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

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。