基于部分定向相干的帕金森病默認(rèn)模式網(wǎng)絡(luò)腦電分析

曾宣威，湛慧苗，呂浩銨，高軍峰

（中南民族大學(xué) a.生物醫(yī)學(xué)工程學(xué)院；b.認(rèn)知科學(xué)國(guó)家民委重點(diǎn)實(shí)驗(yàn)室，武漢 430074）

帕金森病是中老年常見(jiàn)的中樞神經(jīng)系統(tǒng)退行性疾病.隨著世界人口老齡化加快，帕金森病患病率逐漸升高，同時(shí)帕金森病的高致殘率給患者和其家屬帶來(lái)長(zhǎng)期的心身痛苦和嚴(yán)重的經(jīng)濟(jì)負(fù)擔(dān)［1］.由于帕金森病的早期診治可以有效的改善患者的生活質(zhì)量，因此對(duì)于帕金森病進(jìn)行早期診斷和治療將具有重大的臨床和社會(huì)意義［2］.如何更早的診斷帕金森病，也是目前各國(guó)學(xué)者研究的熱點(diǎn).

目前，帕金森病的診斷仍依賴于運(yùn)動(dòng)癥狀如靜止性震顫、肌強(qiáng)直、運(yùn)動(dòng)遲緩以及姿勢(shì)和步態(tài)異常等的確定，但大量研究表明精神癥狀、睡眠相關(guān)障礙、記憶障礙、自主神經(jīng)癥狀、感覺(jué)異常、認(rèn)知障礙等相關(guān)的非運(yùn)動(dòng)癥狀（Non-Motor Symptom，NMS）在帕金森病患者中同樣很普遍［3］，如果能在帕金森病患者出現(xiàn)明顯的運(yùn)動(dòng)癥狀前就關(guān)注其非運(yùn)動(dòng)癥狀，并且采取相應(yīng)的措施，那么對(duì)于帕金森病的預(yù)防效果和治療水平將會(huì)有很大的意義.

研究表明，腦電圖（Electroencephalography，EEG）作為大腦皮質(zhì)神經(jīng)元電生理活動(dòng)的有效測(cè)量方式，為帕金森病患者認(rèn)知功能減退等腦功能損傷提供了一種相對(duì)客觀的指標(biāo)，對(duì)帕金森病患者的非運(yùn)動(dòng)癥狀的研究提供了一個(gè)新途徑.同時(shí)，EEG 還具有廉價(jià)、操作相對(duì)簡(jiǎn)單、可以定期為患者復(fù)查、及時(shí)調(diào)整治療等優(yōu)點(diǎn)［4］.不僅如此，靜息狀態(tài)下的EEG可以反映大腦處于靜息狀態(tài)時(shí)神經(jīng)網(wǎng)絡(luò)之間的快速切換，它也可能與大腦功能組織的維持和穩(wěn)定相關(guān)［5］，因此靜息狀態(tài)EEG 的分析有助于帕金森病的監(jiān)測(cè)與診斷［6］.例如，YI 等人［7］使用排列熵（PE）和有序指數(shù)（OI）來(lái)表征帕金森病患者與健康對(duì)照組的大腦皮質(zhì)活動(dòng)的復(fù)雜性，他們觀察到帕金森病患者的靜息腦電圖表現(xiàn)為PE 低于健康對(duì)照組，OI 高于健康對(duì)照組，并說(shuō)明了早期帕金森病導(dǎo)致了腦電圖復(fù)雜性的降低.2021 年，LEE 等人［8］記錄了帕金森病患者和健康對(duì)照者靜息狀態(tài)下的EEG 數(shù)據(jù)，并且提出的CRNN深度學(xué)習(xí)模型充分提取了多通道腦電信號(hào)的時(shí)空特征，能夠準(zhǔn)確地區(qū)分帕金森病患者和健康對(duì)照者兩類人.

在靜息狀態(tài)下的大腦可以識(shí)別出不同的連接網(wǎng)絡(luò)，其中研究最廣泛的是默認(rèn)模式網(wǎng)絡(luò)（Default Mode Network，DMN）［9］.DMN 的臨床意義已確定或與神經(jīng)精神性腦疾病有關(guān)，包括帕金森病、阿爾茲海默癥、癡呆、抑郁癥和情緒障礙［10］.例如，2020 年，XEFTERIS 等人［11］使用靜息狀態(tài)EEG 數(shù)據(jù)來(lái)研究體育訓(xùn)練前后大腦固有皮層網(wǎng)絡(luò)，包括默認(rèn)模式網(wǎng)絡(luò)、突顯網(wǎng)絡(luò)和執(zhí)行控制網(wǎng)絡(luò)的功能連接變化，并指出患者伴隨著DMN 連接喪失的認(rèn)知惡化從疾病的早期階段就很明顯，推測(cè)即使在認(rèn)知未受損的帕金森病人中，他們的認(rèn)知下降也可能與DMN中的連接中斷有關(guān).同年，PRAJAPATI 等人［12］使用帕金森病患者和健康對(duì)照的靜息狀態(tài)功能磁共振成像數(shù)據(jù)生成腦功能連接體.通過(guò)圖論的方法對(duì)整體和節(jié)點(diǎn)指標(biāo)進(jìn)行了分析，并得出結(jié)論帕金森病患者的拓?fù)涮卣鞔嬖陲@著差異，這在DMN區(qū)域和枕部區(qū)域表現(xiàn)明顯.DMN 自發(fā)現(xiàn)以來(lái)，它的臨床效用和意義一直受到研究者的關(guān)注［13］.一方面，這可能與DMN 的潛在作用有關(guān)，包括記憶鞏固、工作記憶、外部和內(nèi)部環(huán)境的廣泛連續(xù)采樣、情緒顯著刺激的處理以及情緒處理和認(rèn)知功能之間的相互作用［14］；另一方面，當(dāng)開(kāi)始執(zhí)行任務(wù)時(shí)，DMN 會(huì)失活，但在休息期間大腦區(qū)域群的激活會(huì)增加［15］.

綜上所述，本研究假設(shè)帕金森病患者在DMN區(qū)域之間的有效連接會(huì)發(fā)生改變，且部分連接可能存在顯著差異.研究獲取帕金森病患者和健康對(duì)照組的靜息狀態(tài)EEG 信號(hào)，并選取兩類受試者DMN 區(qū)域?qū)?yīng)的電極信號(hào)作為數(shù)據(jù)，然后通過(guò)部分定向相干（Partial Directed Coherence，PDC）計(jì)算電極對(duì)之間的有效連接，然后對(duì)這些連接進(jìn)行統(tǒng)計(jì)分析，挑選出來(lái)有統(tǒng)計(jì)差異的PDC 連接構(gòu)造成特征矩陣.最后，利用XGBoost 分類器對(duì)兩類被試的特征矩陣進(jìn)行分類，驗(yàn)證DMN 中基于EEG 信號(hào)對(duì)帕金森疾病研究的有效性.

1 方法

1.1 被試

本研究在Narayanan 實(shí)驗(yàn)室獲取有關(guān)帕金森病患者的靜息態(tài)腦電實(shí)驗(yàn)研究數(shù)據(jù)［16］，數(shù)據(jù)庫(kù)中記錄的帕金森病患者和對(duì)照組的EEG 數(shù)據(jù)都是來(lái)自新墨西哥大學(xué)（UNM；新墨西哥州阿爾伯克基）.對(duì)照組參與者在年齡和性別上與帕金森病患者在人口統(tǒng)計(jì)學(xué)上相匹配，并且在任何教育或病前智力測(cè)量上沒(méi)有差異.所有程序都得到了機(jī)構(gòu)審查委員會(huì)UNM辦公室的批準(zhǔn).所有參與者都提供了書面知情同意，并在新墨西哥州獲得了每小時(shí)20美元的報(bào)酬.帕金森病患者完成神經(jīng)心理學(xué)和問(wèn)卷調(diào)查，并且接受來(lái)自神經(jīng)科醫(yī)生的聯(lián)合帕金森病評(píng)定量表（UPDRS）的運(yùn)動(dòng)評(píng)分以及在每個(gè)患者療程中都被錄像，并由運(yùn)動(dòng)障礙專家進(jìn)行評(píng)分.所有參與者的迷你精神狀態(tài)測(cè)試（MMSE）分?jǐn)?shù)都在26 分以上.以前的研究已經(jīng)報(bào)道了其中一些受試者的數(shù)據(jù)和結(jié)果［17-18］.

1.2 數(shù)據(jù)采集及預(yù)處理

在UNM 數(shù)據(jù)集中共有27 名帕金森病患者和27 名健康對(duì)照組，采用64 通道腦視覺(jué)系統(tǒng)，使用在線參考CPZ 作為基線，并且用Ag/AgCl 電極所記錄0.1～100 Hz 范圍內(nèi)的腦電信號(hào)，采樣率為500 Hz.每個(gè)受試者都有一段腦電圖記錄，其中包括一段閉眼狀態(tài)和一段睜眼狀態(tài).本研究只使用數(shù)據(jù)集中處于閉眼狀態(tài)的腦電數(shù)據(jù).由于獲取的原始數(shù)據(jù)形式是每個(gè)通道的對(duì)應(yīng)兩類人的數(shù)據(jù)，所以，先利用MATLAB 軟件整理為兩類人共54 個(gè)樣本數(shù)據(jù)，每個(gè)樣本數(shù)據(jù)均為通道數(shù)×采樣點(diǎn)的矩陣數(shù)據(jù).為保證實(shí)驗(yàn)數(shù)據(jù)的均衡性，將采集時(shí)長(zhǎng)過(guò)長(zhǎng)和過(guò)短的兩名被試數(shù)據(jù)（帕金森病患者和健康對(duì)照組各一名）進(jìn)行剔除，保留26 名帕金森病患者和26 名健康對(duì)照組.最后，使用MATLAB 軟件中的EEGLAB 工具箱對(duì)數(shù)據(jù)進(jìn)行濾波分割、基線校正、去偽跡等操作，參數(shù)設(shè)置分別為0.5～70 Hz 帶通濾波，截取40 秒的數(shù)據(jù)并且使用來(lái)自EEGLAB 的reject插件來(lái)去除偽跡.然后將數(shù)據(jù)重新參考平均參考值.整個(gè)帕金森EEG信號(hào)處理的流程如圖1所示.

圖1 帕金森EEG數(shù)據(jù)處理流程的方框圖Fig.1 Block diagram of EEG data processing flow

1.3 默認(rèn)模式網(wǎng)絡(luò)

根據(jù)過(guò)往研究，默認(rèn)模式網(wǎng)絡(luò)中一致確定的核心區(qū)域分別是內(nèi)側(cè)前額葉皮質(zhì)（Medial Prefrontal Cortex，MPFC）、楔前葉（Precuneus）和外側(cè)頂葉皮質(zhì)（Lateral Parietal Cortex，LPC）［19］.DMN 區(qū)域的布羅德曼區(qū)域（Brodmann，BA）以及對(duì)應(yīng)最近的EEG 電極［20-22］如表1 所示.根據(jù)如表1 所示的BA 區(qū)，選擇構(gòu)成DMN 中的六個(gè)電極，即選取Pz、Fz、F3、F4、P3 和P4的數(shù)據(jù)做后續(xù)分析.

表1 DMN區(qū)域的BA區(qū)以及EEG記錄的最接近的電極Tab.1 BA area of DMN area and the closest electrode recorded by EEG

1.4 有效連接分析

PDC 是一種基于多元自回歸模型（Multivariate Autoregressive Model，MVAR）和部分相干的頻域有效連接技術(shù)，它通過(guò)建立自回歸模型并將模型參數(shù)轉(zhuǎn)換到頻域，得到不同頻率下不同腦電通道之間的因果關(guān)系.計(jì)算出的PDC值為標(biāo)準(zhǔn)化值，范圍為0到1.Pij表示從節(jié)點(diǎn)i到節(jié)點(diǎn)j的信息與從節(jié)點(diǎn)i流出的所有信息的比率.值越大表示兩個(gè)通道之間的關(guān)系更密切.PDC算法描述為：

假設(shè)EEG 包含M個(gè)通道，根據(jù)假設(shè)構(gòu)建一個(gè)MAVR為：

它可以表示為X(n)=[x1(n)，...，xM(n)]T，其中每個(gè)向量都代表一個(gè)信號(hào)通道.p階自回歸模型（AR）用于表示每個(gè)通道的信號(hào).其中，i和d表示信號(hào)通道，aid表示通道i到d的系數(shù)，e表示偏差，xi(n)表示時(shí)間n處的信號(hào)值，p表示模型階數(shù)，其根據(jù)AIC準(zhǔn)則計(jì)算.

只要求出系數(shù)狀態(tài)量aid及誤差e就可以求解預(yù)測(cè)模型.假設(shè)各個(gè)通道間的信號(hào)噪聲是獨(dú)立的，而且均值為0.這樣公式（1）的轉(zhuǎn)置如：

式中，XT(n)=[x1(n)，x2(n)，…，xd(n)]T就是一組離散的數(shù)據(jù)采樣點(diǎn)，它表示的是在時(shí)刻n時(shí)采集到的數(shù)集存放的是噪聲矩陣.令：

式中Pm是MAVR 的最大預(yù)測(cè)模型參數(shù)，式（2）可以寫成：

只要在公式兩邊同時(shí)左乘DT即可求出系數(shù)矩陣A，由于DTD是對(duì)稱方陣，假如|DTD|≠0，那么DTD為可逆矩陣，這樣就可以求得MAVR模型的系數(shù)：

A是一個(gè)MVAR 模型d×d預(yù)測(cè)系數(shù)矩陣，表示預(yù)測(cè)時(shí)間序列，而E也是一列長(zhǎng)度為d的列向量，表示預(yù)測(cè)誤差序列.

在建立MVAR 后，用最小二乘法擬合系數(shù)A(r).根據(jù)M維單位矩陣與系數(shù)矩陣傅里葉變換的不同，采用拉普拉斯變換將其變換到頻域.

其中，r為模型階數(shù)，p為MVAR 的最大預(yù)測(cè)階數(shù)，f為頻率.從通道j到i的PDC值定義為：

其中，aj(f)是A(r)的第j列（j=1，2，...，M），H表示共軛轉(zhuǎn)置，Aij(f)是系數(shù)矩陣A(r)中i行和j列的系數(shù).

由于大腦本質(zhì)上是高度動(dòng)態(tài)的，并且為了確保可靠計(jì)算MVAR 的建模參數(shù)以及確保腦電圖信號(hào)的平穩(wěn)性，通常在計(jì)算PDC 時(shí)會(huì)使用長(zhǎng)度小于或等于4秒的腦電圖片段［22］，因此，使用HERMES工具箱將每個(gè)受試者的40 秒腦電圖數(shù)據(jù)提取為4 秒長(zhǎng)度并疊加50%窗口的19段連續(xù)片段，再計(jì)算上述預(yù)處理后兩類人群的數(shù)據(jù)集的PDC 值，最后將每個(gè)受試者的19段的PDC值進(jìn)行疊加平均，生成兩類受試者共52個(gè)6 × 6（通道數(shù)×通道數(shù)）的PDC連接矩陣.

1.5 統(tǒng)計(jì)分析及分類

采用SPSS 22.0 軟件，利用獨(dú)立樣本t 檢驗(yàn)對(duì)帕金森病患者組和健康對(duì)照組之間的PDC 連接進(jìn)行統(tǒng)計(jì)學(xué)分析，并以P＜0.05 為兩者差異有統(tǒng)計(jì)學(xué)意義.最后挑選出若干個(gè)有顯著差異的PDC 連接組成分類的特征集.

本研究選用XGBoost 算法作為本研究的分類器.XGBoost［24］是一種改進(jìn)的梯度提升算法，它采用二階導(dǎo)數(shù)優(yōu)化目標(biāo)函數(shù)，將多個(gè)弱分類器進(jìn)行融合從而演化成強(qiáng)分類器.XGBoost 具有計(jì)算復(fù)雜度低，運(yùn)行速度快、準(zhǔn)確度高的優(yōu)點(diǎn).我們基于Python 3.8的編程環(huán)境對(duì)XGBoost 算法進(jìn)行配置：對(duì)上述數(shù)據(jù)集進(jìn)行嵌套交叉驗(yàn)證［25］，該過(guò)程有兩個(gè)循環(huán)，即外循環(huán)和內(nèi)循環(huán).外層循環(huán)使用8折交叉驗(yàn)證，在每折中，將44 名受試者的樣本數(shù)據(jù)（22 名帕金森病受試者和22 名對(duì)照組）用于訓(xùn)練集，剩余8 名受試者的樣本數(shù)據(jù)（帕金森病和對(duì)照組各4 名）用于測(cè)試集.訓(xùn)練集數(shù)據(jù)用于內(nèi)層循環(huán)尋找最佳超參數(shù)模型，測(cè)試集數(shù)據(jù)對(duì)內(nèi)層循環(huán)模型測(cè)試.內(nèi)層循環(huán)使用12折交叉驗(yàn)證，在每折計(jì)算中都將11折數(shù)據(jù)作為子訓(xùn)練集，剩余數(shù)據(jù)作為驗(yàn)證集.在該過(guò)程中，應(yīng)用不同參數(shù)組合，如表2 所示，使用子訓(xùn)練集訓(xùn)練分類器，接著用驗(yàn)證集對(duì)訓(xùn)練出的分類器進(jìn)行驗(yàn)證.當(dāng)驗(yàn)證準(zhǔn)確率最高時(shí)，可以獲得具有最佳參數(shù)組合的分類器.再將測(cè)試集送入該分類器中，就可以得到測(cè)試準(zhǔn)確率.將8 折計(jì)算得到的測(cè)試準(zhǔn)確率取平均值得到最后的分類準(zhǔn)確率.

表2 XGBoost分類器最佳參數(shù)Tab.2 Optimal parameters of XGBoost classifier

2 結(jié)果

在統(tǒng)計(jì)分析中，對(duì)獲取的兩組受試者6 × 6（通道數(shù)×通道數(shù)）PDC 連接矩陣進(jìn)行整合，去除對(duì)角線元素后，將其余的元素構(gòu)成1 × 30的PDC連接向量，最終獲得2 個(gè)26 × 30的PDC 連接矩陣.對(duì)PDC 連接矩陣中每個(gè)PDC 連接單獨(dú)進(jìn)行兩組受試者間的獨(dú)立樣本t 檢驗(yàn)，檢驗(yàn)出PDC 連接差異.結(jié)果如圖2 所示，在30 個(gè)PDC 連接中，共有6 個(gè)PDC 連接有顯著的統(tǒng)計(jì)學(xué)差異（P＜0.05）.

本文選取的6 個(gè)電極對(duì)應(yīng)最近DMN 區(qū)域的BA區(qū)，故將電極位置投影到大腦皮層，并利用BrainNet工具包［26］畫出6個(gè)有顯著差異的PDC連接的大腦網(wǎng)絡(luò)信息流圖，如圖3 所示.圖3 顯示了帕金森病和健康組中每個(gè)連接歸一化后的平均強(qiáng)度以及信息流流向.從圖3 可以看出，在大多數(shù)連接中，帕金森病中DMN 區(qū)域相互之間的因果效應(yīng)比健康組更強(qiáng)烈.這意味著相比于健康組，DMN 區(qū)域之間的信息流以及相應(yīng)地這些區(qū)域之間的相互影響與帕金森病的關(guān)系更為密切.同時(shí)，帕金森病 患者中DMN 區(qū)域的因果效應(yīng)較大，也意味著靜息狀態(tài)下的DMN中的區(qū)域被激活.

圖3 健康對(duì)照組（a）和帕金森病患者（b）的DMN的有效連接網(wǎng)絡(luò)使用t檢驗(yàn)獲得的顯著連接構(gòu)建.箭頭表示影響的方向，不同的顏色表示PDC的歸一化強(qiáng)度.Fig.3 The effective connection network of DMN in healthy control group（a）and patients with Parkinson’s disease（b）was constructed using the significant connection obtained by t-test.Arrows indicate the direction of influence，and different colors indicate the normalized intensity of PDC.

由于帕金森病和健康的受試者之間存在6個(gè)具有統(tǒng)計(jì)學(xué)差異的PDC 連接，因此本研究將6 個(gè)有顯著差異的PDC 連接作為特征集，并送入到XGBoost分類器中訓(xùn)練及測(cè)試.最終，得到區(qū)分帕金森病和對(duì)照組測(cè)試的準(zhǔn)確率為76.5%，靈敏度和特異度分別為83.3%和70.8%，如表3 所示.分類結(jié)果基本上驗(yàn)證了將PDC算法用于DMN分析的有效性.

表3 XGBoost分類模型的分類結(jié)果Tab.3 Classification results of XGBoost classification model

3 討論

本研究將PDC 應(yīng)用于DMN 相關(guān)電極的數(shù)據(jù)序列，并獲得對(duì)照和帕金森病受試者的DMN的有效連接性網(wǎng)絡(luò).在DMN相關(guān)電極上的對(duì)照組和帕金森病組PDC 連接之間進(jìn)行獨(dú)立樣本t 檢驗(yàn)，并選擇具有顯著差異（P＜0.05）的連接進(jìn)行進(jìn)一步分析.DMN 連接上的差異將可以歸因于帕金森的癥狀和損害投射到DMN水平的這些變化上.針對(duì)于帕金森病的注意力障礙、記憶障礙、認(rèn)知障礙等非運(yùn)動(dòng)癥狀，我們?cè)噲D找出與帕金森病相關(guān)的非運(yùn)動(dòng)癥狀表現(xiàn)與DMN中有效連接的變化之間的關(guān)系.

帕金森病認(rèn)知障礙易被忽視，它的臨床表現(xiàn)多種多樣，具有異質(zhì)性，可出現(xiàn)多個(gè)認(rèn)知領(lǐng)域如注意力、視空間、記憶和語(yǔ)言功能異常［27］.圖2 和圖3中的結(jié)果顯示，與對(duì)照組相比，帕金森病患者的BA08/09（Fz）和BA39/40（P4）之間的連接Fz←P4 降低20.3%，這表明對(duì)于帕金森病患者來(lái)說(shuō)，具有控制視覺(jué)運(yùn)動(dòng)注意功能的頂區(qū)BA39/40沒(méi)有從具有警覺(jué)性選擇和持續(xù)性關(guān)注功能的額區(qū)BA08/09獲得足夠的視覺(jué)空間信息來(lái)很好的控制注意力.

同時(shí)，在帕金森病人中，有很多研究也報(bào)道了錯(cuò)誤記憶和前瞻記憶等障礙［28］.一般來(lái)說(shuō)，在執(zhí)行涉及工作記憶的任務(wù)時(shí)，觀察到Fz（BA08/09）和Pz（BA07）以及大腦其他額葉和頂葉區(qū)域的神經(jīng)元活動(dòng)顯著變化，根據(jù)表2 和圖2 的結(jié)果，我們發(fā)現(xiàn)相比于健康組，帕金森病患者的DMN 中額區(qū)的F3←Fz、F4←Fz和F4←F3 連接分別增加了29.4%、69.5%和50.9%，以及額區(qū)到頂區(qū)的F4←Pz 連接增加了58.6%.這與其他報(bào)道中DMN中功能連接的變化相反［29］.因此，我們推測(cè)由于DMN的失活需要從內(nèi)部定向行為轉(zhuǎn)變?yōu)橥獠慷ㄏ蛐袨椋暂^少的DMN失活可能反映了帕金森病患者所需的記憶力資源增加，并且DMN中額區(qū)的增強(qiáng)可以補(bǔ)償靜息狀態(tài)下受損的記憶功能.為了證實(shí)這一推測(cè)，需要更深入的研究來(lái)檢驗(yàn).

本文對(duì)帕金森疾病的早期診斷和分析已對(duì)默認(rèn)模式網(wǎng)絡(luò)通過(guò)有效連接的方式進(jìn)行討論.本文使用的Narayanan 實(shí)驗(yàn)室中的靜息態(tài)帕金森病的腦電數(shù)據(jù)同樣被研究者對(duì)帕金森病的診斷展開(kāi)研究，同樣得到了很好的效果，對(duì)理解帕金森病的生理機(jī)制進(jìn)行分析并為帕金森病的早期診斷提供了更多的思路.例如，2018 年，SINGH 等人［17］在涉及認(rèn)知控制的任務(wù)中收集頭皮腦電圖，發(fā)現(xiàn)帕金森患者在線索和反應(yīng)周圍的中額葉θ 活動(dòng)減弱，特別是與反應(yīng)沖突和錯(cuò)誤后處理相關(guān).并與其對(duì)照組進(jìn)行分類，這些發(fā)現(xiàn)有助于確定PD 認(rèn)知控制期間中額葉θ 畸變的范圍.ANJUM等人［18］在2020年提出了一種對(duì)帕金森患者使用線性預(yù)測(cè)編碼EEG 的算法，該方法可以有效地將EEG 時(shí)間序列編碼成能夠以適合于實(shí)時(shí)應(yīng)用的計(jì)算快速方式檢測(cè)帕金森病的頻譜EEG 特征，并可靠地區(qū)分帕金森患者和其對(duì)照組.

4 結(jié)論

本文得出結(jié)論，靜息狀態(tài)下帕金森病患者的非運(yùn)動(dòng)癥狀與DMN網(wǎng)絡(luò)存在顯著性的關(guān)系，表現(xiàn)在注意力控制與記憶上，這與BA07、BA08/09、BA39/40的受損有很大的關(guān)系，并且隨后對(duì)兩類受試者的分類，也取得了較好的結(jié)果.

本研究還存在一些局限性.為了提高帕金森病早期診斷效果以及對(duì)帕金森病在認(rèn)知功能的生理機(jī)制進(jìn)行深入研究，未來(lái)還需要結(jié)合其他生物標(biāo)志物并擴(kuò)大樣本量，以提高研究結(jié)果的穩(wěn)定性.另外，本文僅基于頭皮腦電信號(hào)研究?jī)深愂茉囌咴谀J(rèn)模式網(wǎng)絡(luò)中有效連接差異，相較于大腦皮層源信號(hào)，未能更準(zhǔn)確地體現(xiàn)默認(rèn)模式網(wǎng)絡(luò)激活的皮層區(qū)域間連接特性.因此，未來(lái)將對(duì)EEG 信號(hào)進(jìn)行溯源分析，以研究默認(rèn)模式網(wǎng)絡(luò)皮層區(qū)域間的因果效應(yīng)關(guān)系.