多模态脑电图和可解释机器学习表征轻度认知障碍视空间工作记忆过程中与神经质相关的神经动力学异质性

《Frontiers in Aging Neuroscience》：Multimodal EEG and explainable machine learning characterize neuroticism-related neurodynamic heterogeneity in mild cognitive impairment during visuospatial working memory

　　

背景：神经质作为一种与情绪不稳定和负面情绪倾向相关的人格特质，被认为与老年认知衰退风险密切相关。然而，在轻度认知障碍（MCI）个体中，与神经质升高相关的神经动力学异常仍不清楚。方法：研究人员在中国河南省驻马店市和河北省邢台市进行了基于社区的认知筛查。根据艾森克人格问卷神经质分量表的转换分数，将MCI个体分为高神经质MCI（HN-MCI）组和非升高神经质MCI（NEN-MCI）组。在脑电图（EEG）招募、行为任务完成、EEG质量控制以及按性别、年龄和教育年限进行频率匹配后，共纳入53名HN-MCI和53名NEN-MCI参与者。所有参与者在记录64通道EEG数据期间完成一项改良的视空间工作记忆测试。提取了行为测量、事件相关电位（ERP）、时频功率、相位-振幅耦合（PAC）和基于去偏加权相位滞后指数（dwPLI）的功能连接特征。采用集成SHAP可解释性分析的堆叠集成学习模型进行多模态特征融合和分类。结果：与NEN-MCI组相比，HN-MCI组表现出较低的蒙特利尔认知评估（MoCA）总分和视空间/执行功能评分，反应时间延长，以及逆效率评分升高。EEG分析显示，HN-MCI组P2和P3波幅增加，N2波幅降低，θ活动增加，θ-低α相位-振幅耦合增强，以及θ频带功能连接增强。堆叠模型区分两组受试者的AUC为0.858，置换检验表明模型性能显著高于随机水平（置换p?轻度认知障碍（MCI）被视为正常衰老与痴呆之间的过渡阶段，但其临床异质性显著，不同个体表现出稳定、进展或可逆的认知轨迹。神经质作为一种与情绪不稳定和负性情感倾向相关的人格特质，已被发现与老年认知衰退、执行功能障碍及痴呆风险密切相关。神经质可能通过下丘脑-垂体-肾上腺（HPA）轴的慢性激活及杏仁核-前额叶网络的功能异常，加剧前额叶皮层和海马体的神经可塑性损伤，从而影响MCI个体的神经处理模式。然而，高神经质MCI（HN-MCI）在视空间工作记忆过程中的神经动力学异常尚不明确。视空间工作记忆对注意控制和执行资源要求较高，且是MCI向阿尔茨海默病转化的早期敏感指标，因此研究人员选择该任务作为探测窗口。研究旨在通过多模态脑电图（EEG）及可解释机器学习，揭示HN-MCI个体在行为、时间、频谱、跨频率和网络层面的多级神经动力学特征，以表征人格相关的神经动力学异质性。该研究发表在《Frontiers in Aging Neuroscience》。

为回答上述问题，研究人员从中国河南省驻马店市和河北省邢台市的社区筛查中，基于艾森克人格问卷神经质分量表（EPQ-N）转换分数，将858名MCI个体分为HN-MCI（EPQ-N>61.5）和NEN-MCI（EPQ-N≤61.5）组。经EEG招募、行为任务完成、质量控制及性别、年龄、教育年限的频率匹配后，最终纳入53对参与者。主要关键技术方法包括：①事件相关电位（ERP）分析，提取N1、P2、N2、P3成分的波幅和潜伏期，反映注意分配、冲突监测和工作记忆更新；②时频功率（TF）分析，采用Morlet小波变换提取θ（4–8Hz）、低α（8–10Hz）、高α（10–13Hz）、低β（13–20Hz）、高β（20–30Hz）频段的功率，表征认知负荷相关的振荡活动；③相位-振幅耦合（PAC）分析，通过调制指数（MI）评估低频相位对高频振幅的调制，重点考察θ-低α耦合；④基于去偏加权相位滞后指数（dwPLI）的功能连接分析，计算θ、低α、高α、低β、高β频带的脑区间相位同步，以减少容积传导伪影；⑤堆叠集成学习模型，融合临床量表、行为数据和上述EEG特征，采用SVM（径向基函数核和线性核）、岭逻辑回归、L2正则化逻辑回归、XGBoost和随机森林作为基学习器，岭逻辑回归作为元学习器，并通过SHAP进行可解释性分析。

研究结果按以下小标题总结：

1. 一般特征：HN-MCI与NEN-MCI组在性别、年龄、教育年限上匹配（χ2=0.000，p=1.000；t=0.118，p=0.907；Z=?0.670，p=0.503）。HN-MCI组EPQ-N分数显著高于NEN-MCI组（77.55±10.95 vs. 39.25±9.53，Z=8.875，p<0.001）。

2. 神经心理和行为表现：HN-MCI组MoCA视空间/执行评分（2.55±1.31 vs. 3.60±1.20，Z=?3.949，p<0.001）和校正后MoCA总分（20.66±1.91 vs. 21.57±2.08，Z=?2.430，p=0.015）显著低于NEN-MCI组。行为任务中，两组准确率无显著差异（t=?1.425，p=0.157），但HN-MCI组反应时间更长（1.252±0.088 s vs. 1.189±0.073 s，t=4.018，p<0.001），逆效率评分（IES）更高（1.623±0.113 s vs. 1.537±0.094 s，t=4.237，p<0.001），表明加工效率降低。

3. ERP差异：HN-MCI组在额叶和额中央区P2波幅显著增加（q=0.013，q=0.024），N2负性减弱（波幅差值2.64 μV和2.60 μV，均q=0.013），顶叶P3波幅显著增加（差值2.22 μV，q=0.002）。N1波幅和潜伏期无显著差异，各成分潜伏期组间一致。该模式表明早期注意过度投入、冲突监测控制减弱及晚期补偿性资源分配。

4. 时频功率差异：显著差异主要集中在θ频带，HN-MCI组在额叶、额中央、顶叶和枕叶的P3窗口和全任务窗口（T0）θ功率升高（均q<0.05）。低α频带差异局限在T0窗口（q=0.022–0.023）。高β频带差异见于额叶、额中央和顶叶的多个窗口（q<0.05），代表持续警觉和认知努力。高α和低β频带无显著差异。

5. PAC和dwPLI功能连接差异：PAC显示，在额中央相位-额叶波幅耦合条件下，θ-低αPAC在P2和N2窗口显著增强（q=0.025，q=0.015）。dwPLI功能连接显示，θ频带T0窗口内额中央-枕叶、额中央-顶叶、额叶-枕叶、额叶-顶叶、顶叶-枕叶连接显著增强（均q<0.05），表明全任务周期内θ网络同步增强。

6. 多模态机器学习分类和SHAP可解释性：堆叠模型在10次五折分层交叉验证中AUC达0.858±0.091，准确率0.825±0.070，敏感性0.712±0.138，特异性0.938±0.082，F1分数0.796±0.093，Brier分数0.150±0.040。置换检验显示模型性能显著高于随机（p<0.001）。SHAP分析中，顶叶P3波幅贡献最大（48.83%），其余重要特征包括T0额叶高β功率、T0额中央-枕叶θ dwPLI、N2和P2窗口θ-低α PAC、N2额叶波幅、行为IES、T0枕叶θ功率和MoCA视空间/执行评分。Pearson相关分析显示这些特征间多为弱至中度相关，保留互补信息。

讨论部分指出，HN-MCI个体在视空间工作记忆处理中表现出多级神经动力学异常：行为上保持准确率但付出更高认知代价；ERP上呈现P2过度投入、N2控制减弱和P3补偿性增加；振荡上θ活动增强、高β持续激活；跨频率上θ-低α耦合增强；网络水平上θ频带功能连接增强。这些模式共同反映高负荷低效率的神经处理状态，可能与神经质相关的情绪特质导致持续认知资源消耗有关。研究局限性包括：横断面设计限制因果推断；未采用标准化精神科诊断访谈，可能存在亚临床情绪症状的混杂；头皮EEG空间分辨率有限，无法定位深部边缘结构；堆叠模型泛化性未在独立外部队列验证。未来需结合纵向设计、fMRI和生理指标进一步验证。

研究结论：HN-MCI个体在视空间工作记忆处理过程中表现出跨时间、频谱、跨频率和网络领域的多级神经动力学异常，并伴有视空间/执行功能受损和行为效率降低。神经质相关的情绪特质可能导致MCI个体持续的高负荷低效率神经处理模式。多模态EEG结合可解释机器学习为表征MCI中人格相关的神经动力学异质性提供了一个有用的框架。

相关新闻