基于EEG复杂性与频谱特征解析阿尔茨海默病与额颞叶痴呆的神经动力学差异

本研究针对神经退行性疾病鉴别诊断的临床挑战，通过分析静息态脑电图(EEG)的复杂性与长程时间相关性(LRTCs)，揭示了阿尔茨海默病(AD)与额颞叶痴呆(FTD)在头尾轴上的不对称性特征。研究发现AD患者呈现头侧优势的分数维特征，而FTD表现为尾侧优势，且两者均显示后部皮层LRTCs减弱。该成果为开发低成本、高时效的EEG生物标志物提供了新思路，发表于《npj Aging》。

　　

神经退行性疾病诊断的困境与突破
在老龄化社会加速发展的今天，阿尔茨海默病(AD)和额颞叶痴呆(FTD)等神经退行性疾病的准确鉴别始终是临床神经科学的重大挑战。传统依赖正电子发射断层扫描(PET)和磁共振成像(MRI)的诊断方法虽具有高空间分辨率，但高昂的成本和秒级时间分辨率限制了其普及应用。相比之下，脑电图(EEG)能以毫秒级精度捕捉神经元电活动，且价格亲民，但其在疾病鉴别中的潜力尚未充分挖掘。既往研究表明，AD和FTD患者均表现出α波段功率下降和慢波活动增强的共性特征，但缺乏特异性生物标志物。这一现状促使Kassra Ghassemkhani团队开展了一项开创性研究，通过多尺度EEG信号分析技术，揭示了两种疾病在神经动力学层面的本质差异。

关键技术方法
研究团队利用OpenNeuro数据库的开放EEG数据集，包含AD(36例)、FTD(23例)患者和年龄匹配对照组(29例)的静息态闭眼记录。采用19通道10-20系统采集数据，采样率500Hz。预处理包括1-45Hz带通滤波、独立成分分析(ICA)去噪和15秒无伪迹分段。核心分析包含：(1)相对频带功率计算(δ/θ/α/β/γ)；(2)盒计数法与Higuchi分数维(HFD)评估信号复杂性；(3)去趋势波动分析(DFA)量化α波段(8-13Hz)长程时间相关性(LRTCs)；(4)头侧(Fp1/F3等7通道)与尾侧(P3/O1等7通道)区域对比。统计采用ANOVA和Tukey事后检验，效应量通过Cohen's d评估。

研究结果

相对频带功率的组间差异
多变量方差分析显示三组在5个频带存在显著差异(Pillai's Trace=0.423, p<0.0001)。与对照组相比，AD和FTD患者均表现出δ和θ相对功率增加(AD: Cohen's d=1.0580/1.4309; FTD: d=0.8893/0.9337)，α功率降低(AD: d=1.2648; FTD: d=1.2466)。但两组间比较未发现显著差异，且后部皮层差异最显著。

分数维揭示头尾轴不对称性
全局分数维分析显示AD和FTD均显著低于对照组(AD: p<0.0001, d=1.1428; FTD: p=0.0296, d=0.7982)。关键突破在于发现头尾差异值在AD组呈头侧优势(正值)，FTD组呈尾侧优势(负值)(p=0.0120, d=0.7756)。HFD分析进一步验证AD患者全局复杂性降低(p=0.0002, d=1.1118)。

长程时间相关性(LRTCs)的破坏
DFA分析显示AD和FTD在头尾区域α波段LRTCs均显著减弱(尾侧效应更强：AD: d=0.9019; FTD: d=0.9367)。这种时间尺度上的相关性衰减提示两种疾病均存在神经网络整合功能障碍，且后部皮层更为敏感。

研究结论与展望
该研究首次通过多尺度EEG分析揭示了AD与FTD在头尾轴上的神经动力学差异：AD表现为头侧复杂性优势伴随全局LRTCs减弱，FTD则呈现尾侧复杂性优势。这种空间分布特征为两种疾病的鉴别诊断提供了新依据。研究创新性地将盒计数法与HFD相结合，证明信号复杂性分析比传统频谱特征更具鉴别力。更重要的是，这些EEG生物标志物可在常规临床环境中快速获取，成本仅为神经影像学的1/10。

研究发现AD患者后部皮层复杂性和LRTCs的显著降低，可能与tau病理导致的髓鞘损伤和兴奋抑制失衡有关。而FTD的头尾差异可能反映其前额叶-颞叶主导的病理模式。未来研究可结合机器学习，将多参数EEG特征整合为诊断模型，并探索其与淀粉样蛋白沉积、tau磷酸化的分子关联。这项工作为神经退行性疾病的早期筛查和鉴别开辟了新途径，其方法学框架也可扩展至帕金森病、路易体痴呆等疾病的电生理研究。