Home Journals Chinese Journal of Alzheimer's Disease and Related Disorders
Chinese Journal of Alzheimer's Disease and Related Disorders

Abbreviation (ISO4): Chinese Journal of Alzheimer's Disease and Related Disorders      Editor in chief: Jun WANG

About  /  Aim & scope  /  Editorial board  /  Indexed  /  Contact  / 
Review

Exploring intelligent pathways for Alzheimer's disease identification based on EEG

  • Runyang HE ,
  • Lin JIANG ,
  • Yan ZHU ,
  • Dezhong YAO ,
  • Fali LI ,
  • Peng XU
Expand
  • School of Life Science and Technology, Center for Information in BioMedicine, University of Electronic Science and Technology of China, Chengdu 611731,China

Received date: 2024-02-01

  Revised date: 2024-03-10

  Online published: 2024-04-26

Abstract

Alzheimer's disease (AD) is an irreversible neurodegenerative disease. In recent years, the improvement of electroencephalogram (EEG) signal analysis and processing has made EEG a valuable tool for extracting information related to AD. This article systematically reviews AD recognition and diagnosis based on EEG, including EEG signal acquisition, biomarker extraction, and selection and optimization of recognition models. The aim of this research is to explore personalized diagnostic and treatment strategies, in order to provide a reference for improving the accuracy of AD diagnosis and developing personalized treatment strategy.

Cite this article

Runyang HE , Lin JIANG , Yan ZHU , Dezhong YAO , Fali LI , Peng XU . Exploring intelligent pathways for Alzheimer's disease identification based on EEG[J]. Chinese Journal of Alzheimer's Disease and Related Disorders, 2024 , 7(2) : 129 -133 . DOI: 10.3969/j.issn.2096-5516.2024.02.008

阿尔茨海默病(Alzheimer's disease,AD)占痴呆症病例总数的70%,是一种进行性、不可逆的神经变性疾病,临床表现为记忆丧失和认知能力下降。AD不仅严重影响患者的日常生活,而且对家庭和卫生系统也产生巨大的社会经济影响。随着大多数国家人口老龄化趋势的加剧,这一负担在未来只增不减。为满足日益增长的医疗需求,亟须开发科学可靠的AD识别与诊断新方法。近年来,脑电图(electroencephalogram,EEG)信号分析和处理技术的发展促使其成为一种方便、准确和高灵敏度的研究工具,已被用于提取AD有价值的信息。本文旨在围绕基于脑电的AD识别与诊断,结合脑电信号采集、关键生物标志物提取、识别模型的选择等三个方面进行系统的评述。

1 不同状态下的脑电信号采集

脑电图是一种记录大脑皮层电活动随时间变化的技术,由数千个具有相似空间取向的神经元的突触后电位产生,并可通过放置在头皮上的电极测量所得。根据记录条件的不同,采集的脑电信号可以分为静息态和任务态两大类。
脑电的静息态数据指的是在被测者不进行特定认知任务或刺激的情况下记录的脑电图数据。由于参与者不需要执行任何特定的任务,因此EEG采集对患者,特别是老年人来说变得更简便、更舒适、压力更小[1]。静息态脑电图记录包括静息清醒状态(睁眼或闭眼)和睡眠状态。通过分析静息态脑电数据,可以揭示个体在大脑基线状态下的神经活动模式、脑区间的功能连接情况,以研究大脑的自组织和脑区交互特性,进而与阿尔茨海默病的异常大脑活动联系起来。
任务态数据是指在被测者进行特定认知任务或刺激时记录的脑电图数据。这些任务包括视觉任务、听觉任务、运动任务等,旨在通过监测被测者在执行不同任务时大脑的电活动变化来揭示大脑的信息处理和认知功能,了解不同脑区在执行特定任务时的活动模式。研究发现,记忆衰退、认知能力受损、行为异常等是阿尔茨海默病的主要症状。因此在最近的研究中,相关实验范式例如视觉-语言记忆测试、单词重复实验、选择性注意任务等得到广泛应用[2-4]
考虑到AD被试的独特性,任务态脑电数据采集具有一定的复杂性,需要制定恰当的任务范式并确保被试的执行情况。此外,个体差异和任务执行质量对数据采集结果可能产生影响。因此,当前的研究更倾向于关注静息态脑电数据的挖掘。然而,静息态脑电数据无法提供与特定认知任务相关的脑部活动信息,这对于深入研究特定的认知功能和病理机制构成了限制。未来的研究应针对AD群体的独特性,设计适宜的实验范式,以更全面地探索患者在特定认知任务下的脑部活动特征,从而促进对该疾病认知神经机制的理解。

2 从信号到特征的关键生物标志物提取

脑电信号的高度复杂性和多样性给生物标志物的提取带来了挑战,目前的研究主要是从频域、时域、空间域这3种基本的分析维度出发,研究AD脑电的动力学变化、复杂性、同步性等生物标志物,从而揭示疾病的动态演化过程,以期为AD的早期诊断和治疗提供更可靠的工具和指南。
按照频率,可以将脑电活动分为Delta(0.5~ 4 Hz)、Theta(4~8 Hz)、Alpha(8~12 Hz)、Beta(12~30 Hz)以及Gamma(30~100 Hz)等不同节律的活动。不同频率的脑电信号能反映大脑在不同状态和活动下的电生理特征[5],例如Delta波常出现在患严重器质性脑疾病的患者中,Alpha波在闭眼静息状态下常被检测到。在频域分析中,研究人员主要关注脑电信号在不同频率范围内的能量分布和耦合关系。例如通过功率谱密度和频谱相干性来评估AD患者的脑电信号特征[6-8],研究发现AD患者的脑电动力学特征存在显著的减弱趋势,且功率谱中存在明显的从高频到低频分量的偏移[9-10]。除了单一频段,多频段信息耦合也是理解大脑特定状态、功能的重要工具,从而为AD脑电信号分析带来新的思路。有研究以Delta和Alpha频段的功率比值作为脑电图标志物进行AD的识别[11],进一步探究AD脑电跨频耦合特性与多种认知功能表现之间的关系[12]。时域分析则侧重于研究脑电信号的时间变化特征,例如通过计算脑电信号的振幅、波形、峰值等来揭示AD脑电的时域信息,如幅度变异性、振荡频率、潜伏期等[4,13-14]。此外,信息熵(如交叉熵、模糊熵、多尺度模糊熵等)、分形维数、Hjorth参数等指标能够量化脑电信号的不规则程度、动态范围以及信号的多样性,常用于脑电信号复杂性的评估[15-17]。除了时、频域分析,时频分析也是研究脑电信号的常用方法之一。时频分析结合了时间和频率维度的信息,能够更全面地揭示脑电信号的动态变化特征。过去的研究中,离散小波变换、短时傅里叶变换等时频分析方法被应用于AD脑电信号的研究[18-19]
另一方面,空间域分析的研究目标在于探究脑电信号在不同脑区之间的关联和协作关系以及信息传递机制。通过采用一系列的信号处理和分析技术,如计算不同电极之间的相干性、相位同步性等指标,研究者揭示了AD患者脑电信号的空间特征和功能连接模式[20-21]。我们团队基于锁相值构建多层功能网络,分别探究单一频段和跨频段两种层次下AD患者与健康人之间的差异。研究发现在与Delta频段相关的跨频段网络上,AD患者呈现更显著的功能连接[22]。除了传统的无向网络分析外,近期的研究还利用定向传递函数等计算方法建立有向网络,进而呈现出脑区之间信息传递的方向性特征,即脑网络的有效连接。这种有向网络分析能够更加准确地反映不同脑区之间信息传递的方向和效率,对于探究AD病理机制具有重要的意义[23-25]。此外,我们团队基于Lp范数、双拉普拉斯、非参数谱估计等技术,提出了系列因果网络构建的新方法,能够更稳健地捕获脑区间的因果交互动态变化,并在先验假设约束、模型依赖等方面表现出优越性[26]。同时,许多研究在构建脑网络的基础上运用图论理论对网络进行深入分析,例如网络属性的提取,网络相似性分析等,进一步评估网络的分离整合特性[27-28]
为了提高脑电信号的空间分辨率,一些研究还尝试利用头表脑电信号进行逆问题求解,以估计脑内神经活动源的位置、方向和强度信息。这种方法被称为脑电信号源定位,它可以提供更精准和详细的脑电信号信息。通过将源定位结果与AD患者的认知表现和疾病进展进行关联,研究人员可以深入了解AD脑区的功能异常和病理机制[29-31]。进一步,将提取到的脑电标志物与机器学习和人工智能技术相结合,挖掘脑电信号中的隐藏信息。
然而,值得注意的是,由于AD患者的个体差异和病理机制的复杂性,仍需进一步研究来验证和深化对于生物标志物的提取和解释。未来的研究将继续探索更加精确和可靠的生物标志物,以促进AD的早期诊断和治疗。

3 智能识别模型的选择

对AD进行分类识别的重要性在于,早期诊断可以为患者提供更及时的治疗和干预措施,从而延缓病情进展,改善患者的生活质量。AD是一种进行性神经变性疾病,其特征包括认知功能衰退、记忆力丧失以及行为和心理症状的变化。然而,AD的早期症状常常被误认为是正常衰老的一部分,导致诊断的延迟。通过建立智能识别模型,可以利用脑电信号提取的生物标志物对AD进行准确分类,从而实现早期诊断,为患者提供更早的治疗和干预机会。此外,还需要区分其他与AD症状相似的痴呆症类型,如轻度认知障碍(mild cognitive impairment,MCI)和前额颞叶痴呆(frontotemporal dementia,FTD)。MCI是一种介于正常衰老和AD之间的状态,患者表现出较轻的认知功能下降,但尚未达到AD的临界程度。FTD是一种以前额叶和颞叶脑区受损为主的痴呆症,其临床表现与AD有所不同,包括行为和言语变化、情感淡漠等。因此,在智能识别模型中,需要考虑这些不同类型痴呆症的特征,以确保准确地区分AD和其他疾病。

3.1 传统机器学习模型的选择

在阿尔茨海默病识别中,传统机器学习模型是一种常见的方法。它们通常具有较好的可解释性和易于实现的特点,同时也可以取得较高的分类性能。例如,支持向量机、决策树、随机森林、K最近邻等机器学习模型都可以用于阿尔茨海默病识别,如表1所示。
表1 应用于阿尔茨海默病分类识别的机器学习模型

Tab 1 Application of Machine Learning Models for AD Recognition

参考文献 模型 特征 识别准确率/%
[32] K最近邻 Higuchi 分形维数 84.62
[22] 朴素贝叶斯 功能连接、图特征 86.20
[28] 支持向量机 图特征 83.00
[33] 决策树 功能连接 93.67
[34] 费舍尔判别分析 图特征 92.50
[35] 线性判别分析 83.00
与传统的人工诊断方法相比,机器学习方法具有更高的可靠性和更高的识别精度。并且机器学习模型通常基于特征提取和统计学方法,可以提供对于决策依据的解释性,帮助医生理解诊断结果。但是,机器学习模型的能力受限于人工提取的特征和模型的复杂度,难以捕捉大规模和非线性的数据关系,对于复杂的阿尔茨海默病特征可能效果有限。此外,在应用这些模型时,还需要进行超参数调整和正则化等操作,以期达到更好的性能。

3.2 深度学习模型的选择

随着人工智能技术的发展,近年来越来越多的研究致力于探索基于深度学习的AD识别模型。人工神经网络(artificial neural network,ANN)、卷积神经网络(convolutional neural network,CNN)、循环神经网络(recurrent neural network,RNN)等深度学习模型在阿尔茨海默病识别中也有广泛应用,如表2所示。
表2 深度学习模型应用于阿尔茨海默病分类识别

Tab 2 Application of Deep Learning Models for AD Recognition

参考文献 模型 特征 识别准确率/%
[36] CNN 功率谱密度 92.95
[37] CNN 原始时间序列 85.78
[38] CNN 原始时间序列 96.30
[39] DPCNN 频域序列 97.11
[40] ANN BiLSTM-CNN提取特征、熵 100
[41] GCN 功能连接矩阵、原始时间序列 92.30

注:DPCNN:深度金字塔卷积神经网络;BiLSTM:双向长短期记忆网络;ST-GCN:图卷积神经网络

Note:DPCNN:Deep Pyramid Convolutional Neural Network;BiLSTM:Bidirectional Long Short-Term Memory;ST-GCN:Graph Convolutional Ceural Network

表1相比,深度学习模型在大规模数据和复杂任务上表现出色,其强大的非线性建模能力使得识别准确率相对较高。除了识别准确率的显著提升之外,当面对不完整、损坏或丢失的数据时,深度学习方法也会表现更高的稳定性。例如,有研究表明,即使在数据严重损坏的情况下,RNN也可以成功识别AD,即使数据存在高达20%的损坏,该算法也能够将检测精度提高约5%[42]。而且通过多层神经网络自动学习数据的特征表示可以更好地捕捉数据中的复杂关系使得部分模型可以直接输入原始时间序列,而无需手动进行特征提取和筛选。此外,深度学习模型能够处理大量数据,并具有较好的泛化能力,可以适应不同样本和不同数据集的分类识别任务。
但同时,模型解释性差、计算资料需求高、小样本问题也一直是深度学习模型应用过程中无法避免的问题。因此,当涉及到深度学习模型在阿尔茨海默病分类识别中的未来发展趋势时,我们可以看到以下几个方面的发展。首先,结合多模态数据,如脑影像和遗传学数据等,将提高分类识别的准确性和稳定性。其次,研究人员应致力于提高深度学习模型的解释性,使其决策过程更加可解释和可理解。第三,专注于开发适用于小样本场景的深度学习方法,以应对数据稀缺的挑战。最后,将多个相关任务整合到一个深度学习模型中,实现多任务学习,以同时进行多个分类识别任务。通过这些研究和创新可以看到,深度学习模型在阿尔茨海默病分类识别领域有着巨大的潜力,并有望进一步提高其准确性和应用范围。

4 未来研究方向

AD的早期诊断和治疗是当前医学和科研领域的热点问题之一,也是未来发展的重要方向。且随着精准医学理念的不断深入,越来越多的研究致力于探索基于个体化特征的诊断和治疗策略。为此,我们团队基于脑电网络的流行学习、图神经网络等特征挖掘方法,创新性地提出了表征大脑活动的多种网络特征度量,获得个体神经活动的可靠量化表征。相关方法已成功应用于情感脑机接口领域,情绪识别效果显著高于以往的报道结果[43]。进一步,在未来的研究中,需要深入挖掘特定认知任务下AD的EEG生物标志物,借助深度学习技术探索其与血液、脑影像等其他模态标志物之间的关系和作用机制,建立更为可靠和有效的诊断和治疗方法。这些努力将有助于提高患者的生活质量,缓解社会压力,以期为老年人群体的健康做出重要贡献。
[1]
Vecchio F, Babiloni C, Lizio R, et al. Resting state cortical EEG rhythms in Alzheimer's disease: toward EEG markers for clinical applications: a review[J]. Suppl Clin Neurophysiol, 2013, 62: 223-236.

PMID

[2]
Waser M, Garn H, Schmidt R, et al. Quantifying synchrony patterns in the EEG of Alzheimer's patients with linear and non-linear connectivity markers[J]. J Neural Transm, 2016, 123(3): 297-316.

DOI PMID

[3]
Zhang J, Xia J, Liu X, et al. Machine learning on visibility graph features discriminates the cognitive event-related potentials of patients with early Alzheimer’s disease from healthy aging[J]. Brain Sci, 2023, 13(5): 770.

DOI

[4]
Doan DNT, Ku B, Choi J, et al. Predicting dementia with prefrontal electroencephalography and event-related potential[J]. Front Aging Neurosci, 2021, 13: 659817.

DOI

[5]
Jiang L, Liang Y, Genon S, et al. Spatial-rhythmic network as a biomarker of familial risk for psychotic bipolar disorder[J]. Nat Mental Health, 2023, 1(11): 887-899.

DOI

[6]
Meghdadi AH, Stevanović Karić M, Mcconnell M, et al. Resting state EEG biomarkers of cognitive decline associated with Alzheimer’s disease and mild cognitive impairment[J]. PloS one, 2021, 16(2): e0244180.

[7]
Wang R, Wang J, Yu H, et al. Power spectral density and coherence analysis of Alzheimer’s EEG[J]. Cogn Neurodyn, 2015, 9(3): 291-304.

DOI

[8]
Chai X, Weng X, Zhang Z, et al. Quantitative EEG in mild cognitive impairment and Alzheimer's disease by AR-spectral and multi-scale entropy analysis[C]. World Congress on Medical Physics and Biomedical Engineering, 2018, 2019: 159-163.

[9]
Kulkarni NN, Bairagi VK. Extracting salient features for eeg-based diagnosis of Alzheimer's disease using support vector machine classifier[J]. IETE J Res, 2017, 63(1): 11-22.

DOI

[10]
Cassani R, Estarellas M, San-Martin R, et al. Systematic review on resting-state eeg for Alzheimer's disease diagnosis and progression assessment[J]. Dis Markers, 2018, 2018: 5174815.

[11]
Azami H, Zrenner C, Brooks H, et al. Beta to theta power ratio in EEG periodic components as a potential biomarker in mild cognitive impairment and Alzheimer's dementia[J]. Alzheimer's Res Ther, 2023, 15(1): 133.

DOI

[12]
Chen X, Li Y, Li R, et al. Multiple cross-frequency coupling analysis of resting-state EEG in patients with mild cognitive impairment and Alzheimer’s disease[J]. Front Aging Neurosci, 2023, 15:1142085.

DOI

[13]
Fruehwirt W, Dorffner G, Roberts S, et al. Associations of event-related brain potentials and Alzheimer's disease severity: A longitudinal study[J]. Prog Neuro-Psychopharmacol Biol Psychiatry, 2019, 92: 31-38.

DOI

[14]
Zheng X, Wang B, Liu H, et al. Diagnosis of Alzheimer's disease via resting-state EEG: integration of spectrum, complexity, and synchronization signal features[J]. Front Aging Neurosci, 2023, 15:1288295.

DOI

[15]
Cataldo A, Criscuolo S, De Benedetto E, et al. EEG complexity-based algorithm using Multiscale Fuzzy Entropy: Towards a detection of Alzheimer's disease[J]. Measurement, 2024, 225: 114040.

DOI

[16]
Nobukawa S, Yamanishi T, Nishimura H, et al. Atypical temporal-scale-specific fractal changes in Alzheimer's disease EEG and their relevance to cognitive decline[J]. Cogn Neurodyn, 2019, 13(1): 1-11.

DOI

[17]
Safi MS, Safi SMM. Early detection of Alzheimer's disease from EEG signals using Hjorth parameters[J]. Biomedical Signal Processing and Control, 2021, 65: 102338.

DOI

[18]
Oltu B, Akşahin MF, Kibaroğlu S, et al. A novel electroencephalography based approach for Alzheimer’s disease and mild cognitive impairment detection[J]. Biomedical Signal Processing and Control, 2021, 63: 102223.

DOI

[19]
Jiao B, Li R, Zhou H, et al. Neural biomarker diagnosis and prediction to mild cognitive impairment and Alzheimer's disease using EEG technology[J]. Alzheimer's Res Ther, 2023, 15(1): 32.

DOI

[20]
Zhao Y, Zhao Y, Durongbhan P, et al. Imaging of nonlinear and dynamic functional brain connectivity based on EEG recordings with the application on the diagnosis of Alzheimer's disease[J]. IEEE Trans Med Imaging, 2020, 39(5): 1571-1581.

DOI

[21]
Mehraram R, Kaiser M, Cromarty R, et al. Weighted network measures reveal differences between dementia types: An EEG study[J]. Hum Brain Mapp, 2020, 41(6): 1573-1590.

DOI PMID

[22]
Si Y, He R, Jiang L, et al. Differentiating between Alzheimer's disease and frontotemporal dementia based on the resting-state multilayer EEG network[J]. IEEE Trans Neural Syst Rehab Eng, 2023, 31: 4521-4527.

DOI

[23]
Afshari S, Jalili M. Directed functional networks in Alzheimer's disease: disruption of global and local connectivity measures[J]. IEEE J Biomed Health Inform, 2017, 21(4): 949-955.

DOI

[24]
Blinowska KJ, Rakowski F, Kaminski M, et al. Functional and effective brain connectivity for discrimination between Alzheimer's patients and healthy individuals: a study on resting state EEG rhythms[J]. Clinical Neurophysiology, 2017, 128(4): 667-680.

DOI PMID

[25]
Mcbride JC, Zhao X, Munro NB, et al. Sugihara causality analysis of scalp EEG for detection of early Alzheimer's disease[J]. NeuroImage Clin, 2015, 7: 258-265.

DOI

[26]
Yi C, Qiu Y, Chen W, et al. Constructing time-varying directed eeg network by multivariate nonparametric dynamical granger causality[J]. IEEE Trans Neural Syst Rehab Eng, 2022, 30: 1412-1421.

DOI

[27]
Chehimy K, Halabi R, Diab MO, et al. Comparing healthy subjects and Alzheimer's disease patients using brain network similarity: a preliminary study[C]. 2021 Sixth International Conference on Advances in Biomedical Engineering (ICABME), 2021: 189-192.

[28]
Jalili M. Graph theoretical analysis of Alzheimer's disease: discrimination of AD patients from healthy subjects[J]. Information Sciences, 2017, 384: 145-156.

DOI

[29]
Aghajani H, Zahedi E, Jalili M, et al. Diagnosis of early Alzheimer's disease based on EEG source localization and a standardized realistic head model[J]. IEEE J Biomed Health Inform, 2013, 17(6): 1039-1045.

DOI

[30]
Lizio R, Del Percio C, Marzano N, et al. Neurophysiological assessment of Alzheimer's disease individuals by a single electroencephalographic marker[J]. J Alzheimers Dis, 2016, 49: 159-177.

DOI PMID

[31]
Dattola S, La Foresta F. An eLORETA longitudinal analysis of resting state EEG rhythms in Alzheimer's disease[J]. Applied Sciences, 2020, 10(16): 5666.

DOI

[32]
Al-Nuaimi AH, Jammeh E, Sun L, et al. Higuchi fractal dimension of the electroencephalogram as a biomarker for early detection of Alzheimer's disease[C]. 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2017: 2320-2324.

[33]
Song Z, Deng B, Wang J, et al. Biomarkers for Alzheimer's disease defined by a novel brain functional network measure[J]. IEEE Trans Biomed Eng, 2019, 66(1): 41-49.

DOI PMID

[34]
Cai L, Wei X, Liu J, et al. Functional integration and segregation in multiplex brain networks for Alzheimer's disease[J]. Front Neurosci, 2020, 14: 51.

DOI

[35]
Houmani N, Dreyfus G, Vialatte FB, et al. Epoch-based entropy for early screening of Alzheimer's disease[J]. Int J Neural Syst, 2015, 25(8): 1550032.

[36]
Ieracitano C, Mammone N, Bramanti A, et al. A convolutional neural network approach for classification of dementia stages based on 2d-spectral representation of eeg recordings[J]. Neurocomputing, 2019, 323: 96-107.

DOI

[37]
Ieracitano C, Mammone N, Hussain A, et al. A convolutional neural network based self-learning approach for classifying neurodegenerative states from EEG signals in dementia[C]. 2020 International Joint Conference on Neural Networks (IJCNN), 2020: 1-8.

[38]
Wu L, Zhao Q, Liu J, et al. Efficient identification of Alzheimer's brain dynamics with spatial-temporal autoencoder: a deep learning approach for diagnosing brain disorders[J]. Biomedical Signal Processing and Control, 2023, 86: 104917.

DOI

[39]
Xia W, Zhang R, Zhang X, et al. A novel method for diagnosing Alzheimer's disease using deep pyramid CNN based on EEG signals[J]. Heliyon, 2023, 9(4): e14858.

DOI

[40]
Imani M. Alzheimer's diseases diagnosis using fusion of high informative BiLSTM and CNN features of EEG signal[J]. Biomedical Signal Processing and Control, 2023, 86: 105298.

DOI

[41]
Shan X, Cao J, Huo S, et al. Spatial-temporal graph convolutional network for Alzheimer classification based on brain functional connectivity imaging of electroencephalogram[J]. Hum Brain Mapp, 2022, 43(17): 5194-5209.

DOI PMID

[42]
Alessandrini M, Biagetti G, Crippa P, et al. Eeg-based alzheimer's disease recognition using robust-pca and lstm recurrent neural network[J]. Sensors, 2022, 22(10): 3696.

DOI

[43]
Li C, Li P, Zhang Y, et al. Effective emotion recognition by learning discriminative graph topologies in EEG brain networks[J]. IEEE Trans Neural Netw Learn Syst, 2023, 1-15.

Outlines

/