临床前轻度认知障碍脑电信号的耦合同步特征提取与分类研究

The newest studies suggested that the abnormalities of the interaction between cortical neural network were main performances of the occurrence and development of preclinical mild cognitive impairment (Pre-MCI), and the result provides new opportunities for the diagnosis of the disease. Reliably extracting local coupling and global synchronization characteristics of scalp EEG signals and the sourcing cerebral cortex EEG signals, and designing the classifier matching effectively with the characteristics, is the key problem in diagnosing Pre-MCI. For the existed problem of higher dimension after extracting features of coupling strength and direction between two channels from multiple brain regions of subjects, this project plans to improve permutation conditional mutual information with the help of linear discriminant analysis; considering that the analysis of Pre-MCI EEG signal showed higher request on the calculation accuracy of global synchronization method, this project intends to explore the synchronization method named conditional global coupling index; on account of the fact that current classification methods can not meet the clinical diagnostic requirements of subjects effectively, the project plans to explore the probabilistic discriminative fast learning network method; combining with clinical data, and integrating the methods of coupling, synchronization feature extraction and classification, use them to analyze the EEG signals of Pre-MCI and control groups, compare the performance of these algorithms, and verify the clinical value of the algorithms. The project will establish the technical foundation for the diagnosis of Pre-MCI, and help us to further understand the physiological mechanism of Pre-MCI.

最新研究表明大脑皮质神经网络间相互作用的异常是临床前轻度认知障碍发生和发展的主要表现，这为研究该疾病的诊断提供了新机遇。可靠地提取头皮脑电信号以及溯源后脑皮层脑电信号的局部耦合与全局同步特征并设计与之有效搭配的分类器，是诊断临床前轻度认知障碍的关键问题。本项目针对被试者多脑区两两通道耦合强度与方向特征提取后存在维数偏高的问题，拟借助线性判别分析改进排序条件互信息方法；考虑到被试者脑电信号的分析对全局同步方法的计算准确度存在较高的要求，拟研究条件全局耦合指数同步方法；由于当前分类方法无法有效满足被试者临床诊断的需求，拟探索概率判决快速学习网方法；结合临床数据，集成耦合、同步特征提取与分类方法，将他们用于临床前轻度认知障碍及对照组脑电信号的分析，并比较这些算法的性能，验证算法的临床价值。该项目的开展，将为研究临床前轻度认知障碍的诊断奠定技术基础，有助于深入理解临床前轻度认知障碍的生理机制。

最新的研究表明大脑皮质神经网络间异常的相互作用是轻度认知障碍临床前期等多个阶段发生和发展的主要表现，这为研究临床前轻度认知障碍的诊断提供了新机遇。如何可靠地解决轻度认知障碍临床前期等多个阶段的脑电信号、功能性核磁共振成像、功能性近红外光谱等神经信息的耦合同步特征提取与分类问题，是诊断临床前轻度认知障碍的关键问题。本项目不仅深入分析了患者脑电信号等神经信息的功能连接特征提取、脑网络特征提取与分析方法，并提出了四种与本课题直接相关的特征提取新算法，最高能取得98.11%的分类准确度。具体而言，针对被试者多脑区两两通道耦合强度与方向特征提取后存在维数偏高的问题，提出基于多维排序条件互信息的耦合特征提取方法；考虑到脑网络能更加准确地反映大脑的耦合同步动力学活动，提出了基于级联的全局系数阈值网络特征分析方法、基于排序条件互信息的耦合网络属性分析方法；考虑到每个通道脑电信号对应的脑区分布在大脑不同的区域，提出了基于多光谱图像的脑电信号特征提取方法。为了分别提高轻度认知障碍临床前期等多个阶段与正常对照组的分类性能，本项目深入分析了患者的脑电信号特征分类方法与稀疏特征分类方法，提出了四种与本课题直接相关的特征分类新算法：基于排序条件互信息与快速学习网的分类组合方法、基于主成分分析约束的平均最优分界面距离分类器模型融合算法、基于视野拓展卷积神经网络的轻度认知障碍脑电信号分类方法、基于双输入自编码器卷积神经网络模型的深度学习分类方法，这些新分类器最高能取得98%的分类性能。该项目的开展有助于提升轻度认知障碍临床前期等多个阶段患者脑电信号等神经信息特征提取与分类方法的整体性能，为研究患者大脑多个区域之间的耦合同步特征提取与分类提供新思路，为各阶段认知障碍的诊断提供了技术基础。这些算法均用临床数据验证了自身的合理性以及性能。因此本项目具有较好的临床应用价值。