基于脑电图和连接组学的健康个体非语言智力水平预测建模

《Journal of Cognitive Neuroscience》：Electroencephalography Connectome-based Predictive Modeling of Nonverbal Intelligence Level in Healthy Individuals

利用高密度静息态EEG数据构建连接体预测模型，通过三次独立数据集验证（n=255）发现alpha频段与智商预测相关性最稳定，计算性损毁分析显示前额叶-顶叶网络对复杂认知计算起关键作用，强调方法学选择对结果可靠性的显著影响。

　　

摘要：

智力越来越被认为是成功进行行为和情绪调节的关键因素。神经成像技术与机器学习算法的结合已被证明是揭示个体认知能力神经基础的有价值工具。然而，当前的脑电图（EEG）研究主要集中在分类任务上，以预测受试者的智力类别（例如高、中或低智力），而不是提供定量的智力水平预测。此外，所获得的结果受到所选特定数据处理流程的显著影响，这可能会影响结果的普遍性。在这项研究中，我们基于连接组学方法，对健康参与者的高密度静息状态脑电图数据进行了预测建模，以预测他们的非语言智力水平。该方法应用于三个独立收集的数据集（n = 255），这些数据集使用了不同的功能连接性方法、脑区划分图谱、阈值p值和曲线拟合阶数，以确保研究结果的可靠性。预测准确性（通过预测值与观察值之间的相关性来衡量）在不同数据处理流程配置下存在显著差异。在所有数据集中，α频段的结果最为一致。此外，我们还采用了一种计算性损伤分析方法来识别对智力预测贡献最大的关键脑区。这项分析突显了额叶和顶叶区域在复杂认知计算中的关键作用。总体而言，这些发现支持并扩展了先前的研究，强调了α节律特征与认知功能之间的密切关系，并强调了在结果评估中选择合适方法的重要性。