《Brain Sciences》：Alzheimer’s Disease Detection Using Combined EEG Source Connectivity and Microstate Features
编辑推荐：
背景/目的：脑电图（EEG）连接性和微状态分析在阿尔茨海默病（AD）诊断中显示出巨大潜力；然而，其临床应用仍受到EEG低空间分辨率和缺乏标准化微状态分析的限制。为了解决这些挑战，研究人员提出了一种多域特征融合框架，即源定位微状态和多频同步（SMMS），该框架整
背景/目的：脑电图（EEG）连接性和微状态分析在阿尔茨海默病（AD）诊断中显示出巨大潜力；然而，其临床应用仍受到EEG低空间分辨率和缺乏标准化微状态分析的限制。为了解决这些挑战，研究人员提出了一种多域特征融合框架，即源定位微状态和多频同步（SMMS），该框架整合了基于EEG源定位（ESL）的加权相位滞后指数（wPLI）功能连接与EEG微状态特征。方法：具体而言，研究人员采用ESL提高EEG信号的空间分辨率以构建功能连接矩阵，同时提取多频段wPLI特征以表征皮层区域间的功能同步。同时，利用EEG微状态特征捕获大脑功能状态的时间动态。该框架在一个包含36名AD患者、23名额颞叶痴呆（FTD）患者和29名健康对照（HC）的公开OpenNeuro数据集，以及另一个来自中国杭州邵逸夫医院的48名AD患者的临床数据集上进行了评估。结果：实验结果表明，所提出的SMMS框架在两个数据集上均取得了高分类性能。结论：这些发现证明了其在基于EEG的阿尔茨海默病诊断中的有效性。
阿尔茨海默病（AD）是一种以进行性认知衰退为特征的神经退行性疾病，现有诊断技术如磁共振成像（MRI）和正电子发射断层扫描（PET）存在成本高、可及性差、时间分辨率低等局限，难以捕捉神经活动的细微动态变化。脑电图（EEG）凭借毫秒级时间分辨率、非侵入性和低成本等优势，为AD诊断提供了高潜力途径。EEG微状态分析和功能连接分析在AD研究中显示出巨大潜力，但传统EEG空间分辨率低和微状态分析缺乏标准化的问题限制了其临床准确性。为克服这些挑战，研究人员提出了一种多域特征融合算法——源定位微状态与多频同步（SMMS），整合了基于EEG源定位（ESL）的加权相位滞后指数（wPLI）功能连接与EEG微状态特征。该研究在公共OpenNeuro数据集（36名AD患者、23名额颞叶痴呆（FTD）患者和29名健康对照（HC））及中国杭州邵逸夫医院收集的48名AD患者的临床数据集上进行了评估。实验结果表明，SMMS框架在两个数据集上均取得高分类性能，证明了其基于EEG的AD诊断有效性。该研究发表于《Brain Sciences》。
研究人员开展研究主要使用了以下关键技术方法：采用sLORETA（一种标准化低分辨率脑电磁断层成像方法）进行EEG源定位（ESL），将信号映射至66个感兴趣区域（ROI），以提升空间分辨率；提取多频段（delta、theta、alpha、beta）的加权相位滞后指数（wPLI）矩阵，表征皮层区域间功能同步；利用k-means聚类对全脑场强（GFP）进行聚类，固定5个微状态模板，提取持续时间、覆盖率、出现率和状态转移概率矩阵作为时间域特征；使用ReliefF算法进行特征选择，并采用K-近邻（KNN）等分类器进行主体独立交叉验证。样本队列来源包括：OpenNeuro数据集（AD、FTD、HC组）和邵逸夫医院临床数据集（仅AD组）。
**3.1 SMMS在数据集I上的性能**：通过10折交叉验证，KNN算法在AD/FTD、AD/HC、FTD/HC及三类分类任务中均取得接近或超过0.97的准确率、精确率、召回率和F1分数，优于支持向量机（SVM）、线性判别分析（LDA）、决策树（DT）和朴素贝叶斯（NB）等其他分类器，表明SMMS结合KNN能有效区分不同神经退行性疾病组和健康人群。
**3.2 SMMS在数据集II上的性能**：将数据集I中的HC组与数据集II中的AD组进行分类，KNN取得0.978的准确率、0.980的精确率、0.968的召回率和0.974的F1分数，初步验证了SMMS跨数据集特征的可移植性。
**3.3 消融实验与比较**：消融实验显示，加入ESL后的S-wPLI（源定位后wPLI子矩阵特征）在所有分类任务中均优于未加ESL的wPLI；单独使用微状态特征（MS）或wPLI特征在三类分类中准确率分别为85.9%和83.7%，而融合后达到97.3%，证明两类特征互补。与四种现有方法（Fre-Networks、MTRRP、SVD、Vit-CNN）相比，SMMS在所有分类任务中均取得最佳结果。
讨论部分指出，EEG源信号wPLI分析显示，AD和FTD组在theta频段（4-8 Hz）的wPLI值高于HC组，在beta频段（13-30 Hz）则显著低于HC组，这与已有研究结论一致。微状态参数比较通过单因素方差分析发现，多个微状态在持续时间、覆盖率和出现率上存在组间显著差异；状态转移概率矩阵显示AD和FTD组相似，但与HC组存在明显差异。相关分析表明，微状态C的持续时间与alpha频段（8-13 Hz）平均wPLI呈正相关，微状态B的覆盖率与alpha频段平均wPLI呈负相关，且这些相关主要集中在alpha频段。特征选择分析显示，最优特征数约为100，其中16个来自delta频段，表明该频段连接性差异较小。进一步分析发现，结合特征可有效预测患者MMSE评分，KNN回归模型在AD+FTD混合组中预测效果最佳（R2=0.9245），加入HC组后预测能力下降，可能与健康与疾病状态的数据分布差异有关。研究结论翻译如下：为了更好地利用EEG诊断AD，本研究提出了一种多域特征融合算法，结合了EEG源信号的功能连接特征与微状态特征。通过提取EEG源信号的多频段脑功能连接矩阵及微状态的多项特征，有效整合了空间、频率和时间域信息，所提算法在OpenNeuro公开数据集中取得了优异的分类性能。此外，利用邵逸夫医院的临床数据初步探索了算法的跨数据集适用性。同时，详细分析了各特征在不同组中的差异与相关性，以更好地理解AD的病理生理机制。然而，本研究仍存在局限性：所选脑区模板包含脑岛和边缘区，但无对应EEG电极；未系统探索基于神经网络的分类器。未来工作将整合SMMS特征与多层感知机（MLP）等深度学习分类器，并在更大前瞻性多中心队列中验证其诊断效用和泛化能力。
