认知负载状态下的精神分裂症患者脑电图特异性研究

发布时间：2022-01-27 03:23

　　认知功能损害是精神分裂症的三大原发症状之一,在疾病早期发现和高危人群风险预警等方面具有重要价值。为了研究精神分裂症患者在认知负载状态下的脑电图特异性,本试验收集17例精神分裂症患者和19例健康受试者的脑电信号作为对照,基于小波变换提取各频段信号,计算非线性动力学及脑功能网络属性等特征,并利用机器学习算法将两类人群进行自动分类分析。试验结果表明,两组受试者在认知负载状态下,Fp1和Fp2导联在α、β、θ、γ这4个频带的关联维数和样本熵的差异均具有统计学意义,提示大脑额叶功能损伤是精神分裂症认知功能损害的重要原因。进一步基于机器学习的自动分类分析结果表明,将非线性动力学与脑功能网络属性相结合作为分类器的输入特征,所得分类效果最优,其结果显示准确率为76.77%、敏感度为72.09%、特异性为80.36%。本研究结果表明,脑电信号的非线性动力学和脑功能网络属性等特征,或可作为精神分裂症早期筛查和辅助诊断的潜在生物标记物。 

【文章来源】：生物医学工程学杂志. 2020,37(01)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

脑功能网络构建流程图

根据上述方法构建分类模型，使用的数据集为计算得到的脑电信号非线性动力学特征值和脑网络属性特征值。并采用敏感度、特异性和准确率这三个指标评价自动分类结果。依据自动分类结果，绘制了受试者工作特征（receiver operating characteristic,ROC）曲线，用以综合反映敏感度和特异性连续变量。通过使用不同的数据集进行分类得到不同的结果，其ROC曲线如图4所示。通过将两种类型的指标纳入数据集进行分类得到的结果为最优解，结果为准确率76.77%、敏感度72.09%和特异性80.36%，总体看来可以取得较好的分类效果。图4 各自动分类结果对应的ROC曲线

图3 全局效率与MCCB评分相关性在用SVM两组人群进行分类时，分类权重最大的10个特征值依次为：γ频带Fp2导联样本熵、γ频带Fp1导联样本熵、F4导联节点度值、T3导联节点度值、全局效率、γ频带Fp2导联关联维数、γ频带Fp1导联关联维数、θ频带Fp2导联样本熵、α频带Fp1导联样本熵和聚类系数。这一结果也验证了前额皮质区域和γ频带在认知功能上的重要作用。

【参考文献】：
期刊论文
[1]首发儿童精神分裂症患者病前行为特征与病后认知功能的关系[J]. 朱俊敬,郭素芹.  新乡医学院学报. 2018(11)



本文编号：3611662