论文部分内容阅读
多发性抽动症(Tourette Syndrome,TS)和自闭症谱系障碍(autism spectrum disorder,ASD)是常见的儿童神经精神病学疾病,但是目前临床上对于这两种疾病的诊断还缺乏可靠的客观指标,医生对这两种病症的诊断主要依赖于儿童患者的父母的描述,具有很强的主观性。因此需要对对这两类儿童精神类疾病的神经机制进行研究,才能发展出有效的诊断治疗手段。然而,目前针对多发性抽动症和自闭症患者的脑电图(electroencephalogram,EEG)研究主要集中在包括快慢波、正负电位、频谱分析等上面,但是对于潜在的EEG脑网络研究报道还比较少。基于此,在本文的研究中,我们主要从大脑网络出发,研究患者与正常对照组的大脑功能网络的差异,并构建基于网络的相关疾病诊断技术。本文主要完成的内容和研究结果如下:(1)与自贡市第一人民医院合作采集了TS患者(n=36)和正常对照(n=21)的闭眼静息态的EEG信号。基于采集到的被试的静息态头皮EEG数据,我们首先建立了EEG功能连接网络,并计算其网络属性特征及二者的大脑拓扑结构差异,发现TS患者相比于正常儿童呈现出减弱的额顶叶和额枕叶连接(p<0.01)。并分别基于网络的统计属性和空间拓扑结构特征构建了基于静息EEG的多发性抽动症识别方法,结果表明基于网络拓扑特征的方法能够较基于网络属性特征的方法获得更高的识别准确率(98.25%vs 96.5%)。(2)与四川大学华西医院合作采集了两批数据,第一批数据是ASD患者(n=13)和正常对照(n=11)的闭眼静息态的EEG信号,第二批是ASD患者(n=11)的闭眼静息态的EEG信号。我们以第一批数据作为训练集,第二批作为测试集。首先基于训练集,分别进行了功能网络和功率谱的分析,结果表明ASD患者相比于正常儿童呈现出减弱的顶叶和中心区域、增强的额颞叶的长程连接(p<0.05),同时在O1、O2电极上的功率谱体现出减弱的趋势。然后基于训练集的分析结果,将功能网络连接拓扑信息和功率谱结合,构建了相应的基于静息EEG的ASD预测模型,应用于第二批患者的预测,结果表明发展的融合特征的方法可以在获得较高的分类准确率其中在训练集上达到96.15%,测试集的达到100%,显著的高于单模态的网络或者功率谱特征的识别结果。本研究通过脑电网络分析可以发现多发性抽动症和自闭症谱系障碍两种疾病的网络拓扑差异情况,证明了静息脑电网络可以揭示出患者所具有的失调大脑网络连接模式,并且这些空间拓扑模式可以为两种精神类疾病的诊断和治疗提供一种可行性的办法。