《阿爾茲海默病早期預測研究》8800字

II阿爾茲海默病早期預測研究目錄TOC\o"1-3"\h\u20931摘要 132707一、緒論 27350（一）引言 219125（二）研究背景和意義 21312（三）研究的內容 320439二、相關知識簡介 327707（一）腦網絡研究方法及手段 38742（二）腦網絡分類 47441（三）EEG信號 523675（四）EEG特征 615144（五）數據驅動 620（六）格蘭杰因果關系 710089三、實驗系統環(huán)境 817480（一）實驗環(huán)境 85509（二）數據采集 818678四、腦效應網絡的構建 97448（一）數據預處理 927004（二）構建腦效應網絡 12116181.KPSS平穩(wěn)性檢驗 1272112.構建多變量自回歸模型 12162083.因果性計算 13272854.閾值選擇 14166685.生成鄰接矩陣 14125936.構建腦網絡 1520454（三）研究結果 162335結論 1714045參考文獻 19摘要人的大腦可以說是很復雜的。各個腦區(qū)之間有不同的分工，又相互配合，相互作用來完成大腦功能。阿爾茨海默病（AD）是最常見的一種癡呆癥，輕度認知障礙（MCI）是AD的早期階段，特征是認知能力下降大于個體年齡的預期，MCI患者可以通過相應的治療手段治愈，或者使其轉化為AD的概率減少。因此，如何精確地診斷受試者是否患有MCI，對AD早期診斷并且延緩患者向AD疾病發(fā)展有很大作用，具有很大的科學價值以及臨床上的應用前景。腦電信號（EEG）可以檢測大腦在認知時的腦區(qū)信號的變化，并且具有無害性，經濟實惠，操作方便等特點，被廣泛應用于腦研究領域。格蘭杰因果關系檢驗方法運用了動力學模型以及數據驅動的方法，對腦區(qū)間因果關系進行研究。本文基于正常人和輕度認知障礙患者的兩種腦電信號（EEG），針對每個被試數據，選取了左右半腦的額葉，頂葉，枕葉六個電極通道，在EEG腦電數據的基礎上對數據進行定位數據、濾波、獨立成分分析、去除偽跡的預處理步驟，對預處理完的數據構造自回歸模型，再構造鄰接矩陣，依據鄰接矩陣構建六個節(jié)點間的因效性腦網絡。觀察節(jié)點間的因果效應關系，并仔細分析對比兩組之間網絡的差異，研究導致輕度認知障礙的腦網絡之間的變化。有利于輔助醫(yī)生診斷輕度認知障礙，可以有效地預防阿爾茲海默癥。關鍵詞：腦網絡；EEG數據；格蘭杰因果關系一、緒論（一）引言高中生物里就講到大腦里有億級數量的神經元，神經元和神經元都是連接的突觸，用來處理消息。大腦的內部構造其實可以認為是神經網絡，在網絡中做結點的是神經元，做邊的是突觸，如果能夠研究清楚這個巨大的網絡是如何處理信息的，也就知道了大腦的工作機理。但就目前的科學技術而言，我們不可能監(jiān)視大腦里數以億級的每一個神經元和無數的突觸連接。但我們可以把大腦放在一個有網格的三維空間，測量每一個網格的核磁共振變化值。然后對大腦進行分區(qū)，如分為90個區(qū)域，每個區(qū)域包含多個網格，該區(qū)域核磁共振值為其包含的網格的值的平均值?？梢园堰@90個區(qū)的每個區(qū)當作一個結點來進行研究。研究者們對大腦進行了很長時間的研究，大家逐漸深入認識大腦的工作方式，有關的研究方法也逐漸成熟。腦功能成像技術越來越成熟，認知神經學越來越發(fā)展，如今腦功能科學已經逐漸成為許多研究者的研究方向。（二）研究背景和意義人腦構造是很復雜的，如同宇宙一樣難以豐富，腦科學已成為科研前端知識。最近一段時間，全世界都開始研究腦科學，許多國家都倡始國家腦科學計劃。腦科學被認為是自然科學研究的“最后國界”。腦科學現在研究方向和目標很多，例如腦疾病就是全世界人民面對的困難問題。生活狀況變好，壽命增加，老年人越來越多，但其中三成的老年人患有腦疾病，最主要的是阿爾茲海默病。阿爾茲海默病讓患病老人行動不便，也讓其家人和社會承擔很多責任。腦科學的研究可以有助于解決這些問題。阿爾茲海默?。ˋlzheimer’sDisease,AD）是腦神經變化引起的疾病，它的癥狀有漸進性記憶衰退、認知功能障礙等許多其他的行為障礙，給老年人的生活帶來很多不便，也給其家人和社會帶來許多挑戰(zhàn)和負擔，且現在沒有有效的治療方法治療阿爾茲海默病。截止2016年，全球癡呆總人數約為4380萬，已成為全球第五大死亡原因，阿爾茲海默病是老年癡呆病例中的最常見類型[1]。這是對全球衛(wèi)生和社會保健系統的一個重大挑戰(zhàn)。遺憾的是到目前為止，暫時沒有治愈AD的方法，而且很大一部分阿爾茨海默病患者沒有在早期被及時的診斷出來，因此盡早地診斷出AD并及時加以干預對于患者來說十分重要。輕度認知障礙(MildCognitiveImpairment,MCI）是癡呆癥的早期階段，亦稱前臨床階段，是介于癡呆癥和正常認知之間的一種中間狀態(tài)，主要特征為記憶力下降或出現一些認知功能障礙，但不影響日常生活能力[2]。每年，10-15%被診斷為輕度認知障礙的患者轉化為AD，與年齡匹配的健康個體相比，進展速度顯著加快。但是MCI患者可以通過相應的治療手段治愈，或者使其轉化為AD的概率減少。因此，如何精確地診斷受試者是否患有MCI，對AD早期診斷并且延緩患者向AD疾病發(fā)展有很大作用，具有很大的科學價值以及臨床上的應用前景。腦網絡分析可以幫助醫(yī)生做出更準確的診斷，降低誤診率。（三）研究的內容本文基于正常人和輕度認知障礙患者的兩種腦電信號（EEG），針對每個被試數據，選取了左右半腦的額葉，頂葉，枕葉六個電極通道，運用格蘭杰因果關系分析方法，分別構建六個節(jié)點間的腦功能網絡，觀察節(jié)點間的因果效應關系，并研究兩組之間網絡的區(qū)別，研究導致輕度認知障礙的腦網絡之間的變化，有利于輔助醫(yī)生診斷輕度認知障礙，這對于阿爾茲海默癥的預知及治療來說，其應用前景廣泛，現實意義重大[3]。二、相關知識簡介（一）腦網絡研究方法及手段近年來，科學家們開始深入研究腦的機理和認知障礙。如今科學技術發(fā)展越來越成熟，功能神經影像也逐漸被應用。它之所以成為重要的研究工具，是具有很高的時間和空間分辨率，這些特征可以用來表示人腦內部空間分布以及神經元突觸的時間過程。這些功能神經影像對人腦的研究是無創(chuàng)的，有助于科學家更好的研究意識在大腦中實施的過程，更好的研究大腦的工作認知方式。如今普遍使用的研究腦科學的技術有很多種：其中電極記錄、皮層腦電、多電極記錄、局部場電位等都有很高的時間和空間分辨率，但對人體是有傷害的，不能廣泛應用，也沒有良好的研究對象。另外有很多無創(chuàng)的技術，其中功能磁共振成像（FunctionalMagneticResonanceImaging，fMRI）在大腦活動成像方面有高的空間分辨率，但時間分辨率很低不能表示人腦神經元突觸的時間過程。利用腦磁圖（Magnetoencephalography，MEG）進行測量時會有電磁的干擾，而且測量的設備太龐大了，不適合平常使用。腦電（Electroencephalogram，EEG）的記錄方法有很高的時間分辨率，并且具有無害性，經濟實惠，便于操作，可以被用來研究大腦的工作認知方式及工作狀態(tài)。（二）腦網絡分類目前，腦網絡的研究主要包含了以下三個方向：結構性網絡(structuralnetwork)、功能性網絡(functionalnetwork)和因效性網絡(effectivenetwork)，這三種方向是三種不同的研究層次，表示腦網絡研究的逐步發(fā)展；結構性網絡是通過解剖大腦，用一些影像手段來研究神經元之間的突觸連接，為功能性網絡的研究打下良好基礎；功能性網絡描述的是人腦各個腦區(qū)間統計性的連接關系；因效性網絡描述的是各個腦區(qū)之間的相互影響和信息流向，側重于腦區(qū)間的因果作用關系[8]。腦的功能分離和功能整合是人腦功能研究的兩類,功能分離是指不同腦區(qū)節(jié)點有不一樣的功能和工作方式，要分開研究；而功能整合是指不同的腦區(qū)節(jié)點之間的相互關系；功能整合由兩種連接表達，功能連接和效應連接這兩種連接表現的是不同腦區(qū)節(jié)點之間功能上的耦合關系，功能連接的含義為“空間上距離較遠且具有神經生理學特征的集合的時間相關性”，而效應連接的含義為“一個神經元集合直接或間接地施加于另一個神經元集合的影響”，所以兩種連接的不同之處是：功能連接關注點為同一時間下不同腦區(qū)節(jié)點之間的有關性，它并沒有關注節(jié)點之間的相互影響；效應連接側重點為不同時間不同腦區(qū)的相互影響，它體現了腦區(qū)之間的一種因果關系，所以它具有方向性[9]。在因效性腦網絡的研究中,大多數運用格蘭杰因果關系檢驗（Grangercausality,GC）方法,因為它不需要了解過多關于腦科學的知識，并且更注重時間順序[10]。國內研究者黃文敏[11]認為多種腦功能障礙都表現為腦區(qū)間功能連接的顯著變化。有研究表明,不同腦區(qū)之間的活動存在著因果調控關系,如SN網絡已經被證實負責調控DMN和CEN網絡的活動,因此分析腦區(qū)之間活動的因果關系,并建立因果性腦功能網絡具有重要的意義。（三）EEG信號EEG（Electroencephalography）信號是一種腦電信號，通過使用很精密的電子儀器，把電極陣列放置于頭皮，將腦部自發(fā)性生物電位進行放大而獲得，屬于非侵入式即無創(chuàng)的一種腦電信號[12]。因為EEG信號是神經細胞的電生理活動在人腦的頭皮產生的反應，所以可以用來表示大腦的工作機理。在采集EEG信號的過程中，要按照10-20國際標準放置采集通道。10-20系統將電極陣列放置在沿著經線和緯線的10%和20%的位置上，使用鼻根點（Nasion）、枕外隆凸尖（Inion）兩個參考點來定義。每一個電極的開頭用一兩個字母表示大的區(qū)域，例如，Fp代表的是額極、F代表的是額葉、C代表中央腦區(qū)、P代表的是頂葉、O代表的是枕葉、T代表的是顳葉。電極的末尾用一個字母或者一個數字代表電極與中心的距離。左半部分為奇數，右半部分為偶數。圖2.1為10-20國際標準采集示意圖。表2.1為各個電極對應的導聯名稱。圖2.110-20國際標準采集通道表2.1腦區(qū)對應的導聯名稱大腦區(qū)域導聯名稱前額區(qū)側額區(qū)額區(qū)中央顳葉區(qū)后顳葉區(qū)頂葉區(qū)枕葉區(qū)耳Fp1,Fp2F7,F8F3,F4,FzC3,C4,CzT3,T4T5,T6P3,P4,PzO1,O2A1,A2因為采集的腦電信號必須穿過頭皮、頭骨等才能被裝置獲得，使得腦電信號具有信噪比低、可靠性差、噪聲多[13]。所以必須對采集后的腦電信號實現預處理，比如濾波，過濾掉不想要的波段，獨立成分分析，選取每個通道獨立的成分，去除眼電偽跡等，以上步驟稱為EEG的去噪過程，也即預處理過程。原始的EEG數據是由很多個樣本點數所構成的一個有限的離散的時間序列數據。樣本點數的多少，由采樣率所決定，比如采樣率為1000Hz，那么每秒就有1000個數據樣本點。其中，每個樣本點數據代表的是腦電波幅的大小，物理學上稱為電壓值，單位為伏特（V），由于腦電信號通常較弱，所以更常使用的單位為微伏(μV)。（四）EEG特征EEG信號特征分為兩類，單變量特征和雙變量特征。單變量特征是指提取單個通道的EEG時間序列而得到的特征。這種特征主要有時域特征，頻域特征，時-頻域特征。雙變量特征是指能夠衡量通道之間關系的特征，通常被用來構建腦網絡。（五）數據驅動數據驅動是一種基于數據的思維方式。數據驅動分為四類：監(jiān)測，分析，挖掘，使能。監(jiān)測指的是用數據記錄實際發(fā)生的事情。分析指的是用各種分析工具對數據做處理。挖掘值得四用一些復雜算法建立數據挖掘模型。使能指的是在前面的基礎上將數據應用到實際中發(fā)揮作用。Granger因果模型則是基于向量自回歸的一種數據驅動的時間序列分析方法，不依賴于具體的觀測模型，而是考察不同變量歷史狀態(tài)對于現時狀態(tài)的可預測性的影響[14]。本文中用腦電采集裝置采集的EEG信號即為數據監(jiān)測，建立因果模型的過程為挖掘數據，對腦網絡模型進行分析即為分析數據，將此研究模型應用到實際中研究輕度認知障礙患者預測即為數據使能。（六）格蘭杰因果關系格蘭杰因果關系檢驗方法，最早是由CliveGranger爵士在1969年提出來的，該檢驗用于判斷一個時間序列是否會對另一個時間序列產生影響，所以被廣泛的應用于經濟學領域的研究之中，后經AnilSeth等人的努力，將該方法推廣到神經科學領域，用于構建頭部生理電信號間的關系。格蘭杰因果關系檢驗的主要內容是“如果時間序列X的滯后值的引入使時間序列Y的當前值的自回歸預測誤差的方差減小，則認為X是Y的格蘭杰原因”，也稱其為格蘭杰因果關系。具體來說，用一個時間序列X的過去預測X的將來，然后引入另一個時間序列Y，用X和Y的過去預測X的將來，如果第二種預測效果比第一種預測效果好，則認為加入Y對X的預測產生了影響，Y稱為是X的原因[15]。假設兩個變量是隨即平穩(wěn)的時間序列，首先定義X=X...X,其中X包含了X變量在t-i時刻的列向量，m是一個固定的用于預測過去值的階數，表示各個列向量之間的串聯，因此，雙變量的自回歸方程如下：=+=其中m是自回歸模型的階數，A與B是自回歸模型的參數，與是自回歸模型的預測誤差，均通過求解線性回歸方程計算得到。如果Y參與的模型中殘差比無Y模型的殘差小，說明Y的加入對X將來值的預測顯著性的提高了，Y到X的格蘭杰因果定義如下：=格蘭杰因果關系檢驗方法運用動力學模型和數據驅動，不需要對腦科學知識的深入了解，建立腦區(qū)之間的多變量自回歸模型，建立鄰接矩陣并計算腦區(qū)間的因果關系強度。三、實驗系統環(huán)境（一）實驗環(huán)境本實驗均建立在MATLAB軟件上完成，要獨立下載EEGLAB工具箱插件、MVGC工具箱插件。EEGLAB工具箱是EEG數據預處理的工具箱，提供了GUI界面，方便操作，功能眾多：可以將EEG數據導入EEGLAB，定位電極通道的時間和空間位置信息，查看數據；對EEG數據進行濾波、重參考、基線校正、分段、獨立成分分析、去除偽跡等處理步驟；處理完后保存data數據，即腦電信號的時間序列。MVGC工具箱是進行因果關系檢驗的工具箱，不提供GUI界面，提供的是代碼，其中有一個demo供我們了解每一步的函數功能。MVGC不是一個黑匣子，需要我們自己依據實驗調整函數的參數。MVGC的具體操作是：將在EEGLAB里預處理完的時間序列導入到MVGC，先對數據進行平穩(wěn)性檢驗，再構造多變量自回歸模型，依據閾值構造鄰接矩陣。腦網絡的構建需要我們在MATLAB里面自己寫腳本，確定每個電極的位置，再傳入鄰接矩陣值構造腦網絡。（二）數據采集本文的數據來源于研究者做的實驗，此實驗涉及年齡在55歲以上，包括32例正常病例和29例MCI患者的61名參與者[16]。在靜息狀態(tài)下，早上在安靜的房間里閉上眼睛，為所有參與者記錄EEG。按照10-20國際系統（Fp1，Fp2，F7，F3，Fz，F4，F8，T3，C3，Cz，C4，T4，T5，P3，Pz，P4，T6，O1，和O2）。此系統在第二章介紹過有關內容，此處不再贅述。EEG信號由32通道數字EEG設備（GalileoNT，EBneuro，意大利）采集，采樣率等于256HZ，電極皮膚阻抗低于5k。腦電圖記錄考慮了30分鐘的持續(xù)時間。然而，這種長時間的記錄將減少信號的總體變化并抑制噪聲和偽影，但會增加參與者睡意的可能性，這種睡意可能會導致腦電圖振蕩的減慢。因此，為避免睡意并保持參與者的意識，信號在EEG錄制期間不斷被檢出。本文中我們以一個正常人和一個輕度認知障礙患者的數據來分析研究。由于數據記錄時間并不能保證是同樣的時長，所以為了保證數據可對比性，均選取了前25分鐘的腦電數據。EEG信號是時間序列的數據，就是隨著時間而改變的數據，如圖3.2所示，是一個19個通道的腦電信號。圖3.1腦電極通道數據值四、腦效應網絡的構建（一）數據預處理預處理的操作都是利用MATLAB平臺的EEGLAB工具箱實現的。先將數據加載進EEGLAB里面，定位通道數據。預處理的第一步是定位電極的時間位置，如第三章圖3.1所示，這一步可以查看到每個電極通道的對應的數值，預處理數據之前，要看一下最原始的數據，看看數據的幅值，有時候圖中幅值特別大的一部分可能是眼動引起的腦電波幅變化；定位電極的空間位置，可以查看電極點的分布圖，熟悉電極的位置。其次是刪除無用電極，刪除沒有用的通道數據，保留要研究的電極。在此處，只保留了頂葉、額葉、枕葉的電極。額葉所在的位置就是我們大腦額頭上面這塊區(qū)域，主要管理的是“高級認知”；頂葉在大腦的正上方，管理的是空間導航以及總結感官消息；枕葉是最主要的視覺皮層，管理大腦的視覺功能。如圖4.1所示為2D腦電極圖，F為額葉，P為頂葉，O為枕葉。圖4.1六個腦電極的位置第三步是濾波，目的是選取我們想要的頻率段內的數據。因為同時濾波系統容易卡死，所以我們選擇分開濾波，先做一個0.1HZ的高通濾波，再做一個30HZ的低通濾波，最終獲取0.1-30HZ頻率段的內容。圖4.2為濾波以后的腦電數據，幅值被放大。圖4.2濾波之后的腦電數據第四步是獨立成分分析(ICA)，目標是分離出每個通道的不混合其他信號的獨立成分。當我們用腦電采集裝置記錄腦電信號時，在F點的腦電信號包含了大腦各個節(jié)點的信號，因為在實驗過程中不可避免地會受到其他節(jié)點影響，其他節(jié)點的電活動會傳播到F點加入到F點的腦電信號。因此F點的腦電信號混合了眾多信號。所以我們要運用獨立成分分析步驟實現每個腦節(jié)點信號的分離，即把記錄數據分解成一個又一個的成分組成。圖4.3為ICA分析的結果。圖4.3ICA獨立成分分析獲取完獨立成分后，我們可以用肉眼檢測眼電偽跡并去除偽跡。此處我們不做偽跡去除，有可能把有用腦電數據刪除。將腦電信號保存，就是我們需要的時間序列。（二）構建腦效應網絡1.KPSS平穩(wěn)性檢驗進行格蘭杰因果關系檢驗之前應該確保數據是平穩(wěn)的。雖然對數據進行了預處理，但我們不可以保證數據是平穩(wěn)的。所以用Kowski-Phillips-Schmidt-Shin（KPSS）檢驗對EEG腦電信號進行平穩(wěn)性檢驗[17]。KPSS檢驗首先假設序列是平穩(wěn)的，根據假設求得的KPSS值如果小于閾值（一般為5%）下求得的臨界值，那么假設成立；反之，假設不成立。圖4.4KPSS檢驗結果研究結果表明，閾值為0.05時的臨界值是0.146，而每個通道的KPSS檢驗值都小于臨界值，表明本實驗信號數據都是平穩(wěn)的數據。2.構建多變量自回歸模型6個通道t時刻的腦電信號為：X(t)=[X1(t),X2(t),X6(t)],其中Xi是第i通道的EEG的時間序列。多變量自回歸模型為：X(t)=其中A(i)是6×6的系數矩陣。E(t)是白噪聲矢量，p為模型的階數。MVAR模型只含有一個參數，即模型的階數p。本文使用貝葉斯信息準則（BayesianInformationCriterion，BIC）和赤池信息量準則（AkaikeInformationCriterion，AIC）兩種計算得到模型階數p。AIC的定義為：AIC（p）=2log(det())+2pm2/Ntotal其中，p為模型的階數，Ntotal為數據個數，根據極小值原理，當階數p從1開始往上增長時，AIC（p）將在某個p處取得最小值，此時的p為最佳模型階數。BIC的定義為：BIC(p)=ln(var())+ln(N)/N*p*M2其中N為時間序列長度，表示模型殘差項。圖4.5模型階數計算結果本文算得的模型階數為p=20。3.因果性計算依據2.6節(jié)的格蘭杰因果關系公式可計算六個通道之間的因果強度大小，得到因果關系矩陣，如圖4.6的左圖，數值大小代表因果關系強弱。圖4.6右圖為依據因果矩陣畫出的六個腦節(jié)點間的因果聯系圖，橫軸代表源節(jié)點，縱軸代表目的節(jié)點，顏色越深代表兩個節(jié)點間因果關系強度越大。圖4.7為正常人的腦區(qū)節(jié)點因果聯系強度示意圖。圖4.6MCI患者因果關系圖4.7正常人因果關系4.閾值選擇閾值指的是一個效應可以產生的最低值或最高值，也稱為臨界值。結合眾多研究者的文章，本研究的閾值采取0.05。即高于0.05則代表節(jié)點之間的相互作用強度，也就是因果效應強度大。這樣做的目標是確定哪些腦區(qū)節(jié)點之間的因果聯系更加強烈。5.生成鄰接矩陣連接矩陣為上文中計算得到的因果關系矩陣，如果矩陣中的值比閾值大，則將鄰接矩陣中對應位置的值設為1，若小于閾值將它設為0。如圖4.8中左圖為鄰接矩陣，右圖為鄰接矩陣的圖表示。圖的橫軸代表源腦區(qū)節(jié)點，縱軸代表目的腦區(qū)節(jié)點。圖4.8MCI患者的鄰接矩陣圖4.9正常人的鄰接矩陣6.構建腦網絡腦電極的位置信息需要在EEGLAB工具箱里獲得，依據這些位置信息就可以構造一個六個電極的位置分布圖，再利用圖函數bg=biograph(Aa,IDS)構造依據鄰接矩陣的腦網絡，其中Aa為鄰接矩陣，IDS是六個電極名稱。圖4.10和4.11為構建好的腦網絡。圖4.10MCI患者腦網絡連接圖圖4.11正常人腦網絡圖（三）研究結果鑒于一組數據的不確定性，本文總共研究了MCI患者四個人的EEG數據建立腦網絡，均呈現上圖相似的效果。正常人也各取4例數據進行研究。結果如圖4.12和4.13所示。由腦網絡圖可知MCI患者只有頂葉和枕葉之間的信息交換，而正常人頂葉，額葉，枕葉三大區(qū)域之間相互聯系作用比較強，額葉在其中均發(fā)揮了作用。由此可得，額葉對人腦認知具有主要影響，是人腦認知的根本。輕度認知障礙患者因為減少了額葉對頂葉和枕葉的控制作用，所以出現認知失常。他人的研究也有效的驗證了這個結論，額區(qū)是大腦中記憶認知的關鍵腦區(qū)。圖4.12三組MCI患者腦網絡圖圖4.13三組正常人腦網絡圖結論本文基于腦科學以及腦電數據的知識，研究了正常人和輕度認知障礙患者的效應性腦網絡，比較兩者之間的差異。具體操作有對EEG數據進行預處理，構造多變量自回歸模型，構造鄰接矩陣，構建因果關系效應性腦網絡。研究發(fā)現，MCI患者的額葉區(qū)域相對于正常人來說活動減少，而額葉又在人腦認知中占有重要地位。因此得出額葉區(qū)域的活動減少是導致MCI患者出現癥狀的原因。此研究結果可以實現預測作用，MCI疑似患者可以經過腦電測試采集腦電數據，構造相應的效應性腦網絡，觀察額葉區(qū)域的連接，可以輔助醫(yī)生做出精確的診斷。腦網絡是一個新興領域，還有許多問題等待解決。首先本文中只采取了針對單個被試創(chuàng)建腦網絡的研究方法，不具普遍性，還應繼續(xù)研究用統計分析的方法對多個數據樣本取均值的方法。這一方面，國內外研究者們已經開始作出初步嘗試，比如陳志陽選取了別的了鄰接矩陣的構造方法，對腦電信號采用單樣本檢驗統計分析的方法，檢查不同節(jié)點之間因果連接的強度。另外文章應用因果關系構建了腦效應網絡，分析出了輕度認知障礙和正常人之間腦區(qū)之間聯系的區(qū)別，但是如何從效應網絡中抽取出特征值，用于對腦電信號進行分類，是需要我們繼續(xù)去研究的?？偟膩砜?，本文運用格蘭杰因果關系檢驗方法構建了腦網絡，并可用此腦網絡實現阿爾茲海默癥的早期預測，取得了一定的研究進展。腦電信號的研究剛剛開始，還未被深入了解，要繼續(xù)鉆研。參考文獻[1]楊曉敏,鮑天昊,阮冶.阿爾茲海默病發(fā)病危險因素概況[J].四川精神衛(wèi)生,2020,33(06):560-565.[2]王鳳,王麗娜,沈鑫華,葛晨希,周燕茹,張晨.社區(qū)老年輕度認知障礙人群藥源性損害的歸因特征研究[J].中國全科醫(yī)[3]唐進.基于靜息態(tài)fMRI的EMCI和AD腦功能網絡研究[D].南京郵電大學,2016.學,2020,23(31):4007-4012.[4]崔會芳.基于格蘭杰因果分析的MCI腦網絡分類研究[D].太原理工大學,2019.[5]趙會坡.視覺工作記憶不同負載下腦電網絡的信息傳遞特性研究[D].天津醫(yī)科大學,2015.[6]Chockanathan,U.,AdoraM.DSouza,A.Abidin,G.SchifittoandA.Wismüller.“IdentificationandfunctionalcharacterizationofHIV-associatedneurocog