基于微状态的抑郁症静息态脑电信号分析

抑郁症(MDD)患者存在认知功能障碍,但其瞬时神经异常活动尚未研究清楚,对此采用脑电(EEG)微状态方法对抑郁症患者的脑电数据进行研究。比较22名抑郁症患者和25名正常人的128导闭眼脑电数据微状态特征,进行差异性分析并探索与量表得分之间的相关性。结果发现,相对于健康对照组,抑郁症患者微状态C的出现次数和涵盖比更高,且与其他微状态之间的转换概率较高,而其微状态D的平均持续时间较低,且与微状态B之间的转换次数减少。此外,微状态C和微状态D与抑郁量表和焦虑量表均呈显著相关性,表明基于脑电微状态方法可以捕捉到抑郁症患者异常大脑动态特性,为抑郁症临床早期诊治提供客观参考。

EEG-fMRI融合技术在静息态中的应用

静息态下大脑的自发脑活动规律,对理解其对认知活动的影响以及潜在临床应用具有重要意义。同时,由于EEG与f MRI各有其缺点,对探索脑活动有各自的限制。因此,EEG-f MRI融合技术通过结合两者的优势,具有高时间和空间分辨率的特点,能更全面地研究静息态下的脑活动机制。国内外的EEG-f MRI同时技术仍处于发展阶段,加上多模态分析有其难点,例如信号噪音因人而异难以去除、融合分析方法繁多复杂、实验限制太多等,使大多研究者对其望而却步。EEGf MRI同时技术在静息态下有不同的数据处理方法,包括特殊的伪迹去除以及数据的三种融合方法。在伪迹去除方面,梯度伪迹可以通过平均伪迹模板减法(AAS)和f MRI伪迹切片模板去除(FASTR)去除,而心电伪迹则可以通过平均伪迹模板减法(AAS)、最优基础选择(OBS)和独立成分分析(ICA)去除。在数据融合方面,总结出EEG与f MRI独立对比分析、EEG-informed f MRI和f MRI-infomed EEG三种方法;其中EEG-informed f MRI是较为常用的处理方法,一般利用EEG的三种信号指标与BOLD信号做相关分析,包括功率谱(Power Spectrum)、全脑域同步(Global Field Synchronization)和微状态(Microstate)。

难治性幻听精神分裂症患者静息态脑电特异性特征分析

精神分裂症是一种严重危害人类身心健康的重性精神疾病,幻听是其核心症状之一,约有30%的幻听患者经药物治疗后仍无法痊愈,称为难治性幻听(RAH)。为探究难治性幻听的形成机制及患者的大脑活动特点,30名难治性幻听患者与30名非难治性幻听患者(NRAH)被纳入研究。采用8 min睁闭眼静息范式,任务同时采集被试64导静息态脑电数据,接着通过功率谱和源定位分析分别计算了两组被试的静息脑电6个频段的绝对功率和皮层脑电分布情况。结果显示,δ频段在右侧颞上回、颞中回、颞上沟、角回处较NRAH组有更强激活,但全脑平均功率显著低于NRAH组(p(RAH)=64.05±116.82,p(NRAH)=110.40±125.56,P<0.01);低γ频段(p(RAH)=7.14±14.88,p(NRAH)=8.99±10.13,P<0.05)和高γ频段绝对功率(p(RAH)=11.46±17.48,p(NRAH)=30.12±46.88,P<0.01)也显著低于NRAH组,且二者在颞中回、颞上回到颞顶叶、额顶叶交界处激活强度和范围均低于NRAH组,且缺少NRAH组所存在的偏侧化现象。综上,δ频段、低γ频段和高γ频段可能为难治性幻听的潜在生理指标,且难治性幻听的形成机制可能与慢波(尤其是δ频段)在颞叶的过度激活和高频振荡(尤其是γ频段)在颞叶的失活有关。本研究的结果可为探究难治性幻听患者的脑活动特点和难治性幻听的患病机理提供有效的客观依据,具有一定的理论意义和临床价值。

精神分裂症患者静息态脑电微状态特征及研究进展

本文目的是探讨精神分裂症患者静息态脑电微状态的特征和研究进展,以期从神经电生理的角度为精神分裂症的临床研究提供参考。于2022年9月在中国知网、万方数据知识服务平台和PubMed数据库进行计算机检索,最终纳入符合标准的文献共27篇。既往研究结果显示,静息状态下精神分裂症患者总是有着更多的C类脑电微状态和更少的D类脑电微状态,这使得静息态脑电微状态具有成为疾病内表型的潜质。虽然,精神分裂症患者的精神症状与静息态脑电微状态之间的相关性目前仍不明确,但可以肯定的是,治疗前后患者静息态脑电微状态的变化是有意义的。

脑电的重测信度:在多项静息态和任务态实验中的对比

基于脑电探讨心理过程的认知神经机制,需要信号本身具有良好的重测信度。本研究多角度对比了睁眼、闭眼两种静息态脑电以及精神运动警觉任务、Oddball两种任务态事件相关电位的重测信度。发现静息态的重测信度普遍优于任务态,其中闭眼静息态又比睁眼静息态的重测信度更高,alpha频段的重测信度在所有频段中最高。对于两种任务态,在时域上均表现为刺激出现后200 ms左右较高的重测信度。在空间上, 5种状态的结果都表明中央区域比外周区域的重测信度更高,这可能与外周区域更容易出现伪迹有关。本研究涉及多个静息态和任务态脑电实验,在频域、时域、空域三个维度的特征上,较为全面地对比了重测信度并分析了可能的原因,为后续研究脑电信号重测信度选择合适的实验范式和指标提出了建议,对于基础和临床领域的脑电应用都具有重要参考价值。

基于机器学习的抑郁症脑电识别研究

抑郁症已成为全球主要的健康负担,有效检测抑郁症是公共卫生的一大挑战。为了更好地识别抑郁症,本文提取了不同类型的脑电信号特征,其中包括线性特征和非线性特征,对抑郁症患者的脑电信号进行综合分析。并使用不同的机器学习算法模型分类器来评估最优特征集。在结合所有类型的特征对MDD患者进行分类时,获得了最佳识别准确率达到91%左右。这项基于机器学习和脑电信号(EEG)的抑郁症识别研究为未来应用于抑郁症领域的早期筛查、辅助诊断以及辅助治疗决策等方面提供了一种辅助方案和一定的参考价值。

自闭症谱系障碍儿童静息状态下脑电微状态研究

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。

基于微状态的静息态脑电信号分析

利用微状态的时-空分析特性,采用高密度(128通道)脑电图对20例主观性耳鸣患者和20例对照组的微状态特征进行了研究。通过微状态的平均存在时间、发生频率、覆盖率、振幅和转换率参数的计算与分析,揭示了耳鸣患者和健康人脑电微状态分类的时间特征和语构存在显著差异,也反映了脑电图微状态可以作为大规模脑网络的一种有价值的分析研究方法。

基于脑电的复杂网络性别差异性研究

人脑的生理结构和功能因性别不同存在很大差异,为了考察不同性别在脑网络研究中的差异性表现,本文利用复杂网络理论对20例健康被试者静息状态下的脑电数据在连续阈值区间内进行了脑网络构建和分析。结果发现:在所选阈值区间内女性组聚类系数、特征路径长度、网络平均度、效率都普遍高于男性组,与之前研究者所得结论具有一致性,而且不同阈值间脑网络拓扑属性差异极显著(P<0.01)。结果提示:性别差异在脑网络分析中是一个不容忽视的因素。在利用复杂网络手段诊断各类疾病时,将性别因素考虑在内,很可能可以提高基于脑网络分析手段对各类疾病诊断的准确率。

成人ADHD患者静息脑电及其与生态执行功能的相关性

目的:探究成人注意缺陷多动障碍(ADHD)患者的脑电特征及其与生态执行功能的关系。方法:选取成人ADHD患者33例及正常对照30例,用执行功能行为评定量表成人版(BRIEF-A)评估生态执行功能,并记录静息态脑电,分析不同频段脑电的绝对功率,探讨其与执行功能缺陷的相关性。结果:与正常对照相比,ADHD患者BRIEF-A各因子得分及其全脑θ波及中央区β绝对功率均高于对照组(均P<0.01);ADHD患者的工作记忆评分与其双侧额叶θ波绝对功率呈正相关(r=0.43、0.49,均P<0.05),情感控制评分与双侧中央区β波绝对功率呈正相关(r=0.43、0.49,均P<0.05)。结论:成人ADHD患者生态执行功能存在缺陷,其额叶θ波及中央区-顶叶β波功率增高可能分别参与其工作记忆缺陷及情感控制不良的神经病理学机制。

精神分裂症和抑郁症患者静息态脑电功率谱熵的对照研究

研究精神分裂症患者(SC)和抑郁症患者(DP)的静息态脑电功率谱熵,深入比较该指标在两种疾病人群中的表现,探究这一指标对两种疾病大脑异常情况的反映。选择性别、年龄相匹配的精神分裂症、抑郁症患者各100例(男:50,女:50),采集睁眼、闭眼两种状态下的静息态脑电数据;对脑电信号进行信号预处理,并通过独立成分分析实现伪迹校正;基于Welch变换进行功率谱分析,归一化后利用相对功率计算脑电的功率谱熵;采用t检验、方差分析等统计手段,对该指标做统计分析。结果表明,在任意相同状态下,精神分裂症组的组平均功率谱熵在每一导联上都低于抑郁症患者组(导联平均功率谱熵:闭眼状态下,SC:1.26;DP:1.32;睁眼状态下,SC:1.33;DP:1.37),且在多数导联上差异显著(P<0.05);对于两组被试,其闭眼状态下的功率谱熵均分别低于睁眼状态下的功率谱熵;对于功率谱熵从睁眼状态至闭眼状态的减少量,两组被试在Fp1、Fp2导联存在显著差异(P<0.05)(Fp1:SC为0.08,DP为0.02;Fp2:SC为0.09,DP为0.02);在睁眼状态下,精神分裂症与抑郁症患者大脑左右半球功率谱熵的不对称性存在差异,精神分裂症组表现出更广的不对称性(呈显著不对称性的电极对:SC有4对,包括F3-F4、O1-O2、F7-F8、T5-T6;DP有2对,包括P3-P4、F7-F8);闭眼状态下二者的不对称性均只显著体现在F7-F8、T5-T6导联(P<0.05)。功率谱熵这一指标能够敏感直观地描述功率谱的分布情况与不规则程度,进而反映脑电信号的复杂程度以及个体大脑活跃程度。该指标能够作为一项有效参考,反映两种疾病人群在静息态下大脑活动的差异,并有望用于区分精神分裂症与抑郁症。

精神分裂症和抑郁症患者静息态脑电分类

精神分裂症和抑郁症作为临床精神科中的两种重性精神疾病综合征,两者的发病机制至今未明,因此临床上对于二者的区别常常依靠量表和医生的临床经验进行判断。脑电图(EEG)作为一种高时间分辨率的非侵入性诊断方法,可以作为两种疾病的一种潜在生物标记物。通过采集两种疾病临床静息态(睁眼和闭眼)的脑电数据,训练卷积神经网络(CNN)模型来对两种疾病进行分类,以试图找到一种区分两种疾病的客观手段。研究采集了70名精神分裂症和70名抑郁症患者静息态的EEG,通过分析提出了一种新的数据输入形式,即利用快速傅里叶变换将时域下的EEG数据转换到频域,再将频域数据转换成灰度图的形式输入卷积神经网络。不同于以往传统机器学习的方法,深度学习可以对数据进行自动的特征提取,而不需要人为筛选特征。而后采用交叉验证的方法对模型进行评估,并将数据增强的方法应用于EEG,来提高模型的性能。通过数据增强的方法可以使模型对两种疾病的分类准确度达到87.50%,敏感度和特异性分别达到84.09%和91.67%。实验结果表明卷积神经网络结合静息态脑电数据可以对精神分裂症和抑郁症进行较好的区分,EEG可以作为两种疾病的一种潜在生物标记物。

孤独症儿童静息态脑电Gamma频段功能网络研究

有研究表明,孤独症儿童的功能障碍可能和脑电中的Gamma频段异常有关。通过采集17例孤独症儿童和17例正常儿童睁眼静息态脑电,利用定向传递函数方法计算导联间的因果连接,构建Gamma频段（35~50 Hz）功能网络。用图论方法分析两组差异。结果表明相同阈值下,孤独症儿童脑功能网络全局效率、局部效率以及节点度均低于正常对照组儿童。提示孤独症儿童认知、行为异常可能与其大脑Gamma频段连接较弱、信息整合效率较低有关。

基于脑电响应分析睡眠剥夺对运动表现的影响

研究了不同睡眠状态下,运动前后脑功能网络指标的变化。将30名男性大学生随机分为睡眠剥夺(SD)组和正常睡眠(NC)组,并进行Bruce运动方案(跑台),分别在运动前后完成静息态脑电数据采集。利用相位延迟指数构建脑功能网络,基于图论分析脑功能网络拓扑属性,包括:聚类系数(C_(p))、特征路径长度(L_(p))、全局效率(E_(g))和局部效率(E_(L))。结果表明:与正常睡眠状态运动后相比,受试者在睡眠剥夺状态下完成运动后的脑功能网络中δ和θ频段的C_(p)、L_(p)和E_(L)显著升高(P<0.05),θ频段的E_(g)显著降低(P<0.05);α1频段的C_(p)和E_(L)显著升高(P<0.05),L_(p)和E_(g)显著降低(P<0.05)。结果说明睡眠不足将导致大脑工作效率降低且信息传递速度变慢进而影响运动表现。

基于HFD和LZC特征联合的单通道静息态脑电抑郁症识别研究

目前抑郁症的临床诊断多以医生经验和患者主观感受为主,主观性强、准确率低、耗时长。随着神经电生理学和计算机技术的发展,抑郁症的客观分类与识别成为可能。但是,已有的基于静息态脑电信号的抑郁症分类识别方法较为单一,脑电特征选取的精准性、综合性和有效性有待进一步探究。本文在设计包含两种模态实验范式的基础上,提出一种基于HFD和LZC特征联合的单通道静息态脑电抑郁症分类识别方法,以期用较少的特征获得较高的分类准确率。首先采集8名抑郁患者和8名健康对照的静息态脑电信号;然后提取其非线性动力学特征参数HFD和LZC;最后将特征数据输入到非线性支持向量机模型中进行分类识别。结果表明,联合特征得到的灵敏度、特异性和分类正确率最高分别为98.12%、96.67%和95.10%,较单独HFD/LZC特征平均分别提高了23.05%、17.02%和19.29%。同时,模型主体部分仅耗时约12 s。研究结果对临床实践中抑郁症的识别和辅助诊断具有重要意义。

睡眠剥夺对注意定向网络功能连接的影响

目的探讨完全睡眠剥夺对注意定向网络功能连接的影响。方法 33名健康受试者参与36 h完全睡眠剥夺试验,分别在睡眠剥夺前后接受注意网络测试(attention network test, ANT)及静息态脑电图记录。以孤立有效相关(isolated effectivecoherence,iCoh)分析方法进行有效功能连接分析。结果与睡眠剥夺前比较,睡眠剥夺后个体的注意定向效应显著降低(t=2.7,P=0.017)。iCoh分析结果显示,在alpha和beta频率段的注意定向网络中多个脑区之间出现功能连接下降,包括双侧丘脑、双侧侧前扣带回,右侧后扣带回、双侧顶下小叶皮质等。其中顶下小叶与丘脑之间的有效连接同注意定向效应测定值呈显著负相关。结论睡眠剥夺损害了个体的注意定向功能,这可能与损害大脑注意定向网络,尤其是顶叶同丘脑的信息交互密切相关。

精神分裂症静息态下alpha活动和认知水平的相关性

目的探究精神分裂症患者静息状态下的alpha频段能量和认知水平的相关性。方法本研究选取22例精神分裂症患者及23例匹配的健康对照,通过中文版精神分裂症认知功能成套测验(MATRICS Consensus Cognitive Battery,MCCB)评估其认知功能,同时记录被试在睁眼和闭眼静息态下的脑电信号,比较两组在左侧额叶区(F3、F7)、右侧额叶区(F4、F8)、左侧中央区(T3、C3)、右侧中央区(T4、C4)、左后部脑区(T5、P3、O1)、右后部脑区(T6、P4、O2),以及中线Fz、CPz、Pz、Oz这4个位点的alpha相对功率,并探讨其与认知水平的相关性。结果除社会认知维度外,精神分裂症组在MCCB测验的其他各维度得分均显著低于正常对照(P<0.001)。在闭眼状态下,精神分裂症组全脑的alpha波相对功率均显著低于对照组(P<0.05);睁眼状态下,精神分裂症组的后部脑区,以及中线CPz、Pz、Oz电极alpha波相对功率均显著低于对照组(P<0.05)。在精神分裂症组,患者闭眼状态的所有脑区alpha波相对功率与其完成MCCB测评的总分,信息处理速度维度得分,推理和问题解决维度得分和言语学习与记忆维度得分均呈现正相关(P<0.05);患者睁眼状态的alpha波相对功率与其完成MCCB测评的总分,信息处理速度维度得分,言语学习与记忆维度得分均呈现正相关(P<0.05)。结论精神分裂症患者认知水平存在多维度损害,静息状态下alpha水平和患者信息处理速度,推理和问题解决及言语学习与记忆等认知能力存在正相关,提示静息状态下的alpha水平或可作为精神分裂症患者认知水平受损的生物学指标。

磁休克治疗对重度抑郁症患者脑功能网络的影响

目的 磁休克治疗(MST)是一种新兴的神经调节干预技术,在重度抑郁症(MDD)治疗中得到广泛应用,然而其抗抑郁机制尚不清楚。探索MST对不同疗效MDD患者脑功能网络的调控作用,对MST治疗的抗抑郁作用机制研究具有重要意义。方法 本文对18例MDD患者MST作用前后的静息态脑电进行记录,基于皮尔逊相关方法构建脑功能网络;应用复杂网络理论对比分析脑功能网络拓扑结构的改变;根据HDRS-17评分变化率进一步区分治疗有效组和无效组,对网络特征进行二次比较。结果 MST后,MDD患者的脑功能网络平均节点度、平均聚类系数和平均全局效率值均比治疗前显著升高,平均路径长度值显著降低,小世界属性显著增大;相比于治疗无效组,治疗有效组的脑功能网络特征参数变化量更大。结论 MST显著改变了MDD患者脑功能网络拓扑结构,对患者的脑功能网络具有一定的调制作用,这些结果为MST治疗的抗抑郁机制研究提供了实验支持和理论依据。

基于小波熵的数学认知下的脑电信号特性研究

为了区分正常人在数学认知刺激下的任务态和静态的脑电信号的复杂度差异,研究不同难易程度的数学认知的脑电信号的特点。对10名正常受试者(右利手)的16导联在安静状态下的自发脑电和数学认知刺激下的脑电信号进行小波熵分析。结果表明,安静状态下和任务状态下的小波熵值有明显不同,而且安静状态下的小波熵值要明显高于数学认知任务下的小波熵值,而且在两种不同难易程度的数学运算的认知刺激下,在难度低的数学认知刺激下的小波熵值要高于难度高的小波熵值。因此小波熵能够对正常人脑的安静状态和思考状态进行区分,同时能区分不同难易程度的数学认知任务下的脑电复杂度。

一种与N-Back诱发脑力疲劳相关的特异性脑电网络结构

探究脑力疲劳引起的静息态脑电网络结构的改变,以及体力疲劳的引入对脑力疲劳相关脑电网络的影响。分别以2-back实验和功率自行车诱发脑力、体力疲劳,采集10名被试脑力疲劳前后以及体脑疲劳前后4种状态下20个导联的静息脑电信号(EEG),进行偏定向相干因果性分析。对被试的脑电网络连接逐个进行威尔科克森符号秩检验,选择PDC值显著性大于阈值的连接赋为1,构建出二值化脑电网络。通过对疲劳前后脑电网络的比较与拆分计算,提取出一个N-back实验下与脑力疲劳相关的特异性脑电网络结构,该网络以额区的FP2导联为中枢节点,呈现出由全脑所有导联指向FP2的规律。在脑力疲劳和体脑疲劳两种疲劳状态下,该网络的连接形式基本保持一致,连接系数分别是4.060 3和4.142 1,没有发生显著改变,所以是一种相对独立、稳定并与脑力疲劳密切相关的功能网络。该方法和结果有望为研究脑力疲劳和探索体脑疲劳交互影响机制提供一个新的视角。