基于EEG的大脑功能网络分析,以差异识别与痴呆相关的疾病及其发病

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 医疗成像医学成像

背景情况:

• 诊断痴呆症和轻度认知障碍 (MCI) 是复杂的,因为各种病理和重叠的症状.
• 早期发现MCI至关重要,因为它可能是痴呆症的前身,但将其与后期阶段区分开来是具有挑战性的.
• 了解痴呆相关疾病的病理生理机制需要先进的分析方法.

研究的目的:

• 通过对电脑电图 (EEG) 数据的复杂网络视角来调查与痴呆相关的疾病.
• 识别和分析与痴呆和MCI相关的基于EEG的大脑功能网络 (BFNs).
• 应用图形理论和机器学习来提高诊断能力.

主要方法:

• 利用脑电图 (EEG) 数据通过相滞后指数 (PLI) 构建大脑功能网络 (BFNs).
• 实施了数据驱动的值选择技术,用于严格的网络分析.
• 采用复杂的网络测量 (富俱乐部,过渡性,分类性) 和图形卷积网络 (GCN-net) 来进行分类.

主要成果:

• 图形理论指标有效地区分了MCI,阿尔茨海默病 (AD) 和血管痴呆症 (VD).
• 该GCN-net模型实现了高分类准确性 (95.07%在delta,80.62%在theta频段).
• 高F1分数 (0.92德尔塔,0.67西塔) 表明该模型在识别痴呆症亚型方面的有效性.

结论:

• 用复杂网络测量和GCN-net分析的基于EEG的BFN显示出诊断痴呆和MCI的巨大潜力.
• 这种方法为了解神经退行性疾病中的神经相互作用提供了一种定量和统计学上可靠的方法.
• 这些发现强调了图形理论和机器学习在促进早期发现和区分痴呆症亚型方面的实用性.