基于新型脑功能网络度量定义的阿尔茨海默病生物标志物

基于摘要分析。本文研究利用非侵入、低成本且便携的 EEG 寻找阿尔茨海默病（AD）生物标志物，将多尺度分析与嵌入空间理论结合，提出基于 generalized composite multiscale entropy vector（GCMSEV）构建脑功能网络的策略。主要贡献是以网络连接特征量化 AD 相关的异常功能连接，并评估这些特征区分 AD 患者与正常对照的能力；研究对象是疾病相关 EEG 标志物，而非 BCI 控制任务。 方法上，作者使用功能网络分析和种子分析比较 AD 与对照的连接模式，再以机器学习评估分类效果。摘要未给出 GCMSEV 的具体计算公式、嵌入参数、多尺度设置、由向量确定连接的方法，以及分类器和特征选择流程，因此网络度量的实现细节与复现条件尚未验证。 作者报告，AD 患者在全头皮范围呈现连接减弱，长程连接尤其明显；额区与其他区域之间的连接显著减少。作者将这一现象解释为 AD 相关的额区枢纽信号传递受损，但仅凭摘要中的功能连接结果，不能进一步确立因果机制。作者报告，采用额区内部及左额区—右枕区连接作为预测特征，在 AD 患者与正常受试者的分类中获得超过 96% 的 Accuracy 和 0.98 的参数化曲线下面积。摘要未说明样本量、被试划分、验证方式或对照基线，这些结果不能直接视为独立人群上的泛化性能。 阅读与复现时，应核对 EEG 采集及预处理、临床分组依据、连接统计检验、特征选择是否在训练划分内完成，以及分类验证的独立性。实验协议、消融及统计信息尚未验证；摘要也不足以确认该指标能否支持临床诊断或迁移至 BCI 任务。