使用节奏功率变化和相位差异诊断阿尔茨海默氏病:低密度EEG研究

科学领域:

• 神经科学是一个神经科学.
• 医疗技术 医疗技术 医学技术

背景情况:

• 阿尔茨海默氏病 (AD) 诊断需要可访问的工具,因为疾病修饰治疗出现了.
• 电脑电图 (EEG) 是一种具有成本效益的,非侵入性的神经成像技术.
• 对于AD的EEG生物标志物并没有完全理解有限的电极.

研究的目的:

• 用低密度EEG来调查阿尔茨海默病 (AD) 的病理特征.
• 在休息条件下,与健康对照组 (HC) 相比,评估AD患者的EEG变化.
• 为了评估结合闭眼 (EC) 和开眼 (EO) EEG数据用于AD分类的实用性.

主要方法:

• 在EC和EO静止状态期间从26名AD患者和29名HC患者收集了低密度EEG数据.
• 分析的功率频谱,相锁值 (PLV),加权滞后相指数 (wPLI) 和theta/beta频率合.
• 应用机器学习 (支持矢量机器 - SVM) 用于跨组分类.

主要成果:

• 在EC状态下,AD患者的α功率下降,theta带连接性改变.
• 在EC期间在AD观察到的额头和中心的theta/beta频率合增加.
• 在EO条件中没有发现显著的群体差异.
• 结合EC和EOEEG的特性显著提高了使用SVM的AD分类准确性.

结论:

• 来自静止状态范式的低密度EEG数据显示了AD识别的潜力.
• 结合EC和EO条件,为区分AD队列提供了补充信息.
• 机器学习技术提高了使用EEG数据对阿尔茨海默病的分类.