01

 研究背景

阿爾茨海默病癥(AD) 的特點(diǎn)是工作記憶 (WM)的衰退，這可以通過臨床測(cè)試在早期階段進(jìn)行評(píng)估。腦電圖 (EEG) 和功能性近紅外光譜 (fNIRS)，可以在這些測(cè)試中使用。多模態(tài)EEG-fNIRS 可以測(cè)量大腦活動(dòng)以及神經(jīng)血管耦合 (NC) 并檢測(cè)它們與 AD 相關(guān)的變化。基于信號(hào)復(fù)雜性的數(shù)據(jù)分析程序適用于在非結(jié)構(gòu)化實(shí)驗(yàn)范式期間估計(jì)電和血流動(dòng)力學(xué)大腦活動(dòng)或共同的信息。這項(xiàng)研究評(píng)估了全頭腦電圖和額葉/前額葉皮層 fNIRS 的樣本熵，以評(píng)估早期 AD 和健康對(duì)照 (HC) 在 WM 任務(wù)期間的大腦活動(dòng)。此外，EEG 和 fNIRS 之間的條件熵被評(píng)估為 NC 的指標(biāo)。
 

02

研究方法
 

2.1、被試

研究共有35名有效被試，其中AD患者17人（女性9人，平均年齡67.6歲），HC 18人（女性9人，平均年齡69.2歲）。
 

2.2、實(shí)驗(yàn)材料

視覺刺激包含Rey–Osterrieth范式（ROCF）所用圖像和Raven漸進(jìn)矩陣（RPM）。
 

2.3、實(shí)驗(yàn)過程

實(shí)驗(yàn)流程包括ROCF范式和RPM范式（圖1）。在ROCF的模仿階段，被試者需要復(fù)制描繪一個(gè)復(fù)雜的二維圖形。隨后進(jìn)行RPM測(cè)試，被試者需要根據(jù)邏輯選擇空缺部分應(yīng)該補(bǔ)充的圖形。最后進(jìn)入ROCF的回憶階段，被試者需要根據(jù)回憶再次畫出在模仿階段模仿過的圖形。

圖1. 實(shí)驗(yàn)范式流程。
 

2.4、數(shù)據(jù)采集和處理

EEG數(shù)據(jù)由128導(dǎo)腦電帽測(cè)量。頻域 NIRS 系統(tǒng)（Imagent，ISS Inc.，Champaign，IL，USA）用于光學(xué)。頻域 NIRS 系統(tǒng)（Imagent，ISS Inc.，Champaign，IL，USA）用于光學(xué)測(cè)量。該系統(tǒng)提供了 32 個(gè)激光二極管源（16 個(gè)發(fā)射波長為 690 nm，16 個(gè)發(fā)射波長為 830 nm）和 4 個(gè)光電倍增管 (PMT) 檢測(cè)器。來源是時(shí)分復(fù)用以防止它們的串?dāng)_。采樣率為 10.42 Hz。探測(cè)器通過自制的光學(xué)貼片位于額葉和前額葉皮質(zhì)上，位于EEG帽上（圖2）。

 圖2. EEG電極和fNIRS檢測(cè)器分布。
 

03

研究結(jié)果
 

3.1、AD組和HC組在完成ROCF和RPM范式時(shí)的EEG和fNIRS數(shù)據(jù)

表1顯示了比較AD組和HC組的不同腦活動(dòng)數(shù)據(jù)時(shí)的t-test結(jié)果。

表1. 測(cè)試階段每種試次的準(zhǔn)確率和反應(yīng)時(shí)長。
 

3.2、利用機(jī)器學(xué)習(xí)根據(jù)EEG和fNIRS數(shù)據(jù)分類人群

圖3、4、5分別顯示了機(jī)器學(xué)習(xí)根據(jù)ROCF模仿階段、RPM范式、和ROCF回憶階段分類的結(jié)果。

圖3. 機(jī)器學(xué)習(xí)根據(jù)ROCF模仿階段分類的結(jié)果。

圖4. 機(jī)器學(xué)習(xí)根據(jù)RPM范式分類的結(jié)果。

圖5. 機(jī)器學(xué)習(xí)根據(jù)ROCF回憶階段分類的結(jié)果。

04

結(jié)論

五個(gè) EEG 波段和兩個(gè)血紅蛋白 fNIRS 信號(hào)（即 O2Hb 和 HHb）的全局樣本熵，以及兩者之間的條件熵，證明了在執(zhí)行工作記憶任務(wù)期間區(qū)分 AD 和 HC 的方法的有效性�；�于一般線性模型評(píng)估的復(fù)雜性指標(biāo)的多變量分析提供了對(duì)疾病的良好分類。這些結(jié)果雖然是初步的，但似乎證實(shí)了 AD 可能導(dǎo)致腦電活動(dòng)和神經(jīng)血管耦合失調(diào)的假設(shè)，這可能在臨床實(shí)踐中用于支持早期 AD 診斷。

Perpetuini, D., Chiarelli, A.M., Filippini, C., Cardone, D., Croce, P., Rotunno, L., Anzoletti, N., Zito, M., Zappasodi, F. and Merla, A., 2020. Working memory decline in alzheimer’s disease is detected by complexity analysis of multimodal EEG-FNIRS. Entropy, 22(12), p.1380.

DOI:10.3390/e22121380