Интеграция аттракторной динамики и характеристик связности для классификации деменции на основе ЭЭГ

Почему мозговые ритмы важны для повседневной памяти

Деменция — это не просто забывание имен или потеря ключей; она может постепенно лишать человека самостоятельности и менять личность. Врачам особенно трудно отличать болезнь Альцгеймера от фронтотемпоральной деменции — двух основных форм, которые требуют разных планов ухода. В этом исследовании поставлен простой, но значимый вопрос: может ли быстрый и недорогой тест мозговых волн помочь врачам надёжнее различать эти состояния, если смотреть не только на силу сигналов, но и на то, как они протекают и соединяются во времени?

Взгляд дальше стандартных снимков мозга

В настоящее время диагностика деменции во многом опирается на тесты памяти и изображения мозга, такие как МРТ или ПЭТ. Хотя эти методы ценны, они дорогие, не всегда доступны и часто выявляют изменения только после значительного повреждения мозга. Электроэнцефалография (ЭЭГ) даёт другую перспективу: она фиксирует электрическую активность мозга с электродов на коже головы. ЭЭГ безопасна, недорогая и улавливает быстрые изменения в миллисекундном масштабе. Загвоздка в том, что сигналы ЭЭГ выглядят шумными и сложными. Вместо того чтобы просто измерять мощность тех или иных ритмов, авторы изучения проверили, могут ли детальные паттерны и согласованность этих волн раскрыть скрытые признаки болезни Альцгеймера и фронтотемпоральной деменции.

Проследив скрытые пути активности мозга

Исследователи проанализировали записи ЭЭГ в состоянии покоя у трёх групп: пациентов с болезнью Альцгеймера, пациентов с фронтотемпоральной деменцией и здоровых пожилых людей. Вместо того чтобы сосредотачиваться только на традиционных измерениях, таких как средняя мощность в разных частотных диапазонах, они заимствовали идеи из теории сложных систем. Сначала они реконструировали «путь», который каждый мозговой сигнал проходит в абстрактном пространстве по мере своего развития во времени — так называемый аттрактор. Затем описали форму и движение этих путей с помощью признаков, таких как насколько широко распространяются траектории, как быстро они движутся и насколько резко меняют направление. Эти меры отражают, насколько богатой, стабильной или хаотичной является базовая динамика мозга, давая детализированное представление о локальной активности в каждом канале ЭЭГ.

Измерение того, как регионы мозга «разговаривают» друг с другом

Функция мозга также зависит от взаимодействия между отдалёнными областями. Чтобы уловить это, команда рассчитала, насколько последовательно разные каналы ЭЭГ сохраняют синхронизацию своих ритмов, свойство, называемое фазовой синхронизацией. Для каждого участника они построили карту связности, суммирующую, насколько сильно связаны различные пары электродов. Из этих карт извлекли простые сетевые меры, которые в общих чертах описывают, насколько сильно связана сеть мозга в целом и насколько плотно сгруппированы локальные кластеры каналов. Эти характеристики связности дополняют аттракторные меры: аттракторы описывают локальные паттерны сигналов, а связность подводит итог крупномасштабной координации мозга.

Обучение машин выявлять паттерны деменции

Все эти признаки — 133, описывающих аттракторную динамику, плюс 2, суммирующих связность — были поданы в несколько моделей машинного обучения, обученных различать пары групп: Альцгеймер против здоровых контрольных, фронтотемпоральная деменция против здоровых и Альцгеймер против фронтотемпоральной деменции. Во всех задачах модели работали значительно лучше случайного угадывания: наилучшие значения точности составляли около 83% при разделении пациентов с Альцгеймером и здоровых участников, 81% для фронтотемпоральной деменции против здоровых и примерно 82% при различении двух типов деменции между собой. В большинстве случаев самые сильные сигналы несли аттракторные признаки, тогда как меры связности добавляли скромную, но полезную дополнительную информацию для некоторых моделей. Для разных сравнений лучше подходили разные алгоритмы, что говорит о том, что выбор классификатора важен не меньше, чем выбор признаков ЭЭГ.

Что это может значить для пациентов и клиник

Исследование показывает, что относительно короткие записи ЭЭГ в состоянии покоя могут фиксировать тонкие различия в динамике мозга между болезнью Альцгеймера, фронтотемпоральной деменцией и нормальным старением при анализе с помощью современных математических инструментов. Этот подход не заменит визуализацию мозга или клиническое суждение, и работа проведена на умеренно небольшой группе пациентов с уже установленными диагнозами. Тем не менее, это указывает на будущее, в котором простой тест ЭЭГ, обработанный автоматизированными потоками, может помочь клиницистам раньше заподозрить деменцию и увереннее различать её подтипы, направляя к более персонализированному лечению и поддержке.

Цитирование: Zolfaghari, S., Gholizadeh, E. & Garehdaghi, F. Integrating attractor dynamics and connectivity features for EEG-based dementia classification. Sci Rep 16, 11573 (2026). https://doi.org/10.1038/s41598-026-41745-3

Ключевые слова: ЭЭГ деменция, болезнь Альцгеймера, фронтотемпоральная деменция, связность мозга, диагностика с помощью машинного обучения