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。研究针对静息态 EEG 辅助阿尔茨海默病（AD）识别中正常衰老与疾病相关脑网络改变的区分问题，提出基于 Nonlinear Finite Impulse Response 模型的功能连接成像方法，分别估计线性、非线性及组合连接，并分析其空间分布和动态变化。 技术上，该方法采用参数化建模与修订的正交最小二乘算法，在无需拟合完整模型的情况下估计任意两个 EEG 通道之间的连接。其主要分析价值是将线性与非线性交互及其动态特征分开考察，而不是仅以单一连接指标描述脑网络。这里的“成像”指 EEG 功能连接及其空间分布的表征，不等同于直接获得解剖影像。 研究比较 AD 参与者与健康对照（HC），并考察认知正常参与者中 70 岁以上与以下两个年龄组的脑网络动态。作者报告，线性与平稳连接贡献了主要的分类信息，加入非线性与动态连接可显著提高分类 Accuracy，但在 70 岁以下参与者的睁眼静息态 EEG 条件下未获得这一增益。摘要未提供具体 Accuracy、增益幅度、样本量、分类器或数据划分，因而不能据此判断被试内或跨被试泛化能力，也不能直接比较不同年龄与记录条件下的诊断性能。 该研究的直接对象是 AD 相关 EEG 脑网络表征与分类，而非 BCI 控制或交互。复现时需核对模型参数化方式、连接动态的估计方法、EEG 预处理、特征构建及分类评估协议；年龄分层与睁闭眼条件尤其关系到结果解释。实验协议、消融及统计信息尚未验证，摘要中的分类结论也不能直接视为临床诊断有效性的证据。