时间自相关性能够预测年龄——一项广泛的MEG时间序列分析
基于MEG时间序列的脑龄预测研究
学术背景
随着人类寿命的延长，理解大脑在生命周期中的变化变得越来越重要。大脑的结构和功能会随着年龄的增长而发生显著变化，这些变化不仅影响认知功能，还与多种神经退行性疾病（如阿尔茨海默病）密切相关。然而，目前对大脑年龄相关变化的理解仍然不完整，尤其是关于脑电活动（如脑磁图，MEG）如何随年龄变化的机制尚不清晰。为了解决这一问题，研究人员通过分析成年人大规模静息态MEG数据，探索了能够有效预测年龄的脑电信号特征。
该研究旨在填补现有研究中的空白，特别是通过时间序列分析技术，识别出能够捕捉大脑年龄相关变化的信号特征。这些发现不仅有助于理解健康老化的机制，还为脑龄预测模型的开发提供了新的思路。
论文来源
该研究由Christina Stier、Elio Balestrieri、Jana Fehring、Niels K. Focke、Andreas Wollbrink、Udo Dannlowski和Joachim Gross共同完成。研究团队来自德国明斯特大学（University of Münster）和哥廷根大学医学中心（University Medical Center Göttingen）。该论文于2025年2月20日发表在PNAS（Proceedings of the National Academy of Sciences）期刊上，题目为《Temporal autocorrelation is predictive of age—an extensive MEG time-series analysis》。
研究流程
1. 数据与参与者
研究使用了来自剑桥老龄化与神经科学中心（Cambridge Centre for Aging and Neuroscience, Cam-CAN）的公开数据集。研究人员分析了350名年龄在18至88岁之间的健康成年人的静息态MEG数据。所有参与者均为认知正常、无重大身体或精神疾病的个体。
2. MEG数据采集与处理
MEG数据使用306通道的Elekta Neuromag系统进行采集，采样频率为1 kHz。数据经过预处理，包括去除外部噪声、校正头部运动等。随后，研究人员将数据降采样至300 Hz，并使用独立成分分析（ICA）去除眼动和心电伪迹。最终，从每位参与者中随机选择了30段10秒的清洁数据用于后续分析。
3. 时间序列特征提取
研究人员使用高度比较时间序列分析（Highly Comparative Time-Series Analysis, HCTSA）工具箱，从每个大脑区域的时间序列中提取了5,961个特征。这些特征包括自相关（autocorrelation, AC）、自回归系数、小波分解参数等。此外，还计算了传统的频域特征，如特定频段的功率、振幅和相位耦合等。
4. 年龄预测模型
为了预测参与者的年龄，研究人员使用偏最小二乘回归（Partial Least Squares Regression, PLSR）模型，并采用10折交叉验证进行评估。模型性能通过皮尔逊相关系数（Pearson’s r）、平均绝对误差（MAE）和预测R²进行评估。
主要结果
1. 传统MEG特征的预测性能
传统的频域特征在预测年龄方面表现不一。振幅和相位耦合特征的预测准确性较低，而α峰频率（alpha peak frequency）的特征表现较好，尤其是重心法（center of gravity）的预测相关性达到了0.65。
2. 时间序列特征的预测性能
在5,968个时间序列特征中，有113个特征的预测准确性超过0.7。其中，自相关（AC）特征表现最为突出，特别是在时间延迟为36毫秒（lag 11）时，预测相关性达到了0.75。AC特征的预测误差比传统特征低约1.5年。
3. 自相关特征的区域模式
AC特征在大脑的视觉皮层和颞叶皮层中表现出显著的年龄相关变化。在视觉皮层中，AC值随着年龄的增长而增加，而在颞叶皮层中则表现出相反的趋势。这些区域模式与大脑的老化过程密切相关。
4. 多特征组合的预测性能
研究人员还测试了使用所有AC时间延迟特征的组合模型，其预测相关性进一步提升至0.82，平均绝对误差降至8.71年。相比之下，传统特征的组合模型的预测相关性为0.77。
结论与意义
该研究表明，自相关（AC）特征能够有效捕捉大脑年龄相关的变化，特别是在视觉和颞叶皮层中表现出显著的区域模式。AC特征不仅能够单独用于脑龄预测，其组合模型还能进一步提高预测准确性。这些发现为理解大脑老化机制提供了新的视角，并为开发更精确的脑龄预测模型奠定了基础。
研究亮点
- 自相关特征的创新应用：该研究首次将自相关（AC）特征用于脑龄预测，并证明了其在捕捉大脑年龄相关变化中的优越性。
- 大规模数据分析：研究使用了350名成年人的MEG数据，样本量大且年龄跨度广，增强了研究结果的普适性。
- 多特征组合模型：通过组合多个AC特征，研究人员显著提高了脑龄预测的准确性，展示了多特征模型在脑科学研究中的潜力。
其他有价值的信息
研究还发现，大脑的老化过程在不同区域表现出不同的模式，特别是在视觉和颞叶皮层中表现出显著的AC变化。这些区域特异性变化可能与认知功能的衰退密切相关，为未来研究大脑老化与认知功能的关系提供了新的方向。
该研究不仅为理解大脑老化机制提供了新的工具，还为脑龄预测模型的开发提供了重要的科学依据。