利用微状态分析方法,在静息状态下的脑电图(EEG)尺度上探究自闭症谱系障碍(ASD)儿童与正常儿童(TD)在脑机制上的差异。根据Cartool中的准则和不同微状态类别的数目对于被试者EEG数据的解释程度,确定微状态类别的数目为4;使用原子化与凝...利用微状态分析方法,在静息状态下的脑电图(EEG)尺度上探究自闭症谱系障碍(ASD)儿童与正常儿童(TD)在脑机制上的差异。根据Cartool中的准则和不同微状态类别的数目对于被试者EEG数据的解释程度,确定微状态类别的数目为4;使用原子化与凝聚层次聚类算法,分割出个人水平和组水平上的微状态类别,分别标记为微状态A、B、C和D。然后根据这4类微状态的地形图和EEG数据各时间点的GEV相关性,将数据拟合回EEG数据,最终得到微状态时间序列,提取时域上的参数特征,比较ASD组和TD组的差异。选取的时间参数为平均持续时间、发生频率、时间覆盖率和转移概率,并通过计算马尔可夫模型的方法探究微状态序列的独立性。结果表明,在ASD组vs TD组中表现有统计差异(P<0.05)的微状态时间参数有:持续时间(A:0.110±0.013 vs 0.180±0.048,C:0.140±0.024 vs 0.220±0.067,D:0.130±0.050 vs 0.190±0.037,单位:s)、时间覆盖率(A:22.0±5.4 vs 27.0±7.2,B:27.0±4.7 vs 18.0±5.5,单位:%)、发生频率(A:1.93±0.52 vs 1.55±0.22,B:2.08±0.46 vs 1.39±0.32,C:2.10±0.49 vs 1.47±0.30,D:1.78±0.19 vs 1.27±0.27,单位:次/s),且卡方检验不支持微状态类别之间在时间序列上是独立的零假设(P<0.01),提示微状态类别之间存在依赖性以及信息共享性。本研究为自闭症的评估提供了客观指标和科学依据。展开更多
意识障碍患者的精确判定对制定诊疗计划和预测恢复结果具有重要意义,研究可靠的意识检测方法十分必要。50名意识障碍患者(25名植物状态(VS)患者和25名微意识状态(MCS)患者)被纳入研究,利用脑电双频指数(BIS)监护仪采集脑电数据,并计算...意识障碍患者的精确判定对制定诊疗计划和预测恢复结果具有重要意义,研究可靠的意识检测方法十分必要。50名意识障碍患者(25名植物状态(VS)患者和25名微意识状态(MCS)患者)被纳入研究,利用脑电双频指数(BIS)监护仪采集脑电数据,并计算信号复杂度和相对功率;通过双样本t检验分析MCS和VS组间脑电特征差异,利用皮尔森相关系数分析脑电特征与临床评分的量化关系,探索区分不同意识状态的脑电特征。利用以上脑电特征构建基于决策树的意识分类模型,应用于意识障碍患者的临床辅助诊断。排序熵(PE)、排序Lempel-Ziv复杂度(PLZC)、gamma频段相对功率在VS和MCS间存在显著差异(PE:0.71±0.07 vs 0.75±0.07,P<0.01;PLZC:0.53±0.07 vs 0.56±0.06,P<0.01;gamma:0.13±0.07 vs 0.16±0.06,P<0.01),且PE与临床评分相关性最高(r=0.81,P<0.001)。基于PE构建的意识分类模型的ROC曲线下的面积(AUC)和准确度(ACC)(AUC=0.931,ACC=0.92)优于BIS构建的分类模型(AUC=0.905,ACC=0.90)的相应参数,表明静息态脑电有望成为意识诊断的重要工具。展开更多
文摘利用微状态分析方法,在静息状态下的脑电图(EEG)尺度上探究自闭症谱系障碍(ASD)儿童与正常儿童(TD)在脑机制上的差异。根据Cartool中的准则和不同微状态类别的数目对于被试者EEG数据的解释程度,确定微状态类别的数目为4;使用原子化与凝聚层次聚类算法,分割出个人水平和组水平上的微状态类别,分别标记为微状态A、B、C和D。然后根据这4类微状态的地形图和EEG数据各时间点的GEV相关性,将数据拟合回EEG数据,最终得到微状态时间序列,提取时域上的参数特征,比较ASD组和TD组的差异。选取的时间参数为平均持续时间、发生频率、时间覆盖率和转移概率,并通过计算马尔可夫模型的方法探究微状态序列的独立性。结果表明,在ASD组vs TD组中表现有统计差异(P<0.05)的微状态时间参数有:持续时间(A:0.110±0.013 vs 0.180±0.048,C:0.140±0.024 vs 0.220±0.067,D:0.130±0.050 vs 0.190±0.037,单位:s)、时间覆盖率(A:22.0±5.4 vs 27.0±7.2,B:27.0±4.7 vs 18.0±5.5,单位:%)、发生频率(A:1.93±0.52 vs 1.55±0.22,B:2.08±0.46 vs 1.39±0.32,C:2.10±0.49 vs 1.47±0.30,D:1.78±0.19 vs 1.27±0.27,单位:次/s),且卡方检验不支持微状态类别之间在时间序列上是独立的零假设(P<0.01),提示微状态类别之间存在依赖性以及信息共享性。本研究为自闭症的评估提供了客观指标和科学依据。
文摘意识障碍患者的精确判定对制定诊疗计划和预测恢复结果具有重要意义,研究可靠的意识检测方法十分必要。50名意识障碍患者(25名植物状态(VS)患者和25名微意识状态(MCS)患者)被纳入研究,利用脑电双频指数(BIS)监护仪采集脑电数据,并计算信号复杂度和相对功率;通过双样本t检验分析MCS和VS组间脑电特征差异,利用皮尔森相关系数分析脑电特征与临床评分的量化关系,探索区分不同意识状态的脑电特征。利用以上脑电特征构建基于决策树的意识分类模型,应用于意识障碍患者的临床辅助诊断。排序熵(PE)、排序Lempel-Ziv复杂度(PLZC)、gamma频段相对功率在VS和MCS间存在显著差异(PE:0.71±0.07 vs 0.75±0.07,P<0.01;PLZC:0.53±0.07 vs 0.56±0.06,P<0.01;gamma:0.13±0.07 vs 0.16±0.06,P<0.01),且PE与临床评分相关性最高(r=0.81,P<0.001)。基于PE构建的意识分类模型的ROC曲线下的面积(AUC)和准确度(ACC)(AUC=0.931,ACC=0.92)优于BIS构建的分类模型(AUC=0.905,ACC=0.90)的相应参数,表明静息态脑电有望成为意识诊断的重要工具。
