01

 研究背景

阿爾茨海默病癥(AD) 的特點是工作記憶 (WM)的衰退，這可以通過臨床測試在早期階段進行評估。腦電圖 (EEG) 和功能性近紅外光譜 (fNIRS)，可以在這些測試中使用。多模態EEG-fNIRS 可以測量大腦活動以及神經血管耦合 (NC) 并檢測它們與 AD 相關的變化。基于信號復雜性的數據分析程序適用于在非結構化實驗范式期間估計電和血流動力學大腦活動或共同的信息。這項研究評估了全頭腦電圖和額葉/前額葉皮層 fNIRS 的樣本熵，以評估早期 AD 和健康對照 (HC) 在 WM 任務期間的大腦活動。此外，EEG 和 fNIRS 之間的條件熵被評估為 NC 的指標。
 

02

研究方法
 

2.1、被試

研究共有35名有效被試，其中AD患者17人（女性9人，平均年齡67.6歲），HC 18人（女性9人，平均年齡69.2歲）。
 

2.2、實驗材料

視覺刺激包含Rey–Osterrieth范式（ROCF）所用圖像和Raven漸進矩陣（RPM）。
 

2.3、實驗過程

實驗流程包括ROCF范式和RPM范式（圖1）。在ROCF的模仿階段，被試者需要復制描繪一個復雜的二維圖形。隨后進行RPM測試，被試者需要根據邏輯選擇空缺部分應該補充的圖形。最后進入ROCF的回憶階段，被試者需要根據回憶再次畫出在模仿階段模仿過的圖形。

圖1. 實驗范式流程。
 

2.4、數據采集和處理

EEG數據由128導腦電帽測量。頻域 NIRS 系統（Imagent，ISS Inc.，Champaign，IL，USA）用于光學。頻域 NIRS 系統（Imagent，ISS Inc.，Champaign，IL，USA）用于光學測量。該系統提供了 32 個激光二極管源（16 個發射波長為 690 nm，16 個發射波長為 830 nm）和 4 個光電倍增管 (PMT) 檢測器。來源是時分復用以防止它們的串擾。采樣率為 10.42 Hz。探測器通過自制的光學貼片位于額葉和前額葉皮質上，位于EEG帽上（圖2）。

 圖2. EEG電極和fNIRS檢測器分布。
 

03

研究結果
 

3.1、AD組和HC組在完成ROCF和RPM范式時的EEG和fNIRS數據

表1顯示了比較AD組和HC組的不同腦活動數據時的t-test結果。

表1. 測試階段每種試次的準確率和反應時長。
 

3.2、利用機器學習根據EEG和fNIRS數據分類人群

圖3、4、5分別顯示了機器學習根據ROCF模仿階段、RPM范式、和ROCF回憶階段分類的結果。

圖3. 機器學習根據ROCF模仿階段分類的結果。

圖4. 機器學習根據RPM范式分類的結果。

圖5. 機器學習根據ROCF回憶階段分類的結果。

04

結論

五個 EEG 波段和兩個血紅蛋白 fNIRS 信號（即 O2Hb 和 HHb）的全局樣本熵，以及兩者之間的條件熵，證明了在執行工作記憶任務期間區分 AD 和 HC 的方法的有效性。基于一般線性模型評估的復雜性指標的多變量分析提供了對疾病的良好分類。這些結果雖然是初步的，但似乎證實了 AD 可能導致腦電活動和神經血管耦合失調的假設，這可能在臨床實踐中用于支持早期 AD 診斷。

Perpetuini, D., Chiarelli, A.M., Filippini, C., Cardone, D., Croce, P., Rotunno, L., Anzoletti, N., Zito, M., Zappasodi, F. and Merla, A., 2020. Working memory decline in alzheimer’s disease is detected by complexity analysis of multimodal EEG-FNIRS. Entropy, 22(12), p.1380.

DOI:10.3390/e22121380