認知功能損害是精神分裂癥的三大原發(fā)癥狀之一,在疾病早期發(fā)現(xiàn)和高危人群風險預警等方面具有重要價值。為了研究精神分裂癥患者在認知負載狀態(tài)下的腦電圖特異性,本試驗收集17例精神分裂癥患者和19例健康受試者的腦電信號作為對照,基于小波變換提取各頻段信號,計算非線性動力學及腦功能網(wǎng)絡屬性等特征,并利用機器學習算法將兩類人群進行自動分類分析。試驗結果表明,兩組受試者在認知負載狀態(tài)下,Fp1和Fp2導聯(lián)在α、β、θ、γ這4個頻帶的關聯(lián)維數(shù)和樣本熵的差異均具有統(tǒng)計學意義,提示大腦額葉功能損傷是精神分裂癥認知功能損害的重要原因。進一步基于機器學習的自動分類分析結果表明,將非線性動力學與腦功能網(wǎng)絡屬性相結合作為分類器的輸入特征,所得分類效果最優(yōu),其結果顯示準確率為76.77%、敏感度為72.09%、特異性為80.36%。本研究結果表明,腦電信號的非線性動力學和腦功能網(wǎng)絡屬性等特征,或可作為精神分裂癥早期篩查和輔助診斷的潛在生物標記物。 

【文章來源】：生物醫(yī)學工程學雜志. 2020,37(01)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

腦功能網(wǎng)絡構建流程圖

根據(jù)上述方法構建分類模型，使用的數(shù)據(jù)集為計算得到的腦電信號非線性動力學特征值和腦網(wǎng)絡屬性特征值。并采用敏感度、特異性和準確率這三個指標評價自動分類結果。依據(jù)自動分類結果，繪制了受試者工作特征（receiver operating characteristic,ROC）曲線，用以綜合反映敏感度和特異性連續(xù)變量。通過使用不同的數(shù)據(jù)集進行分類得到不同的結果，其ROC曲線如圖4所示。通過將兩種類型的指標納入數(shù)據(jù)集進行分類得到的結果為最優(yōu)解，結果為準確率76.77%、敏感度72.09%和特異性80.36%，總體看來可以取得較好的分類效果。圖4 各自動分類結果對應的ROC曲線

圖3 全局效率與MCCB評分相關性在用SVM兩組人群進行分類時，分類權重最大的10個特征值依次為：γ頻帶Fp2導聯(lián)樣本熵、γ頻帶Fp1導聯(lián)樣本熵、F4導聯(lián)節(jié)點度值、T3導聯(lián)節(jié)點度值、全局效率、γ頻帶Fp2導聯(lián)關聯(lián)維數(shù)、γ頻帶Fp1導聯(lián)關聯(lián)維數(shù)、θ頻帶Fp2導聯(lián)樣本熵、α頻帶Fp1導聯(lián)樣本熵和聚類系數(shù)。這一結果也驗證了前額皮質(zhì)區(qū)域和γ頻帶在認知功能上的重要作用。

【參考文獻】：
期刊論文
[1]首發(fā)兒童精神分裂癥患者病前行為特征與病后認知功能的關系[J]. 朱俊敬,郭素芹.  新鄉(xiāng)醫(yī)學院學報. 2018(11)



本文編號：3611662