脑电非线性动力学特征指标自动定量方法在阿尔茨海默病早期诊断中的应用研究

Alzheimer's disease(AD) is the most common form of dementia and the most common brain disease for the elderly. However, currently, there is no effective therapy method for it yet. Mild Congnitive Impair(MCI)is regarded as the key period to prevent and control AD. EEG is an inexpensive and non-invasive tool for brain functional research and diagnosis of brain diseases. In recent years, Nonlinear dynamical analysis of EEG signals has received much attention, and many researches find that nonlinear dynamical features of EEG are helpful for the diagnosis of AD. With the rapid increase of elderly population, the number of AD will increase year by year. Therefore,it is very important to design and develop nonlinear dynamical analysis algorithm for diagnosis of AD from EEG signals. This research try to achieve quantitative analysis of nonlinear dynamical features of EEG signals using multidisciplinary theoretical knowledge and methods, and aims to classify MCI and AD from normal aging using Support Vector Machine(SVM). The results will not only promote the application of nonlinear dynamical analysis from EEG signals to clinical diagnosis of AD, but also provide reference for early diagnosis of AD.

阿尔茨海默病是一种最常见的发生在老年人中的脑部疾病，也是最常见的痴呆类型，但目前临床上还没有特效的治疗方法。轻度认知功能障碍被认为是预防和控制阿尔茨海默病发生的关键阶段。脑电图是目前临床上研究大脑功能活动和脑疾病诊断的一种经济、无创的检查手段。近年来，大量学者将非线性动力学分析方法应用于阿尔茨海默病的脑电研究，发现脑电信号的非线性动力学特征指标能够反映患者的认知功能损害程度。随着我国人口老龄化进程的加速，阿尔茨海默病的发病率逐年增加。因此，设计和开发脑电的非线性动力学特征指标自动定量算法，实现阿尔茨海默病的早期诊断和干预具有重要的科学意义和临床应用价值。本项目拟综合运用多学科的理论知识和方法，开展脑电非线性动力学特征指标自动定量方法研究，基于支持向量机方法实现轻度认知功能障碍和阿尔茨海默病分类识别的目的。研究成果将推动脑电非线性动力学研究向临床应用的转化，为阿尔茨海默病的早期诊断提供参考。

随着我国人口老龄化进程的加快，阿尔兹海默病（Alzheimer's Disease, AD）的发病率逐年增加，但目前临床上还没有特效的的治疗方法。轻度认知功能障碍（Mild Cognitive Impairment, MCI）被认为是预防和控制AD发生的关键阶段。本项目的主要研究工作包括：为了提高老年人群的认知功能自我保健意识，设计和开发了一款面向老年人群进行认知功能评估、保健及AD疾病预防的家用软件，并基于该软件设计了一款家用的认知功能测试机；采集了正常老年人、AD和MCI三组受试者的脑电数据，使用快速独立分量分析算法(Fast Independent Component Analysis，FastICA) 去除脑电信号中的眼电和肌电伪迹，实现了脑电信号伪迹的自动滤除，然后对这些数据分别进行了频域和时域分析，对比研究了各组受试者脑电数据各频段的功率谱信息和脑电地形图；用小波包变换对采集的脑电数据进行预处理，把小波分析算法和非线性动力学分析方法相结合用于处理和分析EEG数据,对现有的非线性动力学指标的理论计算方法进行了比较和分析，对预处理后三组脑电数据的关联维数、Lempel-Ziv复杂度、Lyapunov 指数和近似熵四个非线性动力学指标的数值进行定量计算，设计和开发了脑电的非线性动力学特征指标自动定量方法; 对三组脑电数据的非线性动力学指标数值进行统计分析，研究了脑电非线性动力学特征指标自动定量方法在AD早期诊断和干预中的临床应用价值。本研究已完成计划的主要研究内容，研究结果表明脑电非线性动力学分析能够在早期对脑功能的改变进行客观的判断，对 AD的临床诊断敏感性和特异性要优于MCI，能为临床AD的辅助诊断、治疗和康复监测提供科学依据。