杜欣 1,2 , 李嘉慧 1,2 , 熊冬生 1,2 , 潘智林 1,2 , 吴逢春 2,3 , 宁玉萍 2,3 , 陈军 4,5 , 吴凯 1,2,3,4,5
  • 1. 华南理工大学 材料科学与工程学院 生物医学工程系(广州 510006);
  • 2. 广东省精神疾病转化医学工程技术研究中心(广州 510370);
  • 3. 广州市惠爱医院 广州医科大学附属脑科医院(广州 510370);
  • 4. 广东省老年痴呆诊断与康复工程技术研究中心(广州 510500);
  • 5. 国家医疗保健器具工程技术研究中心(广州 510500);
导出 下载 收藏 扫码 引用

认知功能损害是精神分裂症的三大原发症状之一,在疾病早期发现和高危人群风险预警等方面具有重要价值。为了研究精神分裂症患者在认知负载状态下的脑电图特异性,本试验收集 17 例精神分裂症患者和 19 例健康受试者的脑电信号作为对照,基于小波变换提取各频段信号,计算非线性动力学及脑功能网络属性等特征,并利用机器学习算法将两类人群进行自动分类分析。试验结果表明,两组受试者在认知负载状态下,Fp1 和 Fp2 导联在 α、β、θ、γ 这 4 个频带的关联维数和样本熵的差异均具有统计学意义,提示大脑额叶功能损伤是精神分裂症认知功能损害的重要原因。进一步基于机器学习的自动分类分析结果表明,将非线性动力学与脑功能网络属性相结合作为分类器的输入特征,所得分类效果最优,其结果显示准确率为 76.77%、敏感度为 72.09%、特异性为 80.36%。本研究结果表明,脑电信号的非线性动力学和脑功能网络属性等特征,或可作为精神分裂症早期筛查和辅助诊断的潜在生物标记物。

引用本文: 杜欣, 李嘉慧, 熊冬生, 潘智林, 吴逢春, 宁玉萍, 陈军, 吴凯. 认知负载状态下的精神分裂症患者脑电图特异性研究. 生物医学工程学杂志, 2020, 37(1): 45-53. doi: 10.7507/1001-5515.201810007 复制

  • 上一篇

    基于动态偏定向相干的运动想象因效性网络分析
  • 下一篇

    音乐神经反馈改善大学生阈下抑郁状态研究