精神分裂患者静息态脑磁信号的IAF-EMD-样本熵特征提取研究

本文主要探讨了基于个体化α峰频（Individual Alpha Frequency, IAF）的静息态脑磁信号特征提取方法在精神分裂患者中的应用。针对精神分裂症患者静息状态下脑磁信号的分析，研究人员提出了一个结合独立成分分析（Independent Component Analysis, ICA）预处理、IAF波段划分（包括快α、慢α1和慢α2）以及经验模式分解（Empirical Mode Decomposition, EMD）和样本熵分析的策略。 首先，对静息态MEG（Magnetoencephalography, 磁共振脑电图）数据进行预处理，利用ICA来减少混叠信号的影响，提高信号质量。ICA通过分解信号为多个独立成分，能够有效地分离出脑磁信号中的潜在源，有助于后续特征分析。 接着，根据IAF理论，将α波段进一步细分为慢α1（IAF的60%到80%）、慢α2（IAF的80%到100%）和快α（IAF到120%）亚频。这是因为不同亚频对应不同的神经功能，如注意力、抑制等功能，对于精神分裂症的认知异常有重要意义。 在特征提取过程中，采用了EMD算法来分析信号的非线性和非稳态特性。EMD将复杂信号分解成一系列独立的IMF成分，每个IMF代表信号的一个特定频率成分，这有助于揭示脑磁信号的内在结构。 样本熵作为一种复杂度度量工具，用于评估信号的时间序列变化规律的不确定性。研究结果显示，精神分裂患者各波段的样本熵普遍高于正常人，尤其在慢α1波段，大脑左半球的额叶、枕叶和颞叶区域表现出显著的异常。这可能反映出精神分裂症患者大脑在静息状态下存在某些认知功能的异常，样本熵的增加可能是认知处理过程中的不稳定性的表现。 本文的工作提供了新的视角来理解和诊断精神分裂症，通过结合IAF、EMD和样本熵，研究者们能够在个体化的基础上更深入地探究脑磁信号在疾病状态下的特征，为精神分裂症的早期识别和治疗提供了可能的技术支持。