使用基于非线性特征的 EEG 拓扑图和深度学习诊断意识障碍

倾听意识的痕迹

当亲人在严重脑损伤后昏迷不醒时，家属和医护人员面临一个令人心碎的问题：脑内是否还存在任何意识，如果有，又有多少？传统的床边检查可能会漏掉意识的微弱迹象，导致错误诊断，进而影响护理、康复甚至临终决策。本研究探索了一种新的“倾听”受损大脑的方法：结合 EEG 记录、衡量信号复杂性的数学指标以及深度学习算法，更好地区分两类主要状态——植物人状态与最小意识状态。

两种截然不同的无反应状态

严重脑损伤后，有些病人会睁眼但没有明确的意识表现；这些人被描述为处于植物人状态，也称为无反应觉醒综合征（VS/UWS）。另一些病人则可能偶尔遵循简单指令、追踪物体或对声音或触碰做出有意义的反应；这些病人被认为处于最小意识状态（MCS）。尽管表面行为有时看起来相似，但康复的可能性和所需康复方式可以大不相同。然而，依赖床边观察时，即便是专家团队也会将多达 40% 的患者误分类。作者旨在为临床医生提供一种基于大脑的客观工具，能够在床边使用且不依赖患者的运动或语言能力。

用“有声与无声”测量大脑复杂性

研究人员对 104 名经过规范化昏迷恢复量表严格评估的成年意识障碍患者进行了研究。每位患者在安静休息时以及在听家属访谈中选出的他们最喜欢的欢快音乐时，均使用 19 通道 EEG 系统记录脑活动。研究并不局限于传统的脑电波频带，而是计算了一种称为近似熵（approximate entropy）的非线性指标，该指标捕捉 EEG 信号随时间变化的复杂性与不可预测性。简言之，较高的熵值反映更丰富、更变化多端的大脑活动，这与意识处理有关。来自各个头皮电极的熵值被转换为色彩拓扑图，形成在静息和音乐两种条件下的大脑“复杂性画像”。

教神经网络读懂这些图谱

为了将这些图谱转化为诊断辅助工具，研究团队训练了一个卷积神经网络（CNN）——这是一类常用于图像识别的深度学习系统，用以区分 VS/UWS 与 MCS。对每位患者，多段 1 秒的 EEG 片段被转换为熵图并拼接成输入 CNN 的图像。与此同时，作者还构建了两种更传统的机器学习模型：支持向量机和广义回归神经网络，使用从 EEG 中选择的数值特征。然后他们比较了各方法在一个独立测试组（其真实诊断经严格临床评估确认）上的标注表现。

显著不同的大脑信号与更高的准确率

研究发现，处于最小意识状态的患者在若干脑区的熵值高于植物人状态的患者，尤其是在头部左侧以及听喜爱音乐时。在 MCS 患者中，较高的熵值与昏迷恢复量表得分显著相关，表明该指标确实反映了意识差异。在自动分类方面，CNN 表现最佳：其正确区分两类患者的准确率约为 90%，并取得了较高的汇总准确性指标（AUC 0.90）。支持向量机表现尚可，而广义回归网络落后。总体而言，这些结果表明将类似图像的大脑拓扑图输入深度学习模型，能够捕捉到更简单方法难以发现的微妙空间模式。

这对患者与家属意味着什么

对非专业读者而言，关键结论是：大脑在静息和聆听有意义音乐时的“信号复杂性”携带着关于隐匿意识的有价值线索。通过将这些线索转换为易于解读的图谱，并让神经网络从中学习，研究者们创建了一种工具，能够帮助区分真正无意识的患者与仍保有脆弱但真实意识形态的患者。尽管需要在更大、更多样化的患者群体中进行验证，这项工作指向了这样一种未来：常规 EEG 记录，结合精心选择的声音刺激与现代人工智能，能够为那些无法为自己发声的人提供更可靠的“发言权”。

引用: Qu, S., Wu, X., Huang, L. et al. Diagnosis of disorders of consciousness using nonlinear feature derived EEG topographic maps via deep learning. Sci Rep 16, 7417 (2026). https://doi.org/10.1038/s41598-026-36733-6

关键词: 意识障碍, 脑电图, 深度学习, 植物人状态, 最小意识状态