DOI: https://doi.org/10.3389/fnagi.2025.1522552
PMID: https://pubmed.ncbi.nlm.nih.gov/40336944
تاريخ النشر: 2025-04-23
المؤلف: Yue Yuan وآخرون
الموضوع الرئيسي: أبحاث الخرف وضعف الإدراك
نظرة عامة
تناقش ورقة البحث إمكانية استخدام تخطيط الدماغ الكهربائي الكمي (qEEG) كعلامة حيوية غير جراحية لمرض الزهايمر (AD) واضطراب الإدراك الخفيف (MCI). تسلط الضوء على أهمية مقاييس qEEG المختلفة، مثل تحليل طيف الطاقة، والاتصال الوظيفي والفعال، والحالات الدقيقة، والتحليلات غير الخطية، في عكس الديناميات العصبية في الوقت الحقيقي. تشير النتائج بشكل ملحوظ إلى أن انخفاض طاقة ألفا ($\alpha$) وزيادة طاقة ثيتا ($\theta$) ترتبط بشدة مرض الزهايمر، بينما يكشف تحليل الحالة الدقيقة عن اختلافات كبيرة في الديناميات الزمنية لدى مرضى الزهايمر. يدعو المؤلفون إلى فعالية qEEG من حيث التكلفة وقدرات المراقبة في الوقت الحقيقي مقارنة بتقنيات التصوير العصبي التقليدية، مؤكدين على وعده في تعزيز أبحاث مرض الزهايمر وتسهيل التشخيص المبكر والعلاج الدقيق.
تؤكد الخاتمة على الحاجة إلى توحيد جمع وتحليل بيانات qEEG لتعزيز القابلية للمقارنة عبر الدراسات. تقترح أن تقنيات إزالة الشوائب الآلية يمكن أن تحسن موثوقية البيانات. يتم اقتراح دمج طرق التعلم الآلي (ML)، مثل الشبكات العصبية التلافيفية (CNN) وآلات الدعم الناقل (SVM)، لتحسين استخراج ميزات البيانات وتصنيف حالات الإدراك. يدعو المؤلفون إلى دراسات أكبر وطويلة الأمد للتحقق من علامات qEEG الحيوية ودمجها مع الأساليب متعددة الوسائط، التي أظهرت دقة تشخيصية محسنة. بشكل عام، تفترض الورقة أن معالجة القيود الحالية واستغلال التقدم التكنولوجي يمكن أن يضع qEEG كأداة محورية في تشخيص وإدارة الخرف، مما يؤدي في النهاية إلى تحسين نتائج المرضى.
مقدمة
يعد مرض الزهايمر (AD) اضطرابًا عصبيًا تنكسيًا شائعًا يؤدي إلى تدهور إدراكي كبير وعجز وظيفي، حيث يمثل 60-80% من حالات الخرف على مستوى العالم. مع توقعات تشير إلى أن أكثر من 130 مليون فرد سيتأثرون بمرض الزهايمر بحلول عام 2050، فإن التشخيص المبكر والتدخل أمران حاسمان لتخفيف الأعباء الاقتصادية والاجتماعية المرتبطة. تعاني طرق التشخيص الحالية، بما في ذلك التصوير بالرنين المغناطيسي (MRI) والتصوير المقطعي بالإصدار البوزيتروني (PET-CT) وتحليل السائل النخاعي، من قيود مثل التدخل العالي والتكاليف المرتفعة، مما يبرز الحاجة إلى علامات حيوية أكثر سهولة.
يظهر تخطيط الدماغ الكهربائي الكمي (qEEG) كأداة واعدة غير جراحية لتشخيص ومراقبة مرض الزهايمر. يقدم مزايا على الطرق التقليدية بفضل دقته الزمنية العالية وسهولة تنفيذه في البيئات السريرية. يمكن لـ qEEG أن يميز بفعالية بين مرض الزهايمر وأنواع الخرف الأخرى وهو مفيد بشكل خاص للفحوصات واسعة النطاق. تهدف هذه الورقة إلى تلخيص التقدم في تطبيقات qEEG ضمن أبحاث مرض الزهايمر، مع التركيز على إمكانيته كعلامة تشخيصية وتحديد المجالات التي تحتاج إلى مزيد من التحقيق. تشمل تحليل qEEG مقاييس مثل التحليل الطيفي، ورسم الخرائط الطوبوغرافية، وقياسات التماسك، إلى جانب التحليلات غير الخطية والجوانب المتعلقة بالاتصال، والتي تعزز مجتمعة فهم تأثير المرض على وظيفة الدماغ والاتصال.
طرق
تناقش هذه القسم طرق التعلم الآلي التقليدية (ML) المختلفة المطبقة لتحسين قدرات التشخيص لتخطيط الدماغ الكهربائي الكمي (qEEG) في مرض الزهايمر (AD) واضطراب الإدراك الخفيف (MCI). أظهر بايراجي (2018) أن الجمع بين ميزات الطيف وميزات الموجات باستخدام آلات الدعم الناقل (SVM) ومصنفات الجار الأقرب (KNN) حقق دقة تشخيصية بلغت 94%، متفوقًا على مجموعات الميزات الفردية (90% للميزات الطيفية و88% لميزات الموجات). كما أظهرت SVM كفاءة حسابية متفوقة مقارنة بـ KNN. طور يوسف وآخرون (2021) نموذجًا يعتمد على علامات الشبكة الوظيفية للدماغ، محققين دقة بنسبة 87.2% في تشخيص MCI، على الرغم من أن قابليته للتعميم محدودة بحجم العينة وتباين المواقع.
قدم سيولي وآخرون (2020) طريقة لتحليل EEG تدمج بين انتروبيا الترتيب والنماذج الذاتية الانحدار، باستخدام آلة التعلم المتطرفة (ELM) التي تفوقت بشكل كبير على SVM وKNN في تمييز MCI، مع زمن عملية واحدة يبلغ فقط 0.281 ثانية. تلتقط هذه الطريقة بفعالية التغيرات في تعقيد EEG المرتبطة بـ MCI، على الرغم من الحاجة إلى مزيد من التقييم لصلابتها في الدراسات الطويلة الأمد. بالإضافة إلى ذلك، استكشف مهرام وآخرون (2019) اختلافات في طوبولوجيا الشبكة الدماغية بين AD، والخرف مع أجسام ليوي (DLB)، وخرف مرض باركنسون (PDD) باستخدام مؤشر تأخر الطور الموزون (WPLI) ونظرية الرسوم البيانية، محققين منطقة تحت المنحنى (AUC) تبلغ 78% في تمييز DLB عن AD. يُقترح دمج البيانات متعددة الوسائط، مثل التصوير بالرنين المغناطيسي الهيكلي والعلامات الحيوية، لتعزيز أداء التصنيف، بينما تبقى التحديات قائمة بشأن قابلية تفسير الخوارزميات وموثوقيتها عبر مجموعات البيانات.
مناقشة
تتناول قسم المناقشة في ورقة البحث تقنيات تحليلية مختلفة تُطبق لت quantifying وتفسير إشارات تخطيط الدماغ الكهربائي (EEG) في سياق الاضطرابات الإدراكية مثل مرض الزهايمر (AD) واضطراب الإدراك الخفيف (MCI). يسمح تحليل طيف الطاقة، باستخدام تحويل فورييه السريع (FFT)، بتحويل إشارات EEG من المجال الزمني إلى المجال الترددي، مما يمكّن من تقييم نشاط موجات الدماغ عبر نطاقات ترددية مختلفة (δ، θ، α، β، وγ). تشير النتائج الرئيسية إلى أن مرضى الزهايمر يظهرون زيادة في الطاقة في نطاقات التردد المنخفض (δ وθ) وانخفاض في الطاقة في نطاقات التردد العالي (α وβ)، مع نسب طاقة نسبية محددة (مثل α/θ، DTABR) تعمل كعلامات حيوية محتملة للكشف المبكر عن مرض الزهايمر. بالمقابل، يظهر مرضى MCI أنماطًا مميزة، مثل انخفاض طاقة β وزيادة طاقة δ وθ، خاصة في المنطقة الزمنية.
يكمل تحليل الطاقة العالمية (GFP) تحليل طيف الطاقة من خلال قياس التزامن المكاني لنشاط الدماغ عبر جميع الأقطاب. بينما يكشف GFP عن زيادة في نشاط نطاق θ وδ لدى مرضى الزهايمر، إلا أنه لا يميز بفعالية بين أنواع MCI والمراقبين الطبيعيين. تشير الدراسات الطويلة الأمد إلى أن تحديد موقع α GFP قد يتنبأ بتقدم MCI إلى AD. يوضح تحليل الاتصال الوظيفي المزيد من الاضطرابات في التواصل بين المناطق، مع تقليل التماسك والتزامن لدى مرضى الزهايمر، خاصة في نطاق α. تسلط تقنيات التحليل غير الخطي، بما في ذلك مقاييس الانتروبيا وتحليل البيكوهرنس، الضوء على تعقيد وانتظام نشاط الدماغ، كاشفة أن مرض الزهايمر مرتبط بتقليل التعقيد. تؤكد الورقة على إمكانية مقاييس EEG الكمية (qEEG) في تشخيص وتمييز الاضطرابات الإدراكية، داعية إلى بروتوكولات موحدة ودراسات أكبر لتعزيز التطبيق السريري والدقة في الكشف المبكر ومراقبة الأمراض التنكسية العصبية.
DOI: https://doi.org/10.3389/fnagi.2025.1522552
PMID: https://pubmed.ncbi.nlm.nih.gov/40336944
Publication Date: 2025-04-23
Author(s): Yue Yuan et al.
Primary Topic: Dementia and Cognitive Impairment Research
Overview
The research paper discusses the potential of quantitative electroencephalography (qEEG) as a non-invasive biomarker for Alzheimer’s disease (AD) and mild cognitive impairment (MCI). It highlights the significance of various qEEG metrics, such as power spectrum analysis, functional and effective connectivity, microstates, and non-linear analyses, in reflecting real-time neural dynamics. Notably, findings indicate that decreased alpha ($\alpha$) power and increased theta ($\theta$) power correlate with AD severity, while microstate analysis reveals significant temporal dynamics variations in AD patients. The authors advocate for qEEG’s cost-effectiveness and real-time monitoring capabilities compared to traditional neuroimaging techniques, emphasizing its promise in advancing AD research and facilitating earlier diagnosis and precision therapies.
The conclusion underscores the need for standardization in qEEG data collection and analysis to enhance comparability across studies. It suggests that automated artifact removal techniques could improve data reliability. The integration of machine learning (ML) methods, such as convolutional neural networks (CNN) and support vector machines (SVM), is proposed to refine data feature extraction and classification of cognitive states. The authors call for larger, longitudinal studies to validate qEEG biomarkers and their integration with multimodal approaches, which have shown improved diagnostic accuracy. Overall, the paper posits that addressing current limitations and leveraging technological advancements could position qEEG as a pivotal tool in the diagnosis and management of dementia, ultimately leading to better patient outcomes.
Introduction
Alzheimer’s disease (AD) is a prevalent neurodegenerative disorder that leads to significant cognitive decline and functional impairment, accounting for 60-80% of dementia cases globally. With projections indicating over 130 million individuals affected by AD by 2050, early diagnosis and intervention are critical to mitigate the associated economic and social burdens. Current diagnostic methods, including MRI, PET-CT, and cerebrospinal fluid analysis, have limitations such as invasiveness and high costs, highlighting the need for more accessible biomarkers.
Quantitative electroencephalography (qEEG) emerges as a promising non-invasive tool for AD diagnosis and monitoring. It offers advantages over traditional methods due to its high temporal resolution and ease of implementation in clinical settings. qEEG can effectively differentiate AD from other dementias and is particularly useful for large-scale screenings. This paper aims to summarize the advancements in qEEG applications within AD research, focusing on its potential as a diagnostic marker and identifying areas for future investigation. The analysis of qEEG includes metrics such as spectral analysis, topographic mapping, and coherence measures, alongside novel non-linear and connectivity analyses, which collectively enhance understanding of the disease’s impact on brain function and connectivity.
Methods
The section discusses various traditional machine learning (ML) methods applied to improve the diagnostic capabilities of quantitative electroencephalography (qEEG) in Alzheimer’s disease (AD) and mild cognitive impairment (MCI). Bairagi (2018) demonstrated that combining spectral and wavelet features using support vector machines (SVM) and K nearest neighbor (KNN) classifiers achieved a diagnostic accuracy of 94%, outperforming individual feature sets (90% for spectral and 88% for wavelet features). SVM also showed superior computational efficiency compared to KNN. Youssef et al. (2021) developed a model based on brain functional network markers, achieving 87.2% accuracy in MCI diagnosis, though its generalizability is limited by cohort size and intersite variability.
Siuly et al. (2020) introduced an EEG analysis method that integrates arrangement entropy and autoregressive models, utilizing an Extreme Learning Machine (ELM) that significantly surpassed SVM and KNN in distinguishing MCI, with a single operation time of only 0.281 seconds. This approach effectively captures EEG complexity changes associated with MCI, although further evaluation is required for its robustness in longitudinal studies. Additionally, Mehram et al. (2019) explored brain network topology differences among AD, dementia with Lewy bodies (DLB), and Parkinson’s disease dementia (PDD) using the Weighted Phase Lag Index (WPLI) and graph theory, achieving an area under the curve (AUC) of 78% in distinguishing DLB from AD. The integration of multimodal data, such as structural MRI and biomarkers, is suggested to enhance classification performance, while challenges remain regarding algorithm interpretability and cross-dataset robustness.
Discussion
The discussion section of the research paper elaborates on various analytical techniques applied to quantify and interpret electroencephalography (EEG) signals in the context of cognitive impairments such as Alzheimer’s disease (AD) and mild cognitive impairment (MCI). Power spectrum analysis, utilizing fast Fourier transform (FFT), allows for the conversion of EEG signals from the time domain to the frequency domain, enabling the assessment of brain wave activity across different frequency bands (δ, θ, α, β, and γ). Key findings indicate that AD patients exhibit increased power in slow-frequency bands (δ and θ) and decreased power in fast-frequency bands (α and β), with specific relative power ratios (e.g., α/θ, DTABR) serving as potential biomarkers for early AD detection. In contrast, MCI patients show distinct patterns, such as decreased β power and increased δ and θ power, particularly in the temporal region.
Global Field Power (GFP) analysis complements power spectrum analysis by measuring the spatial synchronization of brain activity across all electrodes. While GFP reveals increased θ and δ band activity in AD patients, it does not effectively differentiate MCI subtypes from normal controls. Longitudinal studies suggest that anterior localization of α GFP may predict MCI progression to AD. Functional connectivity analysis further elucidates interregional communication disruptions, with reduced coherence and synchronization in AD patients, particularly in the α band. Non-linear analysis techniques, including entropy measures and bicoherence analysis, highlight the complexity and regularity of brain activity, revealing that AD is associated with reduced complexity. The paper emphasizes the potential of quantitative EEG (qEEG) metrics in diagnosing and differentiating cognitive impairments, advocating for standardized protocols and larger cohort studies to enhance clinical applicability and accuracy in early detection and monitoring of neurodegenerative diseases.