《Frontiers in Human Neuroscience》:Feasibility of EEG-based machine learning for the objective assessment of non-Strabismic binocular vision dysfunction
编辑推荐:
这篇原创性研究探讨了将脑电图与机器学习相结合,作为评估非斜视性双眼视功能异常的一种客观辅助方法的可行性。研究发现,患者在执行视近融合任务时,表现出枕区视觉皮层活动减弱、额区活动代偿性增强的特定神经模式,利用这些特征训练的线性支持向量机模型可达到76.67%的分类准确率。研究表明,这些神经特征可作为潜在的生物标记物,为这种长期依赖主观症状诊断的疾病提供了客观的量化评估新思路。
在当今信息技术飞速发展的时代,人们长时间进行阅读、上网等近距离视觉工作,显著增加了视觉负荷。非斜视性双眼视功能异常的发生率逐年升高,影响着约18%的普通人群。这类患者常伴有头痛、视物模糊、聚焦困难等症状。然而,其诊断目前主要依赖于上述非特异性症状和视功能检查结果,容易受到患者主观描述和医生临床经验的影响,且确诊过程通常耗时较长。因此,临床上迫切需要一种有效、快速的客观诊断方法。
虽然该疾病的行为表现已有较多记载,但其神经机制的研究相对较少,且现有文献多集中于斜视和弱视。NSBVD患者与斜视患者不同,他们因集合系统脆弱而需不断努力维持双眼对齐。这表明其神经特征可能表现为低效的皮层募集或神经疲劳迹象,而非单纯的信号抑制或丢失。为了探索这一问题,本试点研究提出了一种结合脑电图(EEG)分析与机器学习的方法。
材料与方法
研究在大连医科大学附属第一医院进行,共招募了30名参与者,平均分为NSBVD患者组和性别、年龄匹配的健康对照组。所有参与者均满足相关纳入和排除标准。实验采用红绿可变矢量图作为视觉刺激,以触发双眼的集合和散开运动。参与者需佩戴红绿眼镜,并按指示以约每秒2个棱镜度的速度拉动红/绿色卡片,直至视标分裂(即复视点),并立即报告,从而记录集合/散开破裂点。实验全程通过32通道电极帽采集EEG信号。
EEG分析流程包括四个部分:数据预处理、脑地形图分析、基于小波的时频分析和不同节律功率的统计分析。预处理使用了MATLAB中的EEGLAB工具箱,包括重参考、滤波、坏道插值和独立成分分析去除伪迹。随后,将数据分割并与特定行为事件(运动起始点和融合破裂点)锁时,以生成组级平均波形、脑地形图以及时频谱图。统计分析则通过非参数化的基于聚类的置换检验,来评估两组在θ、α和β频段功率的差异。
为了评估识别出的脑信号在辅助诊断中的潜力,本研究建立了一个机器学习分类框架。区别于使用所有通道和频段特征,本研究仅采用在置换检验中显示组间显著差异的感兴趣脑区和频段数据,以确保模型基于具有明确生物学意义的神经信号。研究采用了三种分类器:线性核支持向量机、线性判别分析和K近邻算法,并通过嵌套留一法交叉验证来评估模型性能。
结果
人口统计学与临床基线分析
两组在年龄和性别分布上无显著差异。在临床双眼视功能上,NSBVD组表现出特定缺陷,其集合近点(NPC)显著高于对照组,而正融像性集合(PFV)显著低于对照组。
预处理后EEG信号波形分析
通过对12个相关脑区电极(包括额、中央、顶、枕区)平均波形的视觉检查,发现了两组在神经激活模式上的明显差异。在集合和散开运动起始阶段,健康对照组在枕区和额区表现出明显的幅度调制,而NSBVD组的皮层反应则显著减弱。在接近融合破裂的阶段,健康对照组表现出持续的电位变化,而NSBVD组的波形显得更为平坦,缺乏这种渐进性的神经募集,暗示其维持融合的皮层资源可能提前耗尽或募集不足。
脑地形图分析
脑地形图揭示了组间神经极性的显著差异。在集合起始时,健康对照组在顶枕区表现出广泛的正激活,而NSBVD组则表现出持续的负电位。在散开起始时,NSBVD组呈现平坦的地形图,而健康对照组在接近破裂点时,额区和顶区表现出动态的激活增强。
小波时频分析
时频分析展示了与行为事件相关的振荡变化。在健康对照组,集合起始时呈现适度分布的频谱功率。在散开起始时,健康对照组在额区表现出增强的β频段功率。相比之下,NSBVD组在集合起始阶段特定脑区(如前部)出现了局部高功率爆发,在接近破裂点时,额区和顶区表现出强烈的、不规则的低频功率激增。
统计分析
基于聚类的置换检验识别出多个显著差异的聚类。健康对照组在散开起始阶段,额区β频段功率在启动后特定时间窗内显著高于破裂前阶段。在两组间比较中,在集合破裂前,NSBVD组额区的θ和α频段功率显著高于对照组。在散开破裂前,对照组的顶枕区α频段功率显著高于NSBVD组。
机器学习分类性能
基于上述显著性分析筛选出的特征,机器学习模型展现了区分两组的能力。其中,线性支持向量机分类器表现最佳,达到了76.67%的分类准确率,AUC为0.8711,灵敏度高达80.00%。线性判别分析模型特异性(80.00%)和精确度(76.92%)最高,但灵敏度(66.67%)低于SVM。K近邻算法的性能则相对落后。
讨论
本研究通过分析对可变矢量图刺激的EEG反应,探究了NSBVD的神经生理基础。结果发现,在集合运动起始时,NSBVD患者皮层极性出现了与健康对照组相反的模式,表现出从后部感觉处理向前部执行控制的转变。这符合“神经效率假说”,反映了患者需要付出更高认知努力的、低效的神经策略。在接近融合破裂点时,患者顶枕区持续的负电位可能代表了感觉整合的崩溃或适应不良的皮层抑制。
在散开运动中,NSBVD患者则表现为普遍性的神经低激活,即“神经惰性”,表明其散开系统存在动员必要皮层资源方面的根本性缺陷。时频分析进一步支持了这一观点:健康对照组在散开任务中表现出额区β节律的适应性增强,这与维持当前感觉运动设定和自上而下的认知控制有关,而这种调制在患者中缺如。而在集合破裂前,患者额区θ和α功率的显著升高,则分别暗示了冲突/错误检测信号的过度激活以及可能无效的注意力资源分配尝试。
机器学习模型,特别是线性支持向量机的高性能表明,所识别的EEG特征(尤其是α和β节律的差异调制)可作为区分NSBVD患者与健康人的稳定、可识别的病理模式,为客观筛查提供了潜在的生物标记物。线性模型优于非线性模型的表现,也提示两组间的神经生理特征在特征空间中可能是线性可分的。
结论
本研究证实了利用EEG结合机器学习进行NSBVD客观评估的可行性。研究发现NSBVD存在特定的神经模式,其特征是后部活动减少和前部活动代偿性增加。基于这些特征训练的SVM分类器能以76.67%的准确率区分患者与对照。这些发现表明,特定的神经模式可作为双眼视功能障碍的潜在生物标记物,为补充传统主观评估的客观筛查工具开发奠定了基础。未来研究应扩大样本量、对患者进行更精细的亚组分型,并探索深度学习等更复杂的模型,以进一步验证和优化该方法的临床实用性。