通过多模态 EEG-fNIRS 的复杂性分析检测阿尔茨海默症的工作记忆衰退

1.研究背景

阿尔茨海默病症(AD) 的特点是工作记忆 (WM)的衰退，这可以通过临床测试在早期阶段进行评估。脑电图 (EEG) 和功能性近红外光谱 (fNIRS)，可以在这些测试中使用。多模态EEG-fNIRS 可以测量大脑活动以及神经血管耦合 (NC) 并检测它们与 AD 相关的变化。基于信号复杂性的数据分析程序适用于在非结构化实验范式期间估计电和血流动力学大脑活动或共同的信息。这项研究评估了全头脑电图和额叶/前额叶皮层 fNIRS 的样本熵，以评估早期 AD 和健康对照 (HC) 在 WM 任务期间的大脑活动。此外，EEG 和 fNIRS 之间的条件熵被评估为 NC 的指标。

2.研究方法

2.1 被试

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

2.2 实验材料

视觉刺激包含Rey–Osterrieth范式（ROCF）所用图像和Raven渐进矩阵（RPM）。

2.3 实验流程

实验流程包括ROCF范式和RPM范式（图1）。在ROCF的模仿阶段，被试者需要复制描绘一个复杂的二维图形。随后进行RPM测试，被试者需要根据逻辑选择空缺部分应该补充的图形。最后进入ROCF的回忆阶段，被试者需要根据回忆再次画出在模仿阶段模仿过的图形。

图1. 实验范式流程。

2.4 数据采集和处理

EEG数据由128导脑电帽测量。频域 NIRS 系统（Imagent，ISS Inc.，Champaign，IL，USA）用于光学。频域 NIRS 系统（Imagent，ISS Inc.，Champaign，IL，USA）用于光学测量。该系统提供了 32 个激光二极管源（16 个发射波长为 690 nm，16 个发射波长为 830 nm）和 4 个光电倍增管 (PMT) 检测器。来源是时分复用以防止它们的串扰。采样率为 10.42 Hz。采样率为 10.42。探测器通过自制的光学贴片位于额叶和前额叶皮质上，位于EEG帽上（图2）。

图2. EEG电极和fNIRS检测器分布。

3.实验结果

3.1 AD组和HC组在完成ROCF和RPM范式时的EEG和fNIRS数据

表1显示了比较AD组和HC组的不同脑活动数据时的t-test结果。

表1. 测试阶段每种试次的准确率和反应时长

3.2 利用机器学习根据EEG和fNIRS数据分类人群

图3、4、5分别显示了机器学习根据ROCF模仿阶段、RPM范式、和ROCF回忆阶段分类的结果。

图3. 机器学习根据ROCF模仿阶段分类的结果。

图4. 机器学习根据RPM范式分类的结果

图5. 机器学习根据ROCF回忆阶段分类的结果

4.结论

五个 EEG 波段和两个血红蛋白 fNIRS 信号（即 O2Hb 和 HHb）的全局样本熵，以及两者之间的条件熵，证明了在执行工作记忆任务期间区分 AD 和 HC 的方法的有效性。基于一般线性模型评估的复杂性指标的多变量分析提供了对疾病的良好分类。这些结果虽然是初步的，但似乎证实了 AD 可能导致脑电活动和神经血管耦合失调的假设，这可能在临床实践中用于支持早期 AD 诊断。

5.文献名称及DOI号

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