阿尔茨海默病和轻度认知障碍患者脑电特征分析与识别研究

摘要：

目的:分析阿尔茨海默病（AD）和轻度认知障碍（MCI）患者脑电特征，并结合特征进行分类预测。方法:选取天津医科大学总医院神经内科就诊患者135例为研究对象，其中AD患者34例，MCI患者67例，健康对照（HC）34例，分别采集静息状态下脑电信号并进行预处理。提取多频段尺度的相对功率谱密度特征和样本熵特征，比较3组被试脑电特征的全脑差异，然后再细分脑区、单个导联深入分析。融合上述2种特征，通过支持向量机（SVM）对AD、MCI和HC进行分类预测。结果:额叶区域δ相对功率谱密度高于其他区域，枕叶和颞叶区域表现出相对更低的分布占比。θ频段相对功率谱密度在各个脑区的大小分布情况较为平均。α频段相对功率谱密度较高的导联均集中于枕叶。β频段的相对功率谱密度较高的导联则主要集中在顶叶和颞叶。除中央叶外，其余各个脑区及全脑，AD组的δ频段相对功率谱密度值均高于MCI组和HC组（均
P<0.05、0.01）。AD组全脑及各个脑区的θ频段相对功率谱密度高于MCI组和HC组（均
P<0.001）。AD组的α频段相对功率谱密度仅在颞叶低于其他组（均
P<0.05）。AD组β频段的相对功率谱密度在全脑及各脑区高于其他组（
P<0.05、0.01、0.001）。AD组与HC组中央叶的C3导联的δ频段相对功率谱密度差异比较有统计学意义（
P<0.05）。AD组、MCI组和HC组颞叶γ频段相对功率谱密度均高于其他区域。AD组T3导联处γ频段相对功率谱密度明显低于T4导联处。AD组和MCI组的全脑平均及各个脑区平均样本熵均低于HC组（均
P<0.05）。AD组C3导联处的样本熵低于MCI组（
P<0.05）。相对功率谱密度、样本熵以及融合2种特征的实际数据分类评价指标（准确率、精确率、召回率和F1分数）与重排数据差异均有统计学意义（均
P<0.001）；当分类特征中融合了相对功率谱密度特征及样本熵特征时，分类预测效果最好，准确率达80%，精确率达78%，召回率为78%，F1分数为79%。
结论:相对功率谱密度与样本熵分析能够从不同角度（线性与非线性）揭示AD、MCI患者脑电活动的异常，在分类预测时结合相对功率谱密度和样本熵特征，能够提高分类效果。

关键词：阿尔茨海默病、轻度认知障碍、脑电、相对功率谱密度、样本熵、支持向量机

所属期刊栏目：47

资助基金：天津市教委科研计划2021KJ260;Science & Technology Development Fund of Tianjin Education Commission for Higher Education2021KJ260

在线出版日期：2024-12-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：325-334