静息态脑电特征融合与记录条件对痴呆症分类的影响:基于频谱、熵和复杂度特征的比较研究

《Entropy》:Impact of Recording Conditions and Feature Fusion on Dementia Classification Using Spectral, Entropy, and Complexity EEG Features

【字体: 大 中 小 】 时间:2026年09月22日 来源:Entropy 2.1

编辑推荐:

  摘要:静息态脑电图(resting-state electroencephalography, EEG)是一种有前景的低成本、非侵入性手段,可用于支持阿尔茨海默病(Alzheimer's disease, AD)、轻度认知障碍(mild cognitive i

  
摘要:静息态脑电图(resting-state electroencephalography, EEG)是一种有前景的低成本、非侵入性手段,可用于支持阿尔茨海默病(Alzheimer's disease, AD)、轻度认知障碍(mild cognitive impairment, MCI)和健康对照(healthy controls, HC)的鉴别分类。然而,不同EEG特征家族(feature families)的组合是否能持续改善分类效果,以及其效用是否随记录条件变化,尚不清楚。研究人员利用CAUEEG数据集中年龄匹配的配对子集,在闭眼(eyes-closed, EC)和睁眼(eyes-open, EO)条件下,比较了基于频谱(spectral)、熵(entropy)和复杂度(complexity)的特征——包括单独使用和组合使用——用于AD-HC、AD-MCI和MCI-HC的分类。分类评估采用嵌套留一受试者交叉验证(nested leave-one-subject-out cross-validation)结合两阶段分层LightGBM增益特征选择(two-stage hierarchical LightGBM gain-based feature selection)。在EC条件下,最高平衡准确率(balanced accuracy, BA)分别由频谱特征(AD-HC: 79.99%)、频谱-熵组合(AD-MCI: 68.33%)和频谱-熵-复杂度组合(MCI-HC: 63.15%)获得。在EO条件下,频谱特征在AD-HC(84.91%)和AD-MCI(66.90%)中表现最佳,而熵特征在MCI-HC(70.14%)中表现最佳。因此,特征融合显示出任务依赖性而非一致的益处。尽管观察到数值上的EC-EO差异,但在配对置换检验后均未保持显著。总体而言,结果表明EEG特征家族的相对有用性因诊断比较和记录条件而异。

基于频谱、熵和复杂度特征的静息态脑电对阿尔茨海默病、轻度认知障碍与健康对照分类的研究解读

研究背景与研究目的

根据全球疾病负担研究的估计,全球痴呆症患者人数预计将从2019年的5740万上升至2050年的1.528亿。阿尔茨海默病(Alzheimer's disease, AD)约占所有痴呆病例的70%,是最常见的痴呆形式,尤其在65岁及以上人群中。AD是一种进行性、不可逆的神经退行性疾病,损害认知功能、记忆、行为和日常生活能力。虽然存在可能延缓AD进展的治疗方法,但目前尚无治愈方案。由于晚期治疗疗效受限,早期诊断至关重要,可为及时干预提供机会。
轻度认知障碍(mild cognitive impairment, MCI)是介于正常衰老与AD之间的前驱阶段。每年约有10%-15%的MCI患者转化为AD,5年内转化率可达约33%。当前常用的诊断方法包括神经心理学测试(如简易精神状态检查MMSE、临床痴呆评定量表CDR)、磁共振成像(MRI)、正电子发射断层扫描(PET)和脑脊液生物标志物分析等,但这些方法存在特异性不足、成本高昂或有创等局限性。
静息态脑电图(resting-state electroencephalography, EEG)作为一种非侵入性、低成本、易获取且高度便携的测量手段,具有毫秒级高时间分辨率,可评估与AD和MCI相关的神经元活动动态和功能性变化。AD的主要EEG频谱特征是脑电慢化,表现为功率从高频段向低频段的重新分布。此外,神经元丢失导致的神经元间相互作用减少,可能使EEG信号更可预测、更规则、更不复杂,熵和复杂度算法可用于量化这些动态变化。
尽管EEG在AD、MCI和健康对照(healthy controls, HC)鉴别中的应用日益增多,但在特征集选择和组合方面仍存在方法论空白。许多研究要么聚焦单一特征家族,要么在不系统评估融合是否及何时提升分类性能的情况下组合多种特征类型。本研究旨在系统评估频谱、熵和复杂度特征在闭眼(eyes-closed, EC)和睁眼(eyes-open, EO)条件下对AD-HC、AD-MCI和MCI-HC分类的性能,确定特征融合是否优于单独特征组,并识别与各分类任务最相关的特征家族、脑区和电极。

主要关键技术方法

研究人员使用了公开的CAUEEG数据集,从中提取年龄匹配的配对子集,包含AD、MCI和HC三组受试者。预处理采用MATLAB中的EEGLAB工具箱,包括ASR伪迹衰减、带通滤波(1-50 Hz)、ICA分解和MARA自动伪迹分类。将EO和EC片段提取后分割为5秒时段,每名受试者选取20个代表性时段。特征提取包括三类:频谱特征(如频带功率、α峰值参数、平均频率MF和功率比)、熵特征(如模糊熵FuzzyEn、范围熵RangeEn、多尺度熵MSE、气泡熵BubbleEn、加权熵WE、近似熵AE、熵率EoE和交叉模糊熵XFuzzyEn)和复杂度特征。分类采用嵌套留一受试者交叉验证(nested leave-one-subject-out cross-validation),结合两阶段分层LightGBM增益特征选择框架,并通过Optuna进行超参数优化。

研究结果

闭眼条件下的分类性能

在EC条件下,分类性能在各诊断比较间差异较大。AD-HC比较表现出最高的判别能力,其次为AD-MCI和MCI-HC。频谱特征在AD-HC中获得最高BA(79.99%),灵敏度76.19%,特异度83.78%,AUC为0.87。频谱-熵组合在AD-MCI中获得最高BA(68.33%),灵敏度83.33%,特异度53.33%,AUC为0.66。频谱-熵-复杂度组合在MCI-HC中获得最高BA(63.15%),灵敏度53.33%,特异度72.97%,AUC为0.64,且是唯一经FDR校正后显著高于随机水平的配置。

睁眼条件下的分类性能

在EO条件下,AD-HC比较中频谱特征获得最高BA(84.91%),灵敏度83.33%,特异度86.49%,AUC为0.94。AD-MCI比较中同样由频谱特征获得最高BA(66.90%),灵敏度73.81%,特异度60.00%,AUC为0.73。MCI-HC比较中熵特征获得最高BA(70.14%),灵敏度70.00%,特异度70.27%,AUC为0.71。所有三种诊断比较的最高BA均由单一特征家族获得,而非组合特征配置。

特征家族与特征融合的比较

频谱特征在所有诊断比较中展现出最一致的分类性能。在EC条件下,所有三个比较的最高性能配置均包含频谱特征;在EO条件下,频谱特征在AD-HC和AD-MCI中单独达到最高BA。熵特征在EO条件下的MCI-HC中表现最强,而复杂度特征在任何比较中均未单独达到最高性能。特征融合的优势依赖于具体分类任务和记录条件,而非系统性存在。

EC与EO条件的比较

数值上,AD-HC多数特征配置在EO条件下BA更高,最大增幅为频谱-熵组合的+8.17%;AD-MCI整体变化较小或呈负向;MCI-HC中EO条件优势明显,尤其是熵特征(+12.71%)和频谱-复杂度组合(+12.07%)。然而,所有21个EC-EO比较经配对置换检验和FDR校正后均未达到统计学显著性。

特征降维与电极选择稳定性

初始特征池包含285个频谱特征、305个熵特征和152个复杂度特征。经两阶段特征选择后,各特征域被大幅缩减。AD-HC比较中,频繁选择的电极集中于颞叶和颞顶区域,且在EC和EO条件下相对一致。AD-MCI比较中,EC条件下额叶和中央区贡献更大,EO条件下则转向颞叶和后部区域,表现出最大的条件相关空间重分布。MCI-HC比较中,额叶和额中央区贡献更为明显,尤其在EO条件下。

讨论与结论

本研究系统评估了频谱、熵和复杂度特征在EC和EO条件下对AD-HC、AD-MCI和MCI-HC分类的性能。主要发现如下:第一,频谱特征是最具一致性的特征家族,在两种记录条件下均为AD-HC的最高BA贡献者,在EO条件下也为AD-MCI的最高BA贡献者,并在EC条件下参与AD-MCI和MCI-HC的最佳特征配置。第二,特征融合并未普遍提升性能;频谱-熵组合在EC条件下对AD-MCI的提升微乎其微,而频谱-熵-复杂度组合在EC条件下对MCI-HC虽获得最高BA且显著高于随机水平,但灵敏度和特异度不平衡。第三,尽管EC与EO条件间存在数值差异,尤其MCI-HC较为明显,但所有21个配对比较经置换检验和FDR校正后均未保持显著。
电极选择分析显示,AD-HC分类中颞叶贡献在两种记录条件下相对一致,这与已知AD相关颞叶频谱异常相符。AD-MCI的空间分布表现出更大的条件依赖性变化。MCI-HC中额叶-中央区的反复贡献与既往研究报告一致。
研究局限性包括:使用单一公共数据集且样本量适中,限制了泛化性;缺乏临床变量如MMSE评分、教育程度、用药状态和疾病严重度等信息;电极稳定性分析反映的是特征选择复现性而非组间差异的直接估计;熵和复杂度特征参数未经系统优化。
总体而言,本研究表明EEG特征效用取决于诊断组比较和记录条件,而非支持某一记录条件或更大融合特征空间的统一优势。频谱特征,特别是频谱测度,在区分AD、MCI和HC方面具有潜力,同时强调了在开发基于EEG的分类方法时考虑诊断组比较和记录条件的重要性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号