
-
生物通官微
陪你抓住生命科技
跳动的脉搏
中风中的病变特异性脑电图(EEG)特征:一个整合振荡、连接性和不对称性的多尺度框架,用于机器学习解码
《Journal of NeuroEngineering and Rehabilitation》:Lesion-specific EEG signatures in stroke: a multi-scale framework integrating oscillations, connectivity, and asymmetry for machine learning decoding
【字体: 大 中 小 】 时间:2026年04月02日 来源:Journal of NeuroEngineering and Rehabilitation 5.2
编辑推荐:
摘要背景病变位置是卒中后神经生理异质性的主要来源,然而大多数脑电图(EEG)研究将患者视为一个整体进行分析,这限制了特定于病变的生物标志物的发现及其应用。我们提出了一个以病变为中心的多尺度EEG框架,该框架结合了局部振荡、区域间连接性和半球不对称性,并利用机器学习来表征和解读基底
病变位置是卒中后神经生理异质性的主要来源,然而大多数脑电图(EEG)研究将患者视为一个整体进行分析,这限制了特定于病变的生物标志物的发现及其应用。我们提出了一个以病变为中心的多尺度EEG框架,该框架结合了局部振荡、区域间连接性和半球不对称性,并利用机器学习来表征和解读基底节(P1)、额颞/半卵圆中心(P2)和脑干(P3)的病变。
对57名亚急性卒中患者(P1 = 22例,P2 = 18例,P3 = 17例)和22名匹配的对照组进行了5分钟的睁眼状态、128通道静息EEG(频率为1 kHz)记录。从经过伪迹处理的90秒数据段中,计算了感兴趣区域(ROI)的平均功率谱密度(PSD):θ波段(4–7 Hz);α波段(7–12 Hz);β1波段(12–16 Hz);α波段的峰值频率;基于电流源密度(CSD)的幅度平方相干性以及方向性脑电信号强度(dirBSI)。使用t检验/Wilcoxon检验和ANOVA/Kruskal–Wallis检验(Benjamini–Hochberg FDR值q=0.05)来评估组间和组内差异。通过Spearman相关性分析EEG与行为之间的关联。在机器学习方面,使用线性判别分析(LDA)和留一法交叉验证来分类常见的空间模式(CSP)特征。为了与临床工作流程保持一致,我们将健康对照组(HC)与患者组(P)的对比称为“卒中检测/筛查”,而仅针对患者的P1/P2/P3分类称为“用于分层的病变亚型解码”(还包括P1与P2、P1与P3以及P2与P3的成对模型)。同时评估了EEGNet基线的性能作为参考。
在患者组中观察到α波段功率增加以及α波段峰值向左移动(HC组:9.93 ± 1.09 Hz;P组:8.75 ± 1.02 Hz;p = 6.82 × 10^-5)。在FDR校正前,θ波段的额叶-运动区连接性增强,而α/β1波段的后部P-O连接性减弱。dirBSI显示了同侧优势(HC组:-0.026 ± 0.101;P组:0.061 ± 0.122;q=0.012)。在不同病变中,FDR校正前检测到中央/顶叶/枕叶ROI区域的β1波段功率差异,其中P3组的顶叶β1波段功率更高;P1/P2组的α波段不对称性更强,而P3组的不对称性更对称(q=0.028)。EEG与行为的相关性在FDR校正后不再显著。使用CSP+LDA方法,准确率分别为HC组与P组92.41%、P1与P3组94.87%、P2与P3组85.71%、P1与P2组82.50%;所有二分类的AUC值均超过0.85;三分类的准确率达到85.96%。
这一多尺度EEG框架能够识别与病变相关的神经生理特征,并证明了可行的病变亚型解码能力,支持了EEG生物标志物在客观分层和精准神经康复中的潜力。
病变位置是卒中后神经生理异质性的主要来源,然而大多数脑电图(EEG)研究将患者视为一个整体进行分析,这限制了特定于病变的生物标志物的发现及其应用。我们提出了一个以病变为中心的多尺度EEG框架,该框架结合了局部振荡、区域间连接性和半球不对称性,并利用机器学习来表征和解读基底节(P1)、额颞/半卵圆中心(P2)和脑干(P3)的病变。
对57名亚急性卒中患者(P1 = 22例,P2 = 18例,P3 = 17例)和22名匹配的对照组进行了5分钟的睁眼状态、128通道静息EEG(频率为1 kHz)记录。从经过伪迹处理的90秒数据段中,计算了感兴趣区域(ROI)的平均功率谱密度(PSD):θ波段(4–7 Hz);α波段(7–12 Hz);β1波段(12–16 Hz);α波段的峰值频率;基于电流源密度(CSD)的幅度平方相干性以及方向性脑电信号强度(dirBSI)。使用t检验/Wilcoxon检验和ANOVA/Kruskal–Wallis检验(Benjamini–Hochberg FDR值q=0.05)来评估组间和组内差异。通过Spearman相关性分析EEG与行为之间的关联。在机器学习方面,使用线性判别分析(LDA)和留一法交叉验证来分类常见的空间模式(CSP)特征。为了与临床工作流程保持一致,我们将健康对照组(HC)与患者组(P)的对比称为“卒中检测/筛查”,而仅针对患者的P1/P2/P3分类称为“用于分层的病变亚型解码”(还包括P1与P2、P1与P3以及P2与P3的成对模型)。同时评估了EEGNet基线的性能作为参考。
在患者组中观察到α波段功率增加以及α波段峰值向左移动(HC组:9.93 ± 1.09 Hz;P组:8.75 ± 1.02 Hz;p = 6.82 × 10^-5)。在FDR校正前,θ波段的额叶-运动区连接性增强,而α/β1波段的后部P-O连接性减弱。dirBSI显示了同侧优势(HC组:-0.026 ± 0.101;P组:0.061 ± 0.122;q=0.012)。在不同病变中,FDR校正前检测到中央/顶叶/枕叶ROI区域的β1波段功率差异,其中P3组的顶叶β1波段功率更高;P1/P2组的α波段不对称性更强,而P3组的不对称性更对称(q=0.028)。EEG与行为的相关性在FDR校正后不再显著。使用CSP+LDA方法,准确率分别为HC组与P组92.41%、P1与P3组94.87%、P2与P3组85.71%、P1与P2组82.50%;所有二分类的AUC值均超过0.85;三分类的准确率达到85.96%。
这一多尺度EEG框架能够识别与病变相关的神经生理特征,并证明了可行的病变亚型解码能力,支持了EEG生物标志物在客观分层和精准神经康复中的潜力。