超越频段:辅助组合-实证-模式-分解-增强微态序列非随机性分析,以帮助诊断和认知预测痴呆症

科学领域:

• 神经科学是一个神经科学.
• 生物物理学的生物物理.
• 数据科学数据科学数据科学

背景情况:

• 在多通道脑电图 (EEG) 中解释时空空间动态模式对于理解痴呆症和认知衰退至关重要.
• 微态分析提供了大脑皮层电场模式的离散近似,这对于描述EEG动态至关重要.

研究的目的:

• 为了引入一个新的微态时空动态指标,微态序列非随机性指数 (MSNRI).
• 评估MSNRI在区分健康对照 (HC) 和前性痴呆症 (FTD) 或阿尔茨海默病 (AD) 患者之间的有效性.
• 评估CEEMD增强的MSNRI在预测认知分数方面的实用性.

主要方法:

• 使用微态分析分析分析了EEG数据,以生成微态过渡模式的序列.
• 基于信息的相似性分析被用来评估这些微态模式的非随机性.
• 整合了补充集体实证模式分解 (CEEMD),以探索特定频率尺度上的微态动态.

主要成果:

• 该MSNRI指标有效地区分HC和FTD (p <0.01) 以及HC和AD (p <0.001).
• 与痴呆症组相比,健康个体表现出更复杂,非随机的时空微状态模式,而痴呆症组显示出更多的随机模式.
• 用CEEMD增强的MSNRI显著提高了迷你精神状态检查 (MMSE) 评分的预测准确性 (R2 = 0.940).

结论:

• 该MSNRI是区分痴呆症和健康认知状态的潜在生物标志物.
• 痴呆症与EEG微态时空动态中的随机性增加有关.
• 经CEEMD改进的MSNRI为分析EEG微状态转换及其与痴呆症认知功能的关系提供了强大的工具.