用于 Parkinson's disease 诊断与非运动症状预测的 EEG 功能连接：一种机器学习方法

基于摘要分析。本研究考察 Parkinson's disease（PD）患者在静息与情绪状态下的 EEG 功能连接，尝试以网络特征支持 PD 诊断分类及非运动症状评估。核心方法是使用 debiased weighted phase lag index（dwPLI）估计连接，并结合 L1 正则化逻辑回归进行分类。 研究包含 14 名 PD 患者和 14 名健康对照。作者以 dwPLI 减轻容积传导对连接估计的影响，分析静息与情绪状态下的网络变化；诊断性能采用严格的被试级留一交叉验证评估，属于跨被试（Cross-subject）评估。作者报告，合并四种状态的 beta 频段模型在该协议下达到 82.14% Accuracy。摘要未完整列出四种状态的定义，结果中的 p 值文本也已截断，因此统计显著性尚未验证。 作者认为，情绪诱发的网络动态可能反映 PD 的睡眠障碍，并将 EEG 功能连接视为诊断分类及非运动症状评估的候选神经生理标志物。不过，所给摘要未呈现症状预测的具体目标、模型、关联强度或预测指标，不能据此确认其预测效果，也不能将分类结果视为临床诊断效用已获验证。 复现时需核对 EEG 采集与预处理、频段和连接特征定义、四状态特征的组合方式，以及特征选择和正则化参数是否在交叉验证训练折内确定。实验协议细节、消融及统计信息尚未验证；作者亦明确指出仍需更大队列验证。该工作属于 EEG 临床分类与症状研究，不等同于已验证的 BCI 系统。