基于 EEG 记录的非线性与动态脑功能连接成像及其在阿尔茨海默病诊断中的应用

基于摘要分析。该研究针对静息态 EEG 辅助阿尔茨海默病（AD）诊断中正常衰老与疾病相关脑网络改变难以区分的问题，提出一种脑功能连接成像方法，分别估计线性、非线性及其组合连接，并分析连接的空间分布与动态变化。主要研究对象是 AD 与健康对照（HC）的脑网络差异，而非 BCI 控制或意图解码。 方法建立在 Nonlinear Finite Impulse Response 模型之上，采用修订的正交最小二乘算法，无需拟合完整模型即可估计任意两个 EEG 通道间的连接。其关键价值在于可独立考察线性与非线性交互及其动态特征，从而分析不同连接成分对疾病区分的贡献。模型具体参数化方式、动态特征计算方式及连接成像流程尚未验证。 研究还考察了认知正常人群中年龄高于与低于 70 岁两组的脑网络动态行为。作者报告，线性与平稳连接对分类的贡献占主导，但加入非线性与动态连接可显著提高分类 Accuracy；摘要明确指出，低于 70 岁参与者的睁眼静息态 EEG 是这一增益结论的例外。摘要未提供具体 Accuracy、增益幅度、显著性检验或完整对照设置，因此不能据此量化诊断优势。 样本量、AD 诊断标准、EEG 通道配置与预处理、训练测试划分、年龄控制方式、消融及统计信息尚未验证。复现时应优先核对正常衰老与 AD 的比较设计，以及不同连接成分在一致评估协议下的独立贡献；现有材料不足以认定该方法已具备临床诊断效用。