ADHD 早期检测潜在生物标志的研究报告：基于相位的脑功能连接和图论分析

本文是一篇研究报告，题为“潜在生物标志物用于 ADHD 早期检测的研究：采用相位脑功能连接和图论分析”。这项研究由 Farhad Abedinzadeh Torghabeh、Seyyed Abed Hosseini 和 Yeganeh Modaresnia 完成，发表于 Physical and Engineering Sciences in Medicine（2023）第 46 卷，1447-1465 页。本文于 2023 年 9 月 5 日在线发表。本文的学术背景，研究方法，实验结果和科学价值将详细阐述。

学术背景和研究问题

注意缺陷多动障碍（ADHD）是一种神经发育疾病，以注意力不集中和过度活跃/冲动的症状为特征，这些症状会明显影响儿童的日常生活。根据元分析数据，全球儿童和青少年的 ADHD 患病率约为 5.3%，男女比例约为 2:1。科学家认为，ADHD 主要是由控制注意力和专注力的特定脑区域功能失调引起的，遗传在 ADHD 的发展中也起着重要作用。患有 ADHD 的儿童常常面临社交困难、学业问题、自尊问题以及对家庭的负面影响。此外，这些儿童可能在特定认知能力（如语言和视听记忆、运动协调、工作记忆、警觉性、冲动和抑制控制、编程和动作序列）上面临挑战。因此，早期检测和干预显得尤为重要，可以在复杂因素出现之前进行有效干预。

连接不同脑区的功能连接及其变化在多种脑病中的重要性已被广泛研究。图论（Graph Theory, GT）是一种有效评估脑网络功能和有效连接的方法，通过数学表示节点和边来描绘脑网络结构。脑连接的研究通常采用多种方式，包括脑电图（EEG）、脑磁图（MEG）和功能性磁共振成像（fMRI）等。其中，EEG 由于其高时间分辨率、数据获取成本效益和较宽的频带，被广泛用作脑连接研究的诊断工具。

研究来源和作者信息

该研究由 Farhad Abedinzadeh Torghabeh、Seyyed Abed Hosseini 和 Yeganeh Modaresnia 撰写，所有作者均来自伊朗 Mashhad 分校的 Islamic Azad University。该研究于 2023 年 4 月 27 日收到，并于 2023 年 7 月 24 日接受，2023 年 9 月 5 日在线发表，发表在 Physical and Engineering Sciences in Medicine。

研究流程

数据库和预处理

本研究使用公开可用的数据集，包括 61 名 ADHD 儿童和 60 名无心理障碍史的健康儿童（Healthy Control，HC）的脑电图（EEG）记录。所有受试者均为右利手，平均年龄为 9.73 ± 1.76 岁。在视觉注意任务期间，使用了 19 个电极以 128 Hz 的采样率根据国际 10-20 系统记录 EEG 信号。

EEG 信号使用 EEGLAB 工具箱（2022.1 版）进行预处理。连续 EEG 信号首先使用 1-48 Hz 的带通有限冲动响应（FIR）滤波器进行滤波，以消除电源噪声。随后，使用 Clean Rawdata 插件自动消除电极位移产生的可见伪影。然后执行重新参考程序，将所有通道的平均参考值重新引用。EEG 信号通过独立成分分析（ICA）分解，消除肌肉模式和眼睛眨眼/移动等无关数据伪影。这些成分由 ICLabel 插件自动识别和消除。之后，将时间序列过滤到常规脑电图频带中，然后段化。

相位测量方法

相位滞后指数（Phase-Lag Index, PLI）

本研究利用 PLI 测量每个频带和每个段中所有 19 对节点的功能连接。这种方法解决了基于相位的连接测量中的常见问题，通常忽略了零相位滞后连接。PLI 的理论表明，当一个错误的连接由于体积传导出现时，相位角差将会在 0 弧度左右分散。另一方面，如果连接不是体积传导的，相位角将主要呈正或负分布。因此，对称分布可能表示假连接，而偏离对称分布则表明连接取决于源。

现场相位聚类（Inter-Site Phase Clustering, ISPC）

ISPC 是一种常用于 EEG 连接分析的相位同步测量，它计算两个信号在不同时间点之间的相位角一致性。ISPC 计算平均相位角并显示通道对之间的差异，表明 EEG 连接的范围为零到一。

图论分析与分类

EEG 连接分析使用图论（GT）进行，提取了七个常用的局部特征，包括聚类系数（Clustering Coefficient, CC）、局部效率（Local Efficiency, LE）、Louvain 社区（Louvain Community, LC）、节点强度（Node Strength, NS）、节点度（Node Degree, ND）、节点间中心性（Node Betweenness Centrality, NBC）和子图中心性（Subgraph Centrality, SC）。然后使用六种分类方法（包括 k-近邻（KNN）、线性判别分析（LDA）、朴素贝叶斯（NB）、决策树（DT）、线性支持向量机（SVM）和三层人工神经网络（ANN））进行分类。

统计测试

统计测试通过计算 p 值来确定两个组之间是否存在显著差异。t 统计测试在图特征上进行，以验证假设并提供可靠的生物标志物。

研究结果

ISPC 和 PLI 连接测量的分类结果

对 ISPC 和 PLI 连接测量进行了分类，获得的平均分类准确率分别为 99.174% 和 98.347%。具体模型和频带下的分类准确率也列于本文中。

统计分析显示 ADHD 患者在其 δ、θ 和 α 频带及其前额（F3）和中心（C3）通道存在较高值的特征。

结论

本研究通过分析 EEG 数据，应用相位脑功能连接和图论，提出了潜在的生物标志物用于 ADHD 早期检测。研究显示了 PLI 连接中的 SC 特征在 β 频带具有较高的分类准确率，NBC 和 ISPC 特征在 δ 和 θ 频带也表现出较强的区分能力。这些生物标志物在 ADHD 的诊断中展现了巨大的潜力，可以帮助识别有效的干预策略，从而改善 ADHD 患者的生活质量。