将吸引子动力学与连通性特征整合用于基于EEG的痴呆分类

为什么脑电波与日常记忆相关

痴呆不仅仅是忘记名字或把钥匙放错地方；它还会逐步侵蚀一个人的独立性与个性。临床上医生尤其难以区分阿尔茨海默病与额颞叶痴呆，这两种主要类型需要不同的护理方案。本研究提出了一个简单但有力的问题：通过快速、廉价的脑电波检测，是否可以更可靠地区分这些疾病——不仅看信号的强弱，还观察信号随时间如何流动与连接？

超越常规脑成像

目前，痴呆诊断很大程度上依赖于记忆测验和诸如MRI或PET等脑成像。尽管这些工具很有价值，但成本高、并非随处可得，且常常只在脑损伤已相当明显时才能检测到变化。脑电图（EEG）提供了另一扇窗：它通过放置在头皮上的电极记录大脑的电活动。EEG 安全、低成本，并能捕捉以毫秒计的快速脑活动变化。问题在于EEG信号看起来杂乱且复杂。作者并非仅测量某些节律的强度，而是探讨是否通过跟踪这些脑波的详细模式与协调性，能揭示阿尔茨海默病和额颞叶痴呆的隐藏特征。

追踪脑活动的隐秘路径

研究者分析了三组人的静息态EEG记录：阿尔茨海默病患者、额颞叶痴呆患者以及健康老年人。与其只关注传统指标（如不同频段的平均功率），他们借用了复杂系统研究中的理念。首先，将每个脑信号随时间演化在抽象空间中重构为一条“路径”，即吸引子。接着用若干特征来描述这些路径的形状与运动，例如轨迹扩散的程度、运动的速度及方向突变的频率等。这些度量捕捉了底层脑动力学的丰富性、稳定性或紊乱程度，为每个EEG通道提供了细粒度的局部活动视角。

衡量脑区之间如何相互“对话”

大脑功能也依赖于远端区域之间的通信。为捕捉这种通信，团队计算了不同EEG通道保持节律同步的稳定性，这一属性称为相位同步。对每位参与者，他们构建了一张连通性图，概括各电极对之间的关联强度。从这些图中提取出一些简单的网络度量，用以粗略描述整个脑网络的连接强度以及局部通道簇的紧密程度。这些连通性特征补充了基于吸引子的度量：吸引子刻画局部信号模式，而连通性则总结了大尺度的脑协调情况。

教机器识别痴呆模式

所有这些特征——133个描述吸引子动力学的特征外加2个概述连通性的特征——被输入到若干机器学习模型中，训练目标是区分不同组对：阿尔茨海默病对比健康对照、额颞叶痴呆对比健康对照，以及阿尔茨海默病对比额颞叶痴呆。各项任务中，模型表现均远超随机水平，最佳准确率在将阿尔茨海默病与健康参与者区分时约为83%，额颞叶痴呆对健康约为81%，两种痴呆类型互相区分约为82%。在大多数情况下，基于吸引子的特征提供了最强的区分信号，而连通性度量在某些模型中则提供了适度但有用的补充信息。不同算法在不同比较中表现最佳，这表明分类器的选择与EEG特征的选择一样重要。

这对患者和临床意味着什么

研究表明，经过现代数学工具分析后，相对较短的静息态EEG记录能捕捉到阿尔茨海默病、额颞叶痴呆与健康老龄化之间脑动力学的微妙差异。这种方法不会取代影像学检查或临床判断，且本研究的样本规模适中，参与者多为已有确诊的患者。然而，它指向了一个前景：一种简单的EEG检测，配合自动化处理流程，或能帮助临床更早发现痴呆并更有把握地区分其亚型，从而指导更个性化的治疗与支持。

引用: 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

关键词: EEG 痴呆, 阿尔茨海默病, 额颞叶痴呆, 大脑连通性, 机器学习 诊断