阿尔茨海默病和前性痴呆症的时间频率功能连接性改变:使用机器学习的EEG分析

科学领域:

• 神经科学是一个神经科学.
• 生物标志物发现发现
• 神经退行性疾病 神经退行性疾病

背景情况:

• 阿尔茨海默病 (AD) 和前性痴呆症 (FTD) 是主要的神经退行性疾病.
• 改变的大脑功能连接 (FC) 是AD和FTD的标志.
• 全球超过1亿人受到这些条件的影响.

研究的目的:

• 为了确定不同的FC模式作为潜在的生物标志物用于AD和FTD的差异诊断.
• 通过使用先进的EEG分析,研究AD和FTD中独特的网络变化.

主要方法:

• 分析了来自AD患者,FTD患者和健康对照者的静止电脑图 (EEG) 数据.
• 使用皮尔森的相关性,相互信息和相位滞后指数计算了时间频率和带宽过FC指标.
• 一个支持向量机 (SVM) 带有Leave-One-Out交叉验证被用来进行分类.

主要成果:

• 无论是AD还是FTD,都显示前部甲基频段的FC降低,后部β频段的FC增加.
• 与FTD相比,AD独特地表现出与FTD相比,中央达频段的FC降低.
• SVM实现了很高的分类准确度:95%的AD和86%的FTD.

结论:

• 改变的FC模式可以作为区分AD和FTD的可靠生物标志物.
• 这项研究通过整合各种FC指标,为神经退行性病理提供了新的见解.
• 这些发现突出了改善神经退行性疾病诊断的潜力.