NeuroImage:基于脑电和结构MRI的AD和轻度认知障碍机器学习分类研究

《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》

1. 背景

阿尔茨海默氏病（AD）是引起痴呆症的主要原因，约占全世界病例的70％。到2050年，痴呆症的发病率将增加两倍，大多数新病例将出现在在中低收入国家。轻度认知障碍（MCI）是健康和痴呆症之间的一个阶段，其特征是认知缺陷但不影响日常生活。MCI患者罹患痴呆症的风险增加，在5年内平均进展率为39％。目前迫切需要低成本，可普及的方法来促进早期痴呆症的发现。脑电图（EEG）由于其低成本和便携性而具有解决这一需求的潜力。近期，发表在《NeuroImage》杂志的一项研究收集了老年AD患者（55岁），健忘性MCI（aMCI）和健康对照组（每组约60名）的静息状态EEG，结构MRI（sMRI）和大量的神经心理学数据，在此基础上评估了AD和aMCI分类的一系列候选EEG标记（即频段功率和功能连接），并将其分类性能与sMRI进行了比较。该研究还测试了脑电图联合认知量表分类模型。在对AD进行分类时，sMRI的表现优于静息状态EEG（AUCs分别为1.00和0.76）。但EEG和sMRI都只能较好地区分aMCI和健康老年人（AUCs=0.67–0.73），而且两种方法均未达到70％以上的灵敏度。相对于单独使用MMSE评分，EEG联合MMSE评分并没有优势。该研究是脑电图和sMRI对AD和aMCI分类的首次直接比较。

2.方法

2.1研究群体

从Dokuz Eylul大学神经病学系的门诊招募了AD（n=118）和aMCI的老年人（n=134）。利用各种社区资源中招募健康的老年人（n=198；55岁及以上），包括在公共会议和大学广告牌上发布公告。AD诊断是根据美国衰老和老年痴呆症协会（NIA-AA）的标准做出的。AD患者的纳入标准是：a）隐匿性发作；b）日常功能受损（临床痴呆评分（CDR）评分为1）；c）两个或多个认知领域的损害；d）排除谵妄，痴其他原因引起的呆和其他主要精神疾病等。根据NIA-AA标准进行了aMCI诊断。

2.2诊断标准

所有受试者均通过一系列全面的神经心理学测试进行评估，旨在通过以下测试评估言语和视觉情景记忆、注意力、执行功能、视觉空间技能和语言：MMSE、Oktem口头记忆能力测试（OVMPT）、韦氏记忆量表修订版（WMS-R）数字跨度测试、口语流利性测试（语义）、波士顿命名测试（BNT）和CDR量表。使用了Yesavage老年抑郁量表排除抑郁。最后，所以受试者进行了神经、神经影像和实验室检查。

2.3EEG数据获取

根据国际10-20系统，将30个Ag / AgCl电极放在弹性帽（Easy-Cap；Brain Products GmbH；Gilching，德国）上记录脑电图，连接的耳垂电极（A1+A2）作为参考。记录室是电屏蔽的，声音衰减并且光线昏暗。从右眼的内侧上眼眶边缘和外侧眼眶边缘记录眼电图（EOG）。所有电极阻抗均小于10kΩ。脑电图和EOG通过带有0.03–70 Hz带通滤波器的Brain Amp 32通道DC系统机器进行放大，并以500 Hz的采样率在线数字化（Brain Products GmbH；Gilching，德国）。记录EEG：睁眼（EO）4分钟，闭眼（EC）4分钟。

2.4EEG数据预处理

EEGLAB结合FASTER插件进行预处理。将数据在0.1到70 Hz之间进行带通滤波，在50 Hz处陷波滤波，并以所有头皮电极为参考取平均。然后将其提取为2 s的数据段。FASTER删除了包含大伪迹（例如肌肉抽搐）和信号质量较差的内插通道数据。还使用FASTER自动识别了伪迹（即非神经）独立成分，并将其从数据中自动删除。然后视检数据质量，并去除任何残留的杂乱含噪数据。

去除受额外噪声影响的42例数据（16AD,13aMCI,13HC）。剩余408例数据（102AD, 121aMCI, 185HC）。闭眼状态下，预处理和视检去除数据平均百分数为6.38%（SD=2.78%, median=5.23%,range=2.08-23.03%），睁眼状态为6.67%（SD=5.91%,median=4.85%,range=2.08-26.88%）。闭眼状态，去除的独立成分平均数为2.73（SD=0.92, MEDIAN=3,RANGE=1-5），闭眼脑电最终平均时长225s，（SD=9.89S,MEDIAN=227.46S,RANGE=184.72-235），睁眼脑电为224s，（SD=12.72S,MEDIAN=228.35,RANGE=175.48-235）。

2.5脑电频段和功率比计算

使用具有Hann窗和0.5 Hz频率分辨率的多窗谱估计，对30个头皮电极上的绝对和相对功率进行谱分析。分别计算受试者睁眼和闭眼时脑电的功率，以探索这两种唤醒状态之间的潜在差异。包括以下七个频带：delta（1-4Hz）,theta（4-8Hz）,alpha1（–10 Hz）alpha2（10–13 Hz）,beta1（13–18 Hz）,beta2（18–30 Hz）和gamma（30–45 Hz）。睁眼条件包括的平均次数为112（±6.36）。闭眼时的平均次数为112.5（±4.95）。将绝对功率值转换为以10为底的对数，以产生以dB为单位的值。对于相对功率，这些值表示为一个频带中的功率百分比除以所有七个频带中的总功率。根据以前的文献，还针对EO条件计算了三个附加的功率指标。分别是：theta/gamma功率比，alpha2/alpha1功率比和全局theta功率。通过将theta频中的绝对功率除以gamma频带中的绝对功率来计算每个电极theta/gamma比。以相同的方式计算alpha2 / alpha1的比率。通过平均所有通道的绝对theta功率来计算全局theta功率。分别针对EO和EC条件计算绝对功率和相对功率。

2.6 EEG加权相位滞后指数计算

将数据分为5s的段，然后用巴特沃斯滤波器分别在delta(1-4),theta(4-8),alpha1(8-10),alpha2(10-13),beta1(13-18),beta2(18-30),gamma(30-45)滤波。排除少于21段的（即个人数据少于50%）的受试者，闭眼状态HC组中排除2名；睁眼状态HC组中排除3名，aMCI组排除1名，AD组排除1名。最终闭眼状态HC组、aMCI组、AD组分别有63、64、60例数据；睁眼状态HC组、aMCI组、AD组分别有62、63、59例数据。

计算30个通道中所有可能通道之间加权相位滞后指数(WPLI)(435对)。WPLI测量了两个信号之间超前或滞后的相位差。接近零相位滞后的相位差赋较小的权值，以减小体积传导的影响。每个频带分段计算WPLI，然后频带内所有段平均。

2.7 MRI数据获取

使用1.5T Achieva(飞利浦医疗公司)磁共振扫描仪。扫描20分钟，先进行10分钟T1扫描。扫描使用了两种不同的协议：阿尔茨海默氏病神经影像学协议（ADNI）T1协议和本地协议。ADNI协议采用的涡轮场回波序列参数如下：扫描层数=166，成像视野FOV=240mm³，层厚=1mm，层间隔=0mm，重复时间TR=9ms，回波时间TE=4ms；当地协议采用的梯度回波序列参数如下：层数=150，FOV=230mm³，层厚=1mm，层间隔=0mm，TR=25ms，TE=6ms。

2.8 磁共振数据预处理

在处理之前，图像会自动重新定位到规范的SPM模板，并进行视检以确认方向是否正确以及是否有明显的伪影。定位不好的图像手动重新定位。用SPM12对图像进行预处理。应用偏差校正，并将图像分割为灰质、白质和脑脊液。SPM DARTEL用于将分割后的灰质图像非线性配准到自定义模板。将图像仿射配准到MNI空间，通过调制重新采样（1 mm³），保留来自每个体素的信号。然后将图像以4mm全宽最大半高斯核进行平滑。仅将灰质信息用作MRI特征向量。将MRI数据调整为更大的体素（5 mm³）并设置阈值。该阈值使得仅当在所有图像中该坐标中的体素都大于0.2时才保留该体素，这进一步减少了体素数量。

排除38例定位或分割不好或质量差、信号丢失、病变、振铃或伪影的数据(14AD,11aMCI, 13HC)。剩余412例(104AD,123aMCI,185HC),其中包括129ANDI T1协议和49例当地协议。

2.9机器学习

使用带有惩罚逻辑回归的机器学习分析来估计（1）静息态EEG和（2）结构MRI数据将受试者分类为AD、aMCI或HC的准确性。对（1）AD与HC，（2）aMCI与HC以及（3）AD与aMCI受试者进行二分类。作为对照，我们还使用相同的方法计算了MMSE数据的分类准确性。MMSE是用于衡量AD认知能力的使用最广泛的测试。因此，我们将MMSE分析包括在内，以在样本中提供“天花板”分类率，来比较神经影像模型的结果。但应注意，MMSE在检测MCI方面不如AD敏感。

2.10数据准备

在准备分析时，对AD，aMCI和HC组进行了年龄、性别和受教育年限的匹配（见表1），这些都是AD中的混杂因素。为MMSE、EEG和MRI数据集分别进行组匹配（见图S1）。组的大小也大致匹配，以最大程度地减少对分析中某一组的偏差。最终：MMSE样本包括180名受试者（57 AD，62 aMCI和61 HC）；EEG样本包括189名受试者（60 AD，64 aMCI和65 HC）；MRI样本包括178名受试者（60 AD，60 aMCI和58 HC）。

进行了36个单独的分类分析。其中包括三个MMSE模型（AD与HC，aMCI与HC，AD与aMCI），27个EEG模型（闭眼绝对功率、睁眼绝对功率、睁眼相对功率、闭眼相对功率、theta/gamma比、alpha2/alpha1比、全局theta功率、每个组的闭眼连接和睁眼连接），三个MRI模型（AD vs HC，aMCI vs HC和AD vs aMCI）和三个MMSE+GlobalTheta模型（AD vs HC，aMCI vs HC和AD vs aMCI）。对于所有模型，模型输入都是受试者（行）特征（列）的矩阵。MMSE模型的每个受试者都包含一个特征（即MMSE分数）。闭眼绝对功率、睁眼绝对功率、睁眼相对功率、闭眼相对功率模型每个受试者包含210个特征（30个通道 7个频段）。每个特征代表一个频带在特定头皮位置的激活。Theta /gamma和alpha2 / alpha1比率模型各包含30个特征（即30个通道x*1比值）。全局theta模型由单个特征（即theta功率总和）组成。连接模型包括3045个特征（即每个频段的连接对）。MRI模型由每个受试者2735个特征组成，每个特征代表3D空间中的特定解剖位置。MMSE+GlobalTheta模型包含两个特征（即MMSE得分+theta功率和）。

2.11 分类方法

所有模型均使用相同的分类方法。此方法使用了惩罚逻辑对数回归算法和一种完善的正则化技术（称为弹性网）来避免“维数诅咒”（即过拟合）。随着模型复杂度的增加，正则化会惩罚回归权重的大小。通常使用L1或L2范数来实现。L1范数基于其绝对大小对回归权重进行惩罚，从而导致模型稀疏。L2范数根据其平方值来惩罚回归权重，这不会导致模型稀疏。Elastic Net结合了L1和L2范数正则化，并具有作为嵌入式特征选择算法的优势。特征选择（即减少模型中的特征数量）也可以减少过度拟合。因此，Elastic Net产生了稀疏解决方案，其中包含/排除了一组相关特征。

该方法的细节先前已由Kiiski等人详细报道。在此提供简要说明（另请参见图S2）。应注意有关交叉验证的一项重要修改。当前研究中的数据分为5折交叉验证，而不是10折。这样，每个模型都在80％的样本（训练集）上进行训练，并应用于其余20％（测试集）。此修改旨在在测试集中包含更多数据，同时还保留足够的训练数据以实现良好的模型拟合。Per Kiiski等人在每个训练集中也应用了交叉验证（称为“嵌套”交叉验证）来调整模型超参数。通过将每个主折进一步细分为嵌套训练（占总数据的64％）和嵌套测试集（占总数据的16％）来完成。在次折水平上产生最低预测误差的参数用于使用主折的训练集拟合模型。

为了进一步量化模型性能，将整个分析重复100次，并对受试者进行不同的随机分配以进行训练和测试，然后在100次迭代中汇总结果。然后将交叉验证的结果与“空”模型进行比较，以量化基准分类水平，空模型是通过随机排列标签生成的。然后使用t检验将空模型的准确性与实际模型（即具有真实数据）的准确性进行比较。如果曲线下面积（AUC）值在统计学上显着高于空模型（p <0.0016，0.05 / 30；经多次比较校正），则实际模型成功。模型性能的三个附加指标也用于模型解释。分别是（1）平衡精确性（即敏感性和特异性的平均值），（2）Brier分数（即预测概率和期望值之间的均方误差），以及（3）对数分数（即对数的线性对数变换）预测概率）。

3. 结果

3.1 人口统计信息

表1汇总了分析中所有组的人口统计信息，以及它们的统计比较结果。所有组比较均采用单组间方差分析（ANOVA），性别通过Kruskal-Wallis检验进行评估。注意：MMSE+GlobalTheta模型的人口统计信息与MMSE模型相同。

3.2 认知表现

OVMPT（2 AD），数字跨度测试（3 AD，6 aMCI），语言流利度测试（1 AD，1 HC），BNT（1 AD，2 aMCI，4 HC）和MMSE（3 AD，2 aMCI，4 HC）少量数据缺失。表2总结了MMSE，EEG和MRI模型中包含的组的其余数据。差异的评估采用单组方差分析，然后进行Bonferroni校正的成对比较。贝叶斯ANOVA用于非显著性影响的分析。按照惯例：贝叶斯因子大于3是H0的非轶事证据，贝叶斯因子小于0.33认为是H1的非轶事证据。

在MMSE，EEG和MRI子样本中的所有行为测试中都发现了群体差异。HC组在MMSE（所有ps <0.001），OVMPT总学习（所有ps <0.002）和延迟回忆测试（所有ps <0.001）和口语流利测试（所有ps <0.001）上的表现明显优于aMCI和AD组。在MMSE，OVMPT全面学习和延迟回忆测试以及口语流利度测试（所有ps <0.001）上，aMCI组的表现均优于AD组。HC和aMCI组在“数字范围向后”（所有ps <0.04）和BNT（所有ps <0.002）上均胜过AD组。在这些测试中，HC组和aMCI组之间没有发现显着差异（所有ps> 0.08）。针对非显著结果计算出的贝叶斯因子提供了H0（贝叶斯因子范围0.61-12.5）的非轶事证据。

研究者还比较了MMSE，EEG和MRI方式下HC，aMCI和AD组的神经心理测试表现，以确保受试者组的认知表现水平相匹配。差异的评估采用因素组间方差分析，然后进行Bonferroni校正的配对比较。我们没有发现任何形式的行为差异（所有ps> 0.08；请参见表3）。贝叶斯分析还表明了中立的证据支持零假设（贝叶斯因子范围为3.03–16.66）。

3.3 分类结果

图1描绘了所有模型分类结果，包括曲线下面积AUC,平衡精确度ACC,Brier和对数分数。

图1.虚线代表50%精确度和0.5倍曲线下面积，y轴的箭头代表每个度量的期望方向，如AUC,精确度和对数分数的增加，Brier分数的减少。缩写：AAR,alpla1与alpha2比率；Abs，绝对功率；Con,连接性；EC,闭眼状态；EO,睁眼状态；GTheta,全局Theta;MMSE+T,MMSE+Theta；Rel,相对功率；TGR,theta/gamma比率。

3.3.1 MMSE模型

图2展示了MMSE模型的接收者工作曲线(ROCs)。AD vs HC AUC值达到0.97，AD vs aMCI AUC值达到0.87，aMCI vs HC AUC值达到0.77。除了aMCI vs HC的灵敏性为65%，预测指标总体较高（大于70%）。所有模型性能大大优于空模型迭代的100%。MMSE分数可预测AD和aMCI模型中的HC状态，以及AD vs aMCI模型中的aMCI状态。

图2.具有95％置信区间的MMSE模型的接收器工作曲线（ROC）。靠近左上角（0.0，1.0）的曲线表示性能更好。

3.3.2 EEG功率和比率模型

图3说明了EEG模型的ROC。AD与HC表现最佳的模型是相对功率EC（AUC = 0.76）。其次是相对功率EO，绝对功率EC和EO以及全局theta模型（AUC> 0.70）。Theta /gamma和alpha2 / alpha1比率模型产生了中等结果（AUC分别为0.69和0.68）。AD与HC模型具有高特异性（即70-87％），但是具有低至中等敏感性（即53-68％）。所有模型的性能明显优于空模型的99％（所有ts> 38，所有ps <0.001）。Theta 功率是多个模型和脑区（即额叶，中央，颞叶和顶叶区域）的AD状态的最佳预测指标（见图4A）。HC状态的最佳预测指标是左颞顶alpha2/alpha1比和beta1功率（见图4A）。

图3.具有95％置信区间的EEG功率模型的接收器工作曲线（ROC）。靠近左上角（0.0，1.0）的曲线表示性能良好。缩写：Abs，绝对功率；EC，闭眼；EO，睁大眼睛；相对功率。

图4.（A）AD对HC，（B）aMCI对HC和（C）AD对aMCI模型在选定电极上的选择频率的地形图。颜色表示在90％的阈值内幸存的迭代中特征的选择频率。缩写：Abs：绝对功率；EC：闭眼；EO：睁大眼睛；Rel：相对功率。

表现最佳的aMCI vs HC模型是绝对功率EO（AUC = 0.61），其表现优于空模型迭代的94％（t（198）= 20.90，p <0.001）。所有其他模型产生的效果均较弱（AUC <0.60）。绝对功率EC，相对功率EO，theta/gamma比和全局theta功率模型的性能明显优于空模型迭代的66％（ts> 4，ps <0.001）。Alpha2 / alpha1比率和相对功率EC模型无法胜过空模型（ts <2，ps> 0.55）。敏感性和特异性值是变化的，范围分别为39-67％和54-80％。全局theta灵敏度最高，而theta / gamma的特异性最高。在EO模型中，aMCI状态的最佳预测指标是左颞顶theta和颞delta功率（见图4B）。HC状态的最佳预测指标是相对功率EO模型中的额叶beta2（见图4B）。

表现最佳的aMCI vs AD模型是相对功率EO（AUC = 0.67），胜过空模型的97％（t（198）= 29.20，p <0.001）。相对功率EC（AUC = 0.64），全局theta（AUC = 0.64），绝对功率EO（AUC = 0.62）和theta / gamma模型（AUC = 0.61），这些模型胜超过 94％的空模型（ts> 24，ps <0.001）。绝对功率EC和alpha2 / alpha1比模型产生的结果较弱（AUC≤0.55; ts <9，ps <0.001）。敏感性和特异性值分别为46-73％和44-74％。Alpha2 / alpha1比产生最高的灵敏度，而相对功率EC产生最高的特异性。AD状态的最佳预测指标是左额叶和右顶区的theta功率（见图4C）。aMCI状态的最佳预测指标是右颞顶beta1功率（见图4C）。

3.3.3 EEG加权相位滞后模型

图5说明了加权相位滞后模型的接收器工作曲线（ROC）。AD vs HC分类模型的效果中等。EC和EO条件的AUC值分别为0.76和0.74。两种模型的表现都超过空模型迭代的99％（ts> 4.21，ps <0.001）。aMCI模型的结果较弱。aMCI vs HC模型的AUC值，EC为0.61，EO为0.48。EC模型的性能优于空模型的91％，而EO模型的性能优于空模型的46％（ts> 1.92，ps <0.04）。AD vs aMCI模型产生相似的结果（EC AUC = 0.56; EO AUC = 0.62），分别超过模型的77％和93％（ts> 2.23，ps <0.001）。只有HC vs AD模型的特征在选择阈值下保留。HC状态的最佳预测指标是alpha的额叶和颞顶电极之间的连接增加，以及delta的额叶电极与theta的中央和顶电极之间的连接减少（见图6）。AD状态的最佳预测指标是左侧颞顶电极之间的theta和delta连接增加（图6）。

图5.具有95％置信区间的EEG加权相位滞后模型的接收器工作曲线（ROC）。靠近左上角（0.0，1.0）的曲线表示性能更好。

图6. HC与AD模型的地形图显示了在90％选择频率阈值后仍然存在的连通性对。蓝色表示与HC状态关联的连通性，黄色表示与AD状态关联的连通性。缩写：EC：闭眼；EO：睁大眼睛。

3.3.4 MRI模型

AD vs aMCI模型具有完美的预测准确性（AUC = 1.00）。AD vs HC模型也产生了出色的结果（AUC = 0.99），而aMCI vs HC模型的性能中等（AUC = 0.72）。除aMCI vs HC分类（中等敏感度（即63％））外，所有模型的预测指数均很高。在两个AD模型中，跨越多个大脑区域的大量预测因子（> 1640；60％）在选择阈值中保留下来（见图6A，C）。在aMCI vs HC模型中，HC状态的最佳预测指标是左海马体和丘脑（见图8B）。所有模型的性能均优于空模型迭代的100％（所有ts> 46，所有ps <0.001）。

图8.冠状，矢状和轴向图像显示了在（A）AD vs HC，（B）aMCI vs HC和（C）AD vs aMCI模型的选择频率下保留的体素（5 mm³）。颜色代表beta值从负（HC / aMCI）到正（aMCI / AD）。（B）中的红色圆圈表示超阈值体素。

3.3.5 MMSE+Global Theta 模型

图9说明了MMSE + GlobalTheta模型的接收器工作曲线（ROC）。AD vs HC模型产生了最佳性能（AUC = 0.98）。次佳的模型是AD vs aMCI（AUC = 0.86），其次是aMCI vs HC模型（AUC = 0.80）。所有模型的预测指数都很高（即> 73％）。所有模型的性能都大大优于空模型迭代的100％（所有ts> 91，所有ps <0.001）。MMSE分数可预测AD和aMCI模型中的HC状态，以及aMCI vs HC模型中的HC状态。全局theta可预测HC和aMCI模型中的AD状态，以及aMCI vs HC模型中的aMCI状态。

图9.可信度为95％的MMSE + GlobalTheta实际模型的接收器工作曲线（ROC）。靠近左上角（0.0，1.0）的曲线表示性能更好。

4. 讨论

到2050年，大多数新的痴呆症病例将出现在低收入和中等收入国家。因此，迫切需要低成本，客观的方法来促进早期发现。该研究的目的是评估静息态脑电标记物，用于对AD及其前期aMCI进行分类，并将其性能与基于sMRI的分类进行比较。sMRI是一种成熟的诊断工具；但是，它的局限性是高成本普及性差。迄今为止，尚无研究评估AD和aMCI样本中的EEG和sMRI标记物。这里，研究者采用了带有惩罚逻辑回归的机器学习分类方法来评估脑电图和sMRI在区分AD，aMCI和健康的老年人中的表现。脑电图特征包括绝对和相对功率（delta，theta，alpha1，alpha2，beta1，beta2和gamma），theta/gamma比率，alpha2/alpha1比率，全局theta功率和基于WPLI的功能连接估计。最后，研究者使用全局theta功率和MMSE评分作为替代性低成本分类方法，评估了组合的认知脑电图模型。

静息态脑电图在将AD和对照组进行分类中表现优异。AUC分数在0.68到0.76之间，相对功率模型性能最佳。theta功率增加是AD状态最好的预测因子，在包括额，中央，颞和顶电极在内的多个模型和区域都观察到了这种效应。AD状态还与theta和delta功率带中左颞顶电极之间的连通性增加有关。利用EEG中左颞顶电极中的alpha和beta1功率增强能很好的区分AD与健康对照。HC状态还与额叶和颞顶电极之间的alpha连接性增加以及额叶delta和额-中中心theta电极之间的连接有关。总体而言，AD vs HC模型的特异性高于敏感性，这表明基于其脑电图特征可能将患者误分类为健康人的趋势。

aMCI脑电模型的准确性较差。从对照组对aMCI进行分类的AUC分数介于0.51至0.61之间，对aMCI和AD进行分类的AUC分数在0.53至0.67之间。与AD模型相似，将aMCI与健康老年人分开的最佳特征是左颞-顶电极的theta和delta功率增加，而控制状态的最佳预测指标是额叶beta2功率增加。Theta和beta1功率也可以将aMCI与AD区分开；也就是说，左额叶和右顶电极中较高的theta与AD状态相关，而颞-顶beta1功率较高与aMCI状态相关。所有模型的特异性均好于敏感性，这表明了将受试者归类为非AD的偏差。脑电图结合认知功能（即，GlobalTheta功率和MMSE评分）并没有比单独的认知评分表现更优，AUC值基本上保持不变（即，AD与对照：0.97和0.98；aMCI与对照：0.77和0.80 ；AD 与 aMCI：分别为0.87和0.86）。

Theta功率是最好的总体预测患者状态的指标，因为一般认为AD最先发生的变化是theta的增加。Theta差异在颞顶叶最明显，在AD和aMCI中电极之间的连接增强。AD与aMCI的区别在于额叶和顶叶电极的theta增加，这可能反映了在晚期发生的广泛变化。左侧颞顶区的高delta也表明了患者的状态，尽管程度较轻，但与delta变化发生较晚的证据一致。

在区分AD与HC和aMCI受试者方面，sMRI模型优于EEG，在两种模型中都实现了完美的分类精度(AUCs = 1.00)。AD状态与大量的sMRI预测因子相关，这些预测因子总计占所有可能特性的60%以上( 2735特性中的1640)。选定的特征表明，灰质密度在额叶、颞叶、顶叶和枕叶以及小脑普遍降低。相比之下，sMRI在对aMCI和HC受试者进行分类方面表现较好(AUC = 0.73)。不到0.1%的特性(2735个中的4个)被保留在这个模型中。左侧海马和丘脑的灰质密度增加，两者都是HC状态的预测指标。与脑电图一样，aMCI受试者也容易被错误地归类为健康对照。

与静息EEG相比，sMRI对AD的分类效果更好，这与本文的假设相反。这种差异不可能是由于神经心理表现的差异，因为脑电图组和MRI组是匹配的。一种可能的解释是，sMRI特征捕获的解剖信息仅仅比脑电图提供的神经生理信息更敏感。值得注意的是，脑电图和sMRI在区分aMCI和健康老化方面都只是中等水平。所有使用的测量方法(包括MMSE)的灵敏度都没有达到70%以上。这一发现很重要，因为人们越来越重视早期检查，特别是在痴呆发病率迅速增长的低收入国家。多种因素可以解释我们的结果。首先，病理性痴呆可在症状出现前20年出现。因此，本文的一些健康受试者可能处于痴呆的临床前阶段。第二，MCI是一种异质性和不稳定的条件，导致临床医生的诊断差异很大。这就限制了可以实际实现的分类精度。

未来的工作应该优先收集纵向数据，以跟踪静息状态脑电图特征对AD和aMCI的预测能力。特别是，需要可靠的脑电图标记来区分稳定型和进行性MCI。现有的证据是模棱两可的，分类模型性能从低(AUC=0.55)到高(精确度大于80%)。因此，需要进一步的研究来确定最能预测MCI亚群的脑电图特征，以及在什么阶段。未来研究的另一个有前景的领域是使用基于任务的脑电图来检测痴呆。Porcaro等人最近的一项研究提出，P3b事件相关电位(ERP)是老年人记忆功能障碍的早期标志物。同样，视觉短期记忆(VSTM)结合ERP也被认为是AD的生物标志物。因此，有必要对这些(和其他)ERP成分进行进一步的检查。最后的建议是评估静息状态脑电图在区分AD和其他神经系统疾病(如帕金森病)中的作用。当症状有重叠时，识别特定于AD或MCI的脑电图标记物可能有助于该病的早期诊断。到目前为止，在这一领域已经进行了一些研究，但结果有限。

注：解读不易，请多多转发支持，您的每一次转发是对我们最好的支持！本文原文及附加材料，请添加赵老师微信索要（微信号：15560177218）

NeuroImage:基于脑电和结构MRI的AD和轻度认知障碍机器学习分类研究相关推荐

专利 | 一种基于脑电神经反馈控制智能机器人的方法
Hello, 大家好,这里是壹脑云,我是Ting Zhang~ 今天和大家一起学习的是"一种基于脑电神经反馈控制智能机器人的方法"这个专利.它是由昆明理工大学的伏云发等人发明的专利 ...
深度学习在神经营销中基于脑电的偏好分类
0 博主的小前言博主前几天读到了一篇文献(Deep Learning for EEG-Based Preference Classification in Neuromarketing ),甚是震撼 ...
EEGNet：一个小型的卷积神经网络，用于基于脑电的脑机接口
脑机接口(BCI)利用神经活动作为控制信号,可以与计算机直接通信.这种神经信号通常从各种研究充分的脑电图(EEG)信号中选择.对于给定的脑机接口(BCI)范式,特征提取器和分类器是针对其所期望的脑电图 ...
基于脑电和特征加权阶段训练的驾驶员疲劳状态估计
目录导读论文贡献导读该研究基于脑电信号(EEG)的疲劳驾驶检测.论文考虑一个非常实用且非常具有挑战性的场景:没有关于新用户的任何EEG数据(有标签的或无标签的),但是希望通过老用户的带标注的E ...
基于脑电的注意力识别方法调研
Li Y, Li X, Ratcliffe M, et al. A real-time EEG-based BCI system for attention recognition in ubiqui ...
基于脑电的情绪识别方案总结
文章目录 1. 方案一 1.1 算法方案解析 1.1.1 数据处理 1.1.2 模型设计思路 1.1.3 模型设计 1.1.4 结果 1.2 优化思路 2. 方案二 2.1 任务介绍 2.2 方案 2 ...
学术篇 | 多模态fNIRS脑电分类——基于脑机接口的深度学习算法
近年来,脑机接口(BCI)系统的发展受到神经科学家的广泛关注,脑机接口可以作为一种沟通手段,并为运动障碍患者的运动功能恢复.脑机接口(BCI)设计的一个重要部分是正确地对脑信号进行分类,这些信号过去是 ...
基于神经网络和小波变换的癫痫脑电诊断比较
论文研读 Comparison of EEG based epilepsy diagnosis using neural networks and wavelet transform Abstrac ...
（论文加源码）基于DEAP脑电数据集的脑电情绪识别（利用生成对抗性网络进行特征提取和数据扩充）
本篇论文发表于2022年的顶级期刊,代码可以完整运行,详情见第八节或者个人主页论文源码见个人主页:https://download.csdn.net/download/qq_45874683/876 ...

NeuroImage:基于脑电和结构MRI的AD和轻度认知障碍机器学习分类研究

NeuroImage:基于脑电和结构MRI的AD和轻度认知障碍机器学习分类研究相关推荐

最新文章

热门文章