基于跨图转移熵的短窗口任务脑电图网络组织矩阵框架用于痴呆分类

《Neurocomputing》：Cross-plot transition entropy-based network organisation matrix framework of short-window task EEG for dementia classification

　　

• 提出了一种基于CPTE驱动的NOM框架，用于短窗口任务EEG分析，特别是工作记忆（WM）研究。• 在性能上优于已有的功能连接度量方法，包括协方差（Cov）、偏相关（PCC）、相位滞后指数（PLI）和加权PLI（wPLI）。• 将基于图的特征与机器学习相结合，用于痴呆症的分类。• 识别出提取阶段最具判别力（准确率为97.53%）。• 验证了在不同阈值、表征方式和任务阶段下的鲁棒性。

**引言**

阿尔茨海默病（AD）是一种进行性神经退行性疾病，也是痴呆症的首要病因，其特征表现为工作记忆（WM）、情景记忆和执行功能的损害[1]、[2]。随着全球患病率的迅速增长以及缺乏有效的治疗手段来阻止或逆转疾病进程，AD已成为重大的临床和社会经济负担[3]。该病主要影响65岁及以上的个体，但早发型病例最早可发生于30岁[4]。这种广泛的年龄范围凸显了需要使用客观、可靠且可扩展的方法来常规进行脑评估，以便早期检测痴呆症。

轻度认知障碍（MCI）是正常老化与AD之间的中间阶段[5]。MCI个体表现出可测量的认知衰退，但基本保留了日常功能能力[6]。然而，相当比例的MCI患者在相对较短的时间内会进展为AD[7]。这种进展定义了一个关键的早期干预窗口，并强调了需要敏感的生物标志物来捕捉早期神经功能障碍。因此，能够检测细微脑部变化并支持早期诊断的计算框架具有重要意义。

近期证据表明，AD从根本上讲是一种大规模脑网络功能障碍，而非孤立区域损伤[8]。在神经病理学水平上，该病以淀粉样蛋白（A）积累和神经纤维缠结为特征，导致突触功能障碍和神经元丢失[9]。随着疾病进展，脑萎缩导致区域特异性功能下降以及跨分布脑区域的协调通信中断[10]、[11]。从电生理学角度来看，这些中断反映在脑电图（EEG）信号中振荡活动和功能连接（FC）的改变。AD与神经振荡减慢有关[12]、[13]、[14]、[15]、[16]、[17]、[18]，以及脑区域间同步化的变化[19]、[20]、[21]、[22]。这些变化表明神经活动的时间协调受损，而时间协调对于高效的信息处理至关重要。因此，工作记忆等认知过程——其依赖于分布网络间精确的时序和协调——受到显著影响[23]、[24]。重要的是，这些基于EEG的变化往往在明显的临床症状出现之前就已经产生。这使得基于EEG的WM任务成为神经退行性疾病早期阶段生物标志物开发的合适且敏感的方法。传统的神经认知评估工具，如简易精神状态检查（MMSE）和蒙特利尔认知评估（MoCA）[25]、[26]，在临床实践中广泛应用。然而，这些方法具有主观性，且对潜在神经机制的洞察有限。相比之下，功能磁共振成像（fMRI）和正电子发射断层扫描（PET）等神经影像模式提供了关于脑功能和病理的宝贵见解[27]、[28]。然而，其高昂的成本和有限的可及性限制了其在常规临床环境中的使用。

EEG提供了一种非侵入性、低成本且便携的模式来研究脑动态，并可轻松纳入常规临床评估[29]。其高时间分辨率使得能够直接测量神经元活动。EEG的这些特性使其成为研究快速变化的神经交互和认知过程的合适模式。近期研究表明，EEG结合信号处理和机器学习技术在多种临床应用中具有有效性[30]、[31]、[32]、[33]、[34]、[35]。例如，Choudhury等人[33]提出了一种基于离散小波变换（DWT）的自适应特征工程框架（NeuroFeat），结合对数-空间界限鲸鱼优化算法（L-SBWOA）进行特征选择，使用余弦k近邻（kNN）达到了99.22%的准确率。Adhikari等人[34]采用了基于变分模态分解（VMD）的分解方法与滑动窗口频域EEG特征用于情绪识别，使用随机森林（RF）分类器达到了99.57%的验证准确率和99.36%的测试准确率。同样，Permana等人[35]利用单通道EEG结合时间、频率和熵特征，以及RF和极端梯度提升（XGBoost）集成模型进行睡眠阶段分类，达到了96.11%的分类准确率。这些研究凸显了EEG在建模复杂脑动态方面的多功能性。然而，神经退行性疾病的早期诊断需要捕捉在明显临床症状之前出现的细微网络级改变，特别是在工作记忆等认知任务期间。因此，基于EEG的FC分析已成为研究AD和MCI中大规模脑网络组织的重要框架[36]、[37]、[38]、[39]、[40]。

大多数现有的基于EEG的FC研究依赖于基于相关或相干性的度量，用于量化跨频率带的EEG信号间的振幅和相位一致性[17]、[40]、[41]、[42]。尽管计算效率高，但这些度量极易受容积传导效应影响，且通常需要相对平稳的长时间记录才能可靠估计。为了对EEG交互进行非线性和非平稳建模，已探索了基于熵的方法，如互信息（MI）[43]、排列互信息（PMI）[44]和交叉样本熵（CSE）[45]，因为它们能更好地表征非线性依赖关系。然而，这些方法对信号长度、噪声和参数选择仍然敏感，限制了它们在短窗口EEG分析中的适用性[46]。为了克服容积传导和非平稳EEG分析的局限性，引入了相位滞后指数（PLI）来衡量EEG信号之间非零相位滞后的一致性。尽管PLI在非平稳EEG分析中相对更具鲁棒性，但可靠估计仍然需要足够长的信号片段，限制了其在任务范式中的有效性，在这些范式中神经活动本质上是短暂且快速变化的。

在实际临床环境中，鲁棒且计算高效的短窗口分析对于客观的痴呆症评估和监测至关重要。近期，散点图和序模式转换网络（OPTN）[46]已成为建模非线性时间动态的有前景的方法。然而，将其整合用于EEG FC分析以进行早期诊断或痴呆症阶段分类尚未被探索。在此背景下，交叉图转换熵（CPTE）提供了一个鲁棒的框架，用于在短窗口条件下对非线性和非平稳交互进行建模。通过将时间转换动态与网络表征相结合，CPTE提供了对噪声的改进鲁棒性、计算效率以及适用于短时间序列分析的优势[46]、[47]。基于这些观察，本研究提出了一种基于CPTE的框架来对任务型EEG FC进行建模。构建网络组织矩阵（NOMs）以表征通道间交互，并使用图论度量分析跨WM阶段的网络组织。该框架在AD、MCI和健康对照（HC）组中进行评估，并与传统的鲁棒PLI方法进行了系统比较。

本研究的主要目标是在短窗口和非平稳条件下开发一个鲁棒的框架，用于对任务型EEG FC进行建模，以进行痴呆症分类。具体而言，本研究旨在利用基于熵的连接建模和基于图的分析来表征与工作记忆网络组织相关的疾病改变。

本研究的主要贡献总结如下：
• 提出了一种基于CPTE的框架，用于从短窗口EEG信号构建NOM，以对非线性和非平稳神经交互进行建模。• 利用图论度量，包括度（D）、聚类系数（C）、特征向量中心性（EC）、中介中心性（BC）和接近中心性（Cc），来表征局部和全局工作记忆相关脑网络特性。• 对编码、提示、回忆和提取各阶段进行逐阶段分析，以研究任务依赖的功能连接变化。• 在短窗口EEG条件下对CPTE与PLI连接建模进行系统比较。• 分析不同EEG表征的影响，包括全维度EEG、球谐函数和头谐函数，以研究表征丰富度与计算效率之间的权衡。• 采用多种机器学习模型，包括随机森林（RF）、支持向量机（SVM）和XGBoost，评估所提框架的鲁棒性和痴呆症阶段分类能力。• 使用双向方差分析（ANOVA）进行统计验证，分析组间和工作记忆阶段依赖的提取网络特征变化。

本文结构如下。第2节介绍材料与方法，包括数据集描述和实验方案（2.1节）、EEG预处理流程（2.1.3节）、谐波分解（2.1.4节），以及所提的基于CPTE的功能连接框架和图论分析与性能评估（2.2节）。第3节展示实验结果。第4节讨论所提工作的解释、意义、局限性和未来方向。最后，第5节总结全文。

**材料与方法**

本节描述数据集和所提的任务型EEG分析框架，特别是针对工作记忆范式。包括数据集和实验方案的详细信息，分别在2.1.1参与者与数据记录和2.1.2实验方案中呈现，并概述了EEG网络建模的计算流程。所提框架包括EEG预处理、球谐和头谐分解、基于CPTE的连接估计、构建NOMs、

**结果**

本节评估了所提NOM计算框架在不同WM任务阶段下的判别性能。对处理后的EEG信号及其球谐和头谐表征进行分析。对于每个WM阶段，提取所有参与者刺激开始后1秒的EEG纪元。每个纪元进一步分段为0.5秒窗口，重叠率为50%，以捕捉短时时间动态。

**CPTE与传统NOM的比较**

在本研究中，评估了CPTE和基于PLI的NOM在不同WM阶段下用于任务型EEG网络建模的效果。从计算角度来看，这一比较旨在评估基于熵与基于相位的连接度量在短窗口和非平稳信号条件下的鲁棒性。如图4所示，基于CPTE的网络参数在所有WM阶段下持续优于基于PLI的方法，在区分AD、MCI和HC组方面表现更佳。特别是，

**结论**

本研究提出了一种基于网络组织矩阵（NOM）的框架，用于对痴呆症分类中任务诱发的EEG功能连接进行建模。该框架整合了基于交叉图转换熵（CPTE）的基于熵的连接估计、图论分析和机器学习，以捕捉与工作记忆网络组织相关的疾病改变。使用了多种信号表征，包括全维度EEG、球谐函数、

**CRediT作者贡献声明**

Shivani Ranjan：撰写——审阅与编辑，撰写——初稿，可视化，验证，软件，方法学，形式化分析，数据整理，概念构思。Anant Jain：撰写——审阅与编辑，验证，软件，方法学，形式化分析，数据整理，概念构思。Robin Badal：撰写——审阅与编辑，验证，数据整理。Amit Kumar：撰写——审阅与编辑，验证，调查，概念构思。Harshal Shende：验证，软件，数据

**伦理批准与参与同意**

本研究涉及人体受试者。所有伦理和实验程序及方案均已获印度新德里全印度阿育吠陀研究所（All India Institute of Ayurveda）研究所伦理委员会批准，编号为IEC-331/27.06.2023/Rp(E)-12/2023，日期为2023年8月17日。所有参与者在研究前均提供了知情同意。

**数据与材料可用性**

本研究中使用或分析的数据集可在合理要求下向通讯作者获取。

**资金支持**

本研究部分由IIT Mandi iHub和HCI基金会印度支持，项目编号为RP04502G。

**利益冲突声明**

作者声明他们不存在已知的可能影响本文所报告工作的竞争性财务利益或个人关系。

**致谢**

作者感谢印度焦德浦Dr. Sarvepalli Radhakrishnan拉贾斯坦阿育吠陀大学（DSSRAU）副校长Pradeep Kumar Prajapati教授，以及新德里阿塔勒·比哈里·瓦贾帕伊医学院（ABVIMS）和Ram Manohar Lohia医院精神病学系的Lokesh Shekhawat助理教授，在诊断和干预过程中给予的专业讨论和指导。最后，作者特别感谢G.P. Bhagat医生，

Shivani Ranjan于2017年获得印度新德里德里的印度理工大学的仪器工程理学学士学位，并于2020年在印度哈里亚纳邦库鲁什特拉国立技术研究所（NIT Kurukshetra）获得中风康复理学硕士学位。她目前在印度新德里印度理工学院（IIT）德里电气工程系攻读计算神经科学博士学位。她是该系的博士后研究员。

Shivani Ranjan | Anant Jain | Robin Badal | Amit Kumar | Harshal Shende | Deepak Joshi | Pramod Yadav | Lalal Kumar