关联的神经生理信号，与PD分类相关。结论：现阶段该流程属生物标志物发现的研究工具而非临床诊断手段，更大规模外部验证样本可支撑未来筛查与监测应用。
研究背景与问题提出
帕金森病（PD）是一种进行性神经退行性疾病，全球患者超千万，传统以运动症状（运动迟缓、震颤、肌强直）为核心表征，但非运动症状特别是认知障碍（处理速度减慢、执行功能受损、工作记忆（WM）容量下降、持续注意（ATTN）缺陷）日益被确认为影响生活质量与功能独立性的关键决定因素。认知损害可早期出现并进展至轻度认知障碍乃至痴呆，且PD认知表型异质性强，给早期检测带来困难。常规行为学评估对细微变化不敏感，而现有机器学习（ML）研究多聚焦单任务或单模态、特征集偏小、缺乏与任务事件的时间对齐、跨任务可比性弱、可解释性不足。因此，研究人员开展本研究，旨在以任务对齐的多模态（EEG+瞳孔测量）、高维特征、可解释ML流程，在同一批被试上直接比较WM与ATTN范式对PD分类的贡献，并提炼跨任务与任务特异性神经生理生物标志物。
研究设计与技术方法
研究人员使用既有数据集（Birkholz前期研究），最终纳入34名年龄匹配健康对照（HC）与35名PD被试。所有被试完成连续执行任务（CPT，测量ATTN并嵌惊喜再认测试）与视觉变更检测任务（CDT，2–5色块、延迟1000/2000/4000 ms，测量WM）。EEG以64通道BioSemi ActiveTwo（512 Hz）采集，离线平均乳突参考；瞳孔以EyeLink 1000红外眼动仪（500 Hz）同步记录。预处理在MATLAB EEGLAB/ERPLAB中进行：0.1–40 Hz带通滤波、降采样256 Hz、ICA去伪迹、?200至1000 ms锁时分段与基线校正；瞳孔数据线性插值眨眼、5样点平滑、刺激前200 ms基线校正。特征提取按任务阶段/负荷/延迟/正确率等划分为48（WM）或记忆表现×信心（ATTN）的bin，用自研MATLAB工具箱提取108个跨时域、频域、ERP、瞳孔动态的特征，形成bin×feature矩阵。建模采用嵌套5折交叉验证：20%作未触动留出集；开发集80%内每外折再以4:1分训练/内部测试，仅训练折做SMOTE平衡、PCA（自动肘部定维）+递归消除（RE）选特征，训练SVM-RBF，内部测试折评估；定优后全开发集重训，单次评估留出集。单变量组间检验（t/Mann–Whitney，FDR校正）独立验证高排名特征。
研究结果
3.1 WM任务结果：肘部法定22主成分（PCs）与10原特征，RE优化为14 PCs+7特征，测试折准确率71%、精度0.679、召回0.669、F1=0.701；留出集63%、F1=0.626。前位特征含FAA、PAI、alpha/theta、ERP潜伏期、alpha/beta、瞳孔半恢复时、delta峰值频率，集中于高负荷/长延迟/错误试次。
3.2 ATTN任务结果：肘部21 PCs与12特征，RE选14 PCs+10特征，测试折73%准确率、精度0.853、召回0.591、F1=0.699；留出集70%、F1=0.623。前位特征含PAI、ERP熵、theta/beta、FAA、偏度、N200特征、gamma/beta、棘波频率。ATTN精度与准确率更高（特异性强），WM召回更高（敏感性高），二者误分模式互补（ATTN假阴性多、WM假阳性多）。
3.3 单变量验证：ATTN中PAI（d=?0.65）、theta/beta（d=0.63）、偏度、N200幅值、棘波频率、ERP熵、FAA达显著组间差；WM中alpha/theta（d=0.779）、FOOOF前额/后枕alpha峰高（d=0.84–1.01）效应大，但PAI与FAA在WM单变量不显著却在多变量排名居前，说明其贡献来自共享协方差结构而非独立组间分离。PAI与FAA为两任务共同高权重特征，提示其为跨任务候选标记，但单变量证据在ATTN更稳。
讨论部分总结
研究人员指出，ATTN模型精度/准确率更高源于工具箱中ATTN相关特征占比大（38条ATTN专用、24条WM专用、46条共享），使PD-HC在 vigilance 调制下分离度更强；WM模型召回更高表明其对记忆编码/维持的细微PD变化更敏感，假阴性更低，适合筛查场景，ATTN低假阳性适合确认诊断——但该筛查/确认分工因样本小（n=69）且无外部队列，仅作假设。PAI与FAA作为跨任务锚定特征，有静息态与额纹状体多巴胺偏侧化文献支持，可缩为短程灵活测试。整体流程当前属离线生物标志物发现工具，非实时临床部署；未来需扩样本、控药态/病程UPDRS、引SHAP、延拓执行功能任务、用频谱参数化分离振荡与1/f背景。
结论（翻译）
本研究比较了基于WM与ATTN范式EEG及瞳孔测量特征训练ML模型分类PD与HC的效能。采用同一特征提取与PCA降维流程，识别出共享与任务特异性贡献特征。ATTN模型准确率与精度更高（特异性强），WM模型召回更高（对PD相关认知差异敏感性高）。二者互补优势提示合并WM与ATTN范式可产出更稳健可泛化的PD认知生物标志物；PAI与FAA等跨任务特征凸显其核心神经生理标记潜力。精炼此类模型并整合进临床工作流，可使任务基神经生理评估成为PD认知障碍早期检测与监测的可扩展客观工具。
（载于《Brain Sciences》）
