综述：阿尔茨海默病的脑电图（EEG）分析及诊断方法：综述

《Frontiers in Aging Neuroscience》：The EEG analysis and identification of Alzheimer's disease: a review

阿尔茨海默病（AD）是一种神经退行性疾病，其高效诊断和早期筛查对延缓病情进展至关重要。本文通过系统综述2018年至2025年间141篇文献，分析了EEG技术在AD识别中的应用现状与挑战。研究涵盖EEG数据采集（如静息态、任务态）、预处理（滤波、独立成分分析）、特征提取（θ、α、β波功率比、非线性参数、脑区连接性）及分类模型（支持向量机、卷积神经网络、LSTM等），发现θ/α比值、δ-β连接性及脑区特异性特征（如前额叶、顶叶）对AD识别具有较高敏感性。然而，现有研究存在方法学差异大、样本量不足、模型泛化性差等问题。未来需加强多模态数据融合（如EEG-MRI）、优化数据增强策略，并建立标准化评估体系以提高临床适用性。

　　
阿尔茨海默病（AD）作为全球性健康挑战，其早期诊断与机制研究备受关注。近年来，基于脑电信号（EEG）的生物标志物探索成为研究热点，本文系统梳理了2018年至2025年间141项相关研究，重点分析EEG信号采集、预处理、特征提取及识别模型等环节的技术进展与核心结论。

### 一、AD诊断的挑战与研究意义
AD患者认知功能渐进性衰退，现有诊断方法依赖侵入性脑脊液检测或高成本影像学技术（如PET、MRI）。尽管MMSE量表能初步评估认知状态，但其敏感性不足。EEG作为非侵入性神经监测手段，能够直接反映皮层神经活动动态，近年来在AD早期筛查中展现出独特优势。研究表明，AD患者EEG信号呈现频率降低、功率谱分布异常及空间连接性改变等特点，这些特征为疾病分型与病程监测提供了新视角。

### 二、研究方法体系化分析
#### 1. 数据采集标准化
文献筛选显示，研究数据采集存在显著差异。早期研究（2018-2023年）多采用静息态EEG，其中67%采用闭眼状态，23%结合睁闭眼交替范式。近两年（2024-2025年）更倾向睁眼静息态采集，因其实验条件可控且样本量较大。电极布局方面，19通道系统（包含Fp1-Fp2、F7-F8、T3-T6、P3-P4等核心区域）占比达54%，其次为23通道（30%）和16通道（16%）。值得注意的是，2025年新研究中出现基于脑区靶向的电极布局优化方案，例如在颞叶与顶叶增加高密度采样点。

#### 2. 数据预处理技术迭代
预处理流程呈现模块化发展趋势。早期研究（2018-2021年）主要依赖巴特沃斯滤波（50-70%）、独立成分分析（ICA）（35%）及视觉人工去除（25%）。近三年技术升级显著：① notch filter带宽扩展至50-250Hz以消除更广泛电源干扰；② artifact removal算法从单阶段处理（如Fouad等2023年研究）转向多阶段融合（如Savitzky-Golay滤波+小波变换+空间滤波的复合处理）。特别在数据缺失修复方面，球面插值法（用于脑电信号插补）在23通道以上研究中应用率达82%，而传统线性插值仅占17%。

#### 3. 特征工程多维拓展
EEG特征提取呈现三大趋势：① 多尺度特征融合：2025年研究首次将时频域特征（如小波包变换提取的θ/β比值）与空间连接性指标（如基于图论的顶叶-颞叶耦合度）进行加权整合；② 新型非线性参数：多尺度排列熵（MPEs）和互信息熵（Ise）在AD与MCI鉴别中敏感性达89%；③ 脑区特异性特征：前额叶δ波功率（占比32%）、颞叶β1频段（28%）及顶叶θ/β比值（25%）成为三大核心生物标志物。

### 三、模型识别技术突破
#### 1. 机器学习模型优化
支持向量机（SVM）在两类分类任务中表现突出，F1分数达92.3%（基于2018-2023年数据）。深度学习模型中，改进型卷积神经网络（CNN）在三类分类任务（HC vs AD vs MCI）中准确率稳定在89%-94%。值得注意的是，2024年提出的注意力增强型CNN-LSTM融合模型（AEL-CNN），在四类分类（HC、AD1、AD2、FTD）中达到97.2%的识别率，显著优于传统单模型架构。

#### 2. 统计学方法创新
频域分析方面，θ/β比值（TAR）与MMSE评分呈显著负相关（r=-0.71，p<0.001）。时频域结合方法中，基于门控小波变换的δ-β耦合度检测在AD早期诊断中特异性达85%。空间分析方法发现，AD患者顶叶-颞叶网络有效连接下降达43%，而HC组仅下降12%（p<0.01）。

### 四、核心发现与临床启示
#### 1. 生物标志物谱系
- **频段特征**：AD患者δ波功率较HC高2.3倍（p<0.001），α波功率下降37%（基于2018-2023年568例数据）
- **时频特征**：β波（12-30Hz）在中央颞叶区功率降低显著（Δ=-19.8%）
- **空间特征**：顶叶（P3-P4）与颞叶（T5-T6）的α波相位同步性降低达41%
- **复杂度指标**：互信息熵（Ise）在AD组较HC低29.5%，SampEn值下降22.3%

#### 2. 脑区病理特征图谱
- **前额叶皮层**：δ波功率增幅达65%，α波节律紊乱（HRV降低38%）
- **颞叶皮层**：β1频段功率下降42%，θ波节律增强（TAR比值升高1.8倍）
- **顶叶联合皮层**：γ波（30-50Hz）振幅降低51%，α波双峰现象（8-12Hz和10-12Hz）分离度达0.83（HC组0.52）
- **全脑网络**：AD患者呈现"中心-边缘"网络解耦，小世界特性系数（WCC）下降0.17（p<0.001）

#### 3. 诊断效能对比
三类分类模型（HC、AD、MCI）中，基于EEG时频特征与空间网络分析的混合模型（FusionEEG）表现最优：
- SVM+PCA（特征降维至128维）准确率91.4%
- LSTM+自编码器（特征重构率92%）达93.7%
- 注意力增强型Transformer模型（4层）在四类分类中达到96.2%的F1分数

### 五、未来研究方向
1. **纵向研究设计**：建立10年跨度、多中心参与的AD EEG队列（建议样本量≥5000例）
2. **多模态融合**：开发EEG-MRI-fNIRS联合分析框架，整合时频特征（EEG）、解剖结构（MRI）与血氧状态（fNIRS）
3. **个性化模型**：基于联邦学习的分布式模型（Federated Learning），解决数据孤岛问题
4. **临床验证体系**：建立包含不同病程阶段（MCI→AD→DLB）的验证标准，重点评估模型在症状前期的诊断价值

### 六、技术瓶颈与突破路径
当前研究面临三大挑战：① 数据异质性（不同实验室EEG设备采样率差异达±15%）；② 模型泛化能力不足（跨中心验证准确率下降12-18%）；③ 临床转化延迟（实验室模型与实际临床环境误差率＞25%）。
突破方向建议：
- **标准化采集协议**：制定统一的电极布局（推荐19通道+3参考电极）、信号降噪标准（SNR≥25dB）
- **轻量化模型开发**：构建可部署于边缘设备的轻量级CNN（参数量<1M）
- **临床验证机制**：建立基于真实世界数据的动态评估系统（包含≥1000例长期随访数据）

本研究为AD早期筛查提供了技术路线参考，证实EEG生物标志物在临床转化中的可行性。未来需加强跨学科合作，特别是在神经病理学机制解析与工程技术创新的结合方面，推动AD诊断从实验室研究向临床实用转化。