一个任务对齐的多模态机器学习框架用于研究帕金森病的工作记忆功能障碍

《Cognitive Neurodynamics》：A task-aligned multimodal machine learning framework for studying working memory dysfunction in Parkinson’s disease

　　

认知障碍是帕金森病（Parkinson's disease, PD）中最具功能损害性的非运动症状之一。然而，当前诊断和临床实践严重依赖主观评估和繁琐的行为测试，这些方法缺乏检测细微缺陷的时间分辨率。虽然脑电图（EEG）和瞳孔测量（pupillometry）为认知处理提供了有前景的非侵入性见解，但仍需要更具可扩展性和客观性的方法来检测早期PD中细微且常难以捉摸的功能障碍。机器学习（Machine learning, ML）利用认知任务期间记录的神经生理信号中的模式，识别出标准评估中可能不明显的细微损伤。研究人员记录了68名参与者（35名PD患者，33名健康对照（healthy controls, HC））在视觉变化检测工作记忆任务（visual Change Detection working memory task）期间的EEG和瞳孔测量数据。使用研究人员定制的标准化特征提取工具箱，研究人员提取了108个特征，并将所得特征矩阵纳入ML管道。研究人员应用合成少数类过采样技术（SMOTE）平衡类别，然后使用主成分分析（Principal Component Analysis, PCA）降维。自动肘部法确定了主成分（PCs）和原始特征的最优截断点，指导后续的递归消除（RE）以提高计算效率。研究人员训练了一个具有径向基函数核的支持向量机（SVM-RBF）来分类PD，并在留出数据集上评估了最终模型的性能。自动肘部法确定了20个主成分和22个原始特征的最优截断点。RE显示，使用14个主成分和排名前7的PCA加权特征的模型达到了最高性能，准确率为71%，F1分数为0.701。当在留出数据上测试时，分类器的性能略有下降，准确率为63%，F1分数为0.626。本研究展示了任务对齐的ML管道在揭示PD早期认知标志物方面的潜力。该框架支持事后特征贡献映射，将保留的生理特征和任务阶段与分类相关模式联系起来，支持对PD认知功能障碍的机制研究。

**论文解读：任务对齐的多模态机器学习框架揭示帕金森病工作记忆功能障碍**

**研究背景与问题**
帕金森病（Parkinson's disease, PD）是一种进行性神经退行性疾病，传统上以震颤、僵硬和运动迟缓等运动症状为特征，但认知障碍（cognitive impairment）早期即出现并显著影响日常功能和生活质量。工作记忆（working memory, WM）是受影响最严重的领域之一，支持推理、决策、目标导向行为以及注意和执行控制。在PD中，WM在更新、注意过滤和存储容量方面的缺陷与额叶-纹状体功能障碍相关，尤其在视觉WM任务中，即使在无整体认知衰退的情况下，患者表现也差于健康对照（healthy controls, HC）。然而，当前诊断和临床实践严重依赖主观评估和繁琐的行为测试，缺乏检测细微缺陷的时间分辨率。脑电图（EEG）提供毫秒级分辨率以捕捉WM期间的快速神经动力学，瞳孔测量（pupillometry）则反映自主神经和认知过程如努力和注意，但大多数研究依赖单模态数据、孤立特征或传统统计方法，可能错过复杂关系。机器学习（machine learning, ML）能够捕捉EEG和瞳孔测量中的非线性模式，但现有管道缺乏可解释性、鲁棒性和临床泛化性，且很少提供标准化多模态集成、广泛特征提取或支持事后特征贡献映射的模型。因此，需要可靠生物标志物来预测和测量认知衰退，以支持疾病修饰疗法的开发。

**研究内容与结论**
研究人员开发了一种任务对齐的多模态机器学习框架，用于研究PD工作记忆功能障碍。研究记录了68名参与者（35 PD, 33 HC）在视觉变化检测工作记忆任务（WM-CDT）期间的EEG和瞳孔测量数据。通过自定义标准化特征提取工具箱，提取了108个特征，并应用合成少数类过采样技术（SMOTE）平衡类别，主成分分析（PCA）降维，自动肘部法确定最优主成分（PCs）和原始特征截断点，递归消除（RE）进一步选择，最后训练具有径向基函数核的支持向量机（SVM-RBF）分类器。最优模型使用14个主成分和排名前7的PCA加权特征，在测试集上达到71%准确率和0.701的F1分数；在严格独立的留出集上，准确率为63%，F1分数为0.626。该研究证明了任务对齐ML管道在揭示PD早期认知标志物方面的潜力，其框架支持事后特征贡献映射，可追溯保留的生理特征和任务阶段到分类相关模式，促进对PD认知功能障碍机制的研究。论文发表在《Cognitive Neurodynamics》。

**主要关键技术方法**
研究人员使用自定义MATLAB工具箱从EEG和瞳孔测量数据中提取了108个特征，涵盖十个类别（如额叶alpha不对称性、瞳孔直径变异性等）。采用合成少数类过采样技术（SMOTE）平衡训练池中的类别（28 PD vs. 26 HC）。主成分分析（PCA）结合自动肘部法确定保留20个主成分和22个原始特征，随后递归消除（RE）进一步选择最优子集（14个主成分和7个特征）。最终分类器使用支持向量机（SVM）径向基函数核（RBF），通过五折交叉验证优化超参数，并在留出集（14名参与者，7 PD, 7 HC）上评估泛化性能。样本队列来源：68名参与者（35 PD, 33 HC）来自视觉变化检测工作记忆任务（WM-CDT）。

**研究结果**
**行为分析（Behavioral analysis）**：通过重复测量方差分析，发现PD参与者整体WM容量低于HC（F(1,67)=4.59, p=0.036, η²=0.064），但两组在较长保留间隔（2000 ms和4000 ms）下表现改善，组间差异仅在1000 ms延迟时显著，提示PD在早期时间压力下存在缺陷。

**单变量筛选（Univariate screening）**：对所有108个特征进行单变量分析，显示多个EEG和瞳孔测量指标存在小到中等效应量（Cohen's d），但少数通过错误发现率校正，说明认知障碍呈弥散性而非单一强标记物。

**PCA与RE（PCA and recursive elimination）**：自动肘部法确定最优主成分截断点为20个，特征截断点为22个。递归消除发现使用14个主成分和7个PCA加权特征时模型性能最佳，测试集准确率71%，F1=0.701。

**模型性能（Model performance）**：在留出集上，SVM-RBF分类器达到63%准确率，精确率0.632，召回率0.619，F1=0.626。通过参与者级置换检验（10,000次置换），交叉验证平衡准确率0.701显著高于随机水平（p=0.0013），证实模型捕捉到真实组间认知信号。

**特征级洞察（Feature-level insights）**：排名前七的特征包括额叶alpha不对称性（FAA）、前额叶alpha指数（PAI）、alpha/theta比值、ERP潜伏期、alpha/beta比值、瞳孔恢复半时程和delta峰值频率。这些特征主要出现在高负荷（组大小3-5）、错误试验和长延迟（2000-4000 ms）的检索阶段，表明PD在晚期、高努力记忆过程中表现出最清晰的组分离信号。额外谱参数化分析（FOOOF）证实alpha/theta和alpha/beta比值的组差异源于真实的周期性振荡变化，而非非周期性背景活动。

**讨论与结论**
讨论部分指出，该管道成功展示了任务对齐的多模态特征提取结合结构化降维，能够识别哪些生理特征对PD与HC分类贡献最大，以及这些差异在工作记忆任务中何时出现。行为测量仅在最短延迟时提供有限的组差异，而生理信号（如EEG和瞳孔测量）在行为表现趋同的较长延迟下仍能区分组别，提示生理信号可能携带行为表现无法可靠捕捉的认知功能障碍信息。管道的核心创新在于标准化、任务对齐、多模态的特征提取策略，保留工作记忆处理的时间结构，支持事后特征贡献映射，从而将ML输出与神经生理学可解释的过程直接关联。研究还讨论了SVM-RBF的选择适用于小样本高维数据，以及SMOTE作为预防性措施的应用。局限性包括样本量小、单任务队列、特征空间高维，以及未直接比较单模态与多模态模型的增量价值。未来需要在更大、更多样化的队列中验证，并评估跨任务和纵向设计的泛化性。

**研究结论（原文翻译）**
本研究提出了一个多模态ML管道，该管道使用基于MATLAB的标准化提取工具箱，整合任务对齐的EEG和瞳孔测量特征，以在WM-CDT期间区分PD患者与HC。通过明确将神经和自主神经特征与定义的任务阶段对齐，并应用结构化降维，该管道能够识别反映PD中弥散性、代偿性认知过程的时空特异性和生理学基础模式。尽管分类性能中等且受到样本量、任务特异性和队列异质性的限制，但结果表明，PD中的认知功能障碍在此特征集内表现为跨任务阶段和信号域的时空结构化效应；这种模式是否特别需要多模态集成（而非足够丰富的单模态特征集）尚未在此直接测试。因此，本研究的主要贡献不是可部署的诊断分类器，而是一个用于系统检查多模态生理信号如何与PD认知功能相关的原则性框架。总之，这些发现为未来研究奠定了基础，旨在验证特征稳定性、扩展到更大更多样化的队列，并将该方法扩展到认知范式和纵向设计。随着进一步的发展和验证，该框架最终可能支持追踪PD认知变化的研究工作，并为设计具有临床意义的生物标志物提供信息。